CN106651017A - 一种基于蚁群算法的土地整理项目选址方法 - Google Patents

Abstract

本发明提出了一种基于蚁群算法的土地整理项目选址方法，对土地利用空间信息数据和自然社会经济属性数据进行整合，形成土地整理项目选址空间单元集合；建立新增耕地潜力最大目标函数、土地整理适宜性最高目标函数和空间集中连片目标函数，确定实施规模与新增耕地率为约束条件，构建实施规模约束条件表达式和新增耕地率约束条件表达式；基于蚁群算法构建土地整理项目选址模型，建立求解问题与人工蚁群之间的映射关系，求解土地整理项目空间布局；对土地整理项目空间布局进行调整优化，生成土地整理项目选址方案图。本发明能够较好的协调三个彼此冲突的优化目标，在保证土地整理的经济效益基础上显著优化项目空间布局，提高社会及生态效益。

Description

一种基于蚁群算法的土地整理项目选址方法

技术领域

本发明涉及面向土地整理项目选址多目标优化的技术领域，具体涉及一种基于蚁群算法的土地整理项目选址方法。

背景技术

土地整理是指根据土地利用总体规划在一定区域内采取行政、经济、法律和技术等手段对土地资源重新建设和配置的活动，它能够增加有效耕地面积、改良土地质量、提高土地利用效率，同时还能有效改善农业生产、生活条件和生态环境的活动。土地整理也是社会经济发展过程中人口、土地资源矛盾不断激化的产物。建国后，我国城市化水平从7.3％提高至50％以上，快速的工业化和城市化发展给耕地保护带来了严峻的挑战，土地整理成为保护耕地资源的主要手段。而与此同时相对落后的农村发展问题也给土地整理赋予了统筹社会和谐发展的新意义，使土地整理成为建设***新农村的重要支撑。

为了落实“十二五”规划确定的各项目标和任务，需要形成全国、省、市、县四级土地整治规划体系。省、市级规划要提出规划期的区域内土地整治的目标任务，确定土地整治的重点区域和重大项目，落实示范建设任务，制定规划实施的政策措施。而县级规划则要具体的制定实施规划的措施，如确定土地整治项目、布局和时序安排。土地整理项目的实施首先需要在空间上对其范围予以落实，即土地整理项目选址，而这一范围内的土地利用现状、土地利用限制因素及有利条件、水资源条件以及土地整理潜力状况等都将直接影响到土地整理实施的成效。土地整理项目选址的目的就是在考虑土地利用现状、土地利用限制因素及有利条件、水资源条件、土地整理潜力、土地整理资金的基础上选择自然资源条件较好、基础设施条件较优、社会经济基础条件较高的区域来获得土地整理综合效益的最大化。因此，从本质上来说，土地整理项目选址问题也可以被认为是一类要使多个目标在给定可行域上尽可能最优的决策问题，即多目标优化问题(multi-objective optimizationproblem)。

许多学者只是定性的探讨了自然、社会经济条件对土地整理项目选址的影响，包括地形地貌、土壤质量、气候、交通可达等因素。也有部分研究采用层次分析法、特尔斐法等方法从定量的角度来对土地整理项目的可行性进行评价，以检验前期项目选址的科学性。上述研究方法在解决具体的土地整理项目选址问题时具有一定的可操作性，但却无法顾及到土地整理项目选址的多目标特性，导致某些项目的选址具有盲目性和随机性，项目过于零碎的空间布局、较低的土地适宜性使得土地整治的规模效益难以发挥。

发明内容

针对土地整理项目选址的多目标特性，导致项目选址的盲目性大、随机性大和规模效益发挥难的技术问题，本发明提出一种基于蚁群算法的土地整理项目选址方法，将土地整理项目选址问题抽象为一个多目标空间优化问题，并利用蚁群算法解决土地整理项目选址这一多目标优化空间问题。

为了解决上述技术问题，本发明的技术方案是：一种基于蚁群算法的土地整理项目选址方法，其步骤如下：

步骤一：对土地利用空间信息数据和自然社会经济属性数据进行整合，形成土地整理项目选址空间单元集合；

步骤二：以新增耕地潜力最大、土地整理适宜性最高和空间集中连片程度最大化为目标分别建立新增耕地潜力最大目标函数、土地整理适宜性最高目标函数和空间集中连片目标函数，并根据土地整理项目需要满足的基本立项条件确定实施规模与新增耕地率为约束条件，分别构建实施规模约束条件表达式和新增耕地率约束条件表达式，构建土地整理项目选址多目标优化模型；

步骤三：基于蚁群算法构建土地整理项目选址模型，以选址空间单元集合的数据为模型输入，将土地利用图斑作为基本空间优化单元，以土地整理项目选址多目标优化模型为优化目标，建立求解问题与人工蚁群之间的映射关系，最终求解土地整理项目空间布局；

步骤四：利用种子扩张思想和GIS空间分析技术来对得到的土地整理项目空间布局进行调整优化，利用行政区划界限及天然障碍界限为项目边界，最终生成土地整理项目选址方案图。

所述空间信息数据包括第二次土地调查数据、坡度和DEM，自然社会经济数据包括土地整理适宜性评价结果、人口和GDP，通过坐标投影转换、配准方法统一空间参考，整合不同来源和结构的空间信息数据与自然社会经济数据。

所述新增耕地潜力最大目标函数为：

f_EB(s)＝M_Z+RS+P-FS......(1)，

其中，f_EB(s)为新增耕地潜力，s代表土地整理项目选址方案，M_Z表示土地整理净增的耕地面积，RS为孤立农村居民点面积，P表示可整理坑塘面积，FS表示被退耕还林、还草的耕地面积，所有变量单位均为hm²；

所述土地整理适宜性最高目标函数为：

其中：f_ST(s)为土地整理适宜度，u_i表示第i个土地利用图斑Parcel_i是否被选中，如果选中则为1，否则为0；为土地利用单元i的整理适宜性指，Area_i表示第i个土地利用单元的面积，I表示参与决策土地利用单元的总个数；

所述空间集中连片目标函数为：

且

其中，f_AD(s)为项目区的邻域同一性指数，用于表示项目区的集中连片程度，该值越大集中连片程度越高；C表示b_i邻域单元的下标集合；u_l表示集合内的单元是否被选中，选中为1，否则为0；b_i表示选中单元的一阶邻接域内被划进项目区的单元的数量；

所述实施规模约束条件表达式为：

式中：v_ik表示地块Parcel_i是否被划分进片区C_k，若是则v_ik＝1，否则为0；Area_i代表地块Parcel_i的面积，单位为hm²；A_low和A_upper分别代表片区C_k面积的上限和下限；

所述新增耕地率约束条件表达式为：

其中，R_k表示新增耕地率，Z_k定表示项目的片区C_k的新增耕地潜力，且Z_k＝M_Z+RS+P-FS，X_k表示项目片区C_k的总面积，片区C_k若想达到基本立项条件则必须满足R_k≥r，r为最小新增耕地率；

所以土地整理项目选址多目标优化模型可以表示：

所述建立求解问题与人工蚁群之间的映射关系的方法如下：土地整理项目选址问题为以矢量图斑X＝{x₁，x₂，...，x_n}为决策变量的多目标空间优化问题，蚁群算法用于求解土地整理项目选址问题时，每只蚂蚁均代表一个土地整理项目选址候选方案；利用土地整理适宜度f_ST(s)构建蚂蚁启发式函数；第m只蚂蚁在时刻t留在路径(i，j)上的信息素由土地整理项目选址综合目标函数计算得出。

所述求解土地整理项目空间布局的步骤为：

步骤1：设置包括蚁群规模N_ACO、信息素启发式因子α、期望值启发式因子β、信息素挥发系数ρ、信息素强度Q和初始信息素τ₀的算法参数，令迭代计数器t＝0，最大迭代次数为T，初始化所有土地利用单元i的信息量τ_i(t)为一常数，且Δτ_ij(t)＝0；

步骤2：初始化蚂蚁，将m个蚂蚁随机安置在m个空间单元上，每一个单元上只允许分布一只蚂蚁，且相邻的单元上不会同时存在蚂蚁，初始化每一个蚂蚁k的禁忌表TabuList_k，并将初始化的单元保存进对应的禁忌表中；

步骤3：随机地将初始种群划分为与子目标数目一致的子种群，并根据每个子群优化的目标来更新每一只蚂蚁已选择的空间单元的目标函数值；

步骤4：根据空间单元上的信息素浓度和土地整理适宜性指数来计算选择概率；

步骤5：蚂蚁k利用轮盘赌技术来确定下一步要访问的空间单元，选择之后，蚂蚁k移动至新的空间单元，并将该空间单元ID号存储进其对应的禁忌表TabuList_k中；

步骤6：判断蚂蚁k是否已经访问完所有空间单元，若没有则继续执行步骤4，直到所有蚂蚁都遍历完所有的空间单元；

步骤7：根据迁移规模m_r完成各子种群之间的相互迁移，并根据迁移替换率m_a用一部分迁移进来的优秀个体替换该子种群中较差的个体；

步骤8：合并子种群，并挑选优秀的非支配解按照规则存入外部档案中；

步骤9：判断是否满足模型终止条件，若满足，则跳出蚁群算法优化过程并输出外部档案中的非劣解集合；否则，根据信息素更新公式为每一个子种群更新空间单元上的信息素，并清空所有的禁忌表和方案存储表，t＝t+1，并转步骤3重新划分子种群，继续优化操作。

所述生成土地整理项目选址方案图的步骤为：1)以项目区边界的土地单元为种子集合；2)逐步遍历每一个种子图斑，按照一阶邻近关系往四周生长，获得邻近多边形集合；3)遍历邻近多边形集合中的地块，如果该地块已被选进项目区，则继续下一地块；4)否则根据地块当前的土地利用类型及其他规则信息判断该地块是否适合整理；5)如果判断适合整理，则利用叠加分析，判断当前地块与事先提取的线状要素是否相交或邻接，如果是，则该地块也将被划进项目区。

所述根据空间单元上的信息素浓度和土地整理适宜性指数来计算选择概率的方法为：土地利用单元i被蚂蚁k在时刻t访问的概率为：

式中，α为信息启发式因子，β为期望启发式因子，allowed_k表示蚂蚁下一步允许访问的土地利用单元集合；η_i(t)为启发式函数，蚁群算法土地整理项目选址模型中的启发式函数为：

式中，Suit_i为土地利用单元i的整理适宜性指数，分母表示待选单元的整理适宜性指数之和。

所述子种群更新空间单元上的信息素的方法为：第m只蚂蚁在时刻t留在路径(i，j)上的信息素表示为：

其中，Q表示信息素强度，F(S)为综合新增耕地潜力目标函数、土地整理适宜性目标函数以及空间集中连片目标函数的土地整理项目选址多目标优化函数。

本发明能够较好的协调三个彼此冲突的优化目标，在保证土地整理的经济效益基础上显著优化项目空间布局，提高社会及生态效益，并能够将专家偏好信息通过目标函数权重系数传递给模型，获得不同情境下的土地整理项目选址方案，以供决策者进行抉择，且无论是在求解能力还是算法稳定性上都要明显优于其他方法。本发明可以较好地模拟人类在土地整理项目选址决策过程中的智能行为，以提高土地整理项目选址的合理性、适用性及自动化程度，从而有效解决当前土地整理项目选址效率低下、人工干预较多、难以顾及土地整理项目选址问题的多目标特性等问题，实现了土地利用***的经济、社会、生态综合效益协调发展。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的模型流程图。

图2为本发明蚁群算法的蚂蚁编码方案图。

图3为本发明蚁群算法的蚂蚁初始化流程图。

图4为本发明数据提取与处理之后的部分数据方案图。

图5为本发明实施例的结果模拟图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于蚁群算法的土地整理项目选址方法，将土地整理项目选址问题抽象为一个多目标空间优化问题，同时蚁群算法(ant colony optimization，ACO)基于信息素正反馈机制、分布式并行计算、贪婪式搜索来进行复杂优化问题求解，具有快速收敛、全局搜索能力强、鲁棒性强等特点，在***参数优化、特征分类、资源优化配置领域得到广泛应用。因此采用蚁群算法解决土地整理项目选址这一多目标优化空间问题。因此，本发明构建土地整理项目选址问题的多目标优化模型，并提供一种基于蚁群算法的多目标空间优化问题求解方法，其步骤如下：

步骤一：对土地利用空间信息数据和自然社会经济属性数据进行整合，形成土地整理项目选址空间单元集合。

首先要收集第二次土地调查数据、坡度、数字高程模型(DEM)等空间信息数据、土地整理适宜性评价结果和人口、GDP等社会经济数据，通过坐标投影转换、配准方法统一空间参考，整合不同来源和结构的空间与属性数据，最后形成土地整理项目选址空间单元集合。

步骤二：以新增耕地潜力最大、土地整理适宜性最高和空间集中连片程度最大化为目标分别建立新增耕地潜力最大目标函数、土地整理适宜性最高目标函数和空间集中连片目标函数，并根据土地整理项目需要满足的基本立项条件确定实施规模与新增耕地率为约束条件，分别构建实施规模约束条件表达式和新增耕地率约束条件表达式，构建土地整理项目选址多目标优化模型。

新增耕地潜力最大目标函数为：

f_EB(s)＝M_Z+RS+P-FS......(1)，

其中，f_EB(s)为新增耕地潜力，s代表土地整理项目选址方案，M_Z表示土地整理净增的耕地面积，RS为孤立农村居民点面积，P表示可整理坑塘面积，FS表示被退耕还林、还草的耕地面积，所有变量单位均为hm²。

土地整理适宜性最高目标函数为：

其中：f_ST(s)为土地整理适宜度，u_i表示第i个土地利用图斑Parcel_i是否被选中，如果选中则为1，否则为0。为土地利用单元i的整理适宜性指，Area_i表示第i个土地利用单元的面积，I表示参与决策土地利用单元的总个数。土地整理选址的目标就是使得区域中自然属性、社会属性均满足土地整理需求的土地单元尽量被划分进土地整理项目区，也即选址方案的土地整理适宜度f_ST(s)趋于最大。

空间集中连片目标函数为：

且

其中，f_AD(s)为项目区的邻域同一性指数，用于表示项目区的集中连片程度，该值越大集中连片程度越高；C表示b_i邻域单元的下标集合；u_l表示集合内的单元是否被选中，选中为1，否则为0；b_i表示该单元的一阶邻接域内也被划进项目区的单元的数量。

实施规模约束条件表达式为：

式中：v_ik表示地块Parcel_i是否被划分进片区C_k，若是则v_ik＝1，否则为0；Area_i代表地块Parcel_i的面积，单位为hm²；A_low和A_upper分别代表片区C_k面积的上限和下限。

新增耕地率约束条件表达式为：

其中，R_k表示新增耕地率，Z_k定表示项目的片区C_k的新增耕地潜力，且Z_k＝M_Z+RS+P-FS，X_k表示项目片区C_k的总面积。片区C_k若想达到基本立项条件则必须满足R_k≥r，r为最小新增耕地率。

土地整理项目选址多目标优化模型可以表示为：

步骤三：基于蚁群算法构建土地整理项目选址模型，以选址空间单元集合的数据为模型输入，将土地利用图斑作为基本空间优化单元，以土地整理项目选址多目标优化模型为优化目标，建立求解问题与人工蚁群之间的映射关系，最终求解土地整理项目空间布局方案。

建立求解问题与人工蚁群之间的映射关系如下：土地整理项目选址问题看作为以矢量图斑X＝{x₁，x₂，...，x_n}为决策变量的多目标空间优化问题，n为参与决策的空间单元个数，蚁群算法用于求解土地整理项目选址问题时，每只蚂蚁均代表一个土地整理项目选址候选方案；利用土地整理适宜度f_ST(s)构建蚂蚁启发式函数；第m只蚂蚁在时刻t留在路径(i，j)上的信息素由土地整理项目选址综合目标函数计算得出。

蚂蚁一般是基于编码串的，矢量的土地利用数据刚好为每个图斑分配了唯一的ID号，蚂蚁可以基于土地利用图斑的内部编码来确定自身的编码框架。图2中a图和b图分别表示被划进项目区的图斑及形成的项目片区，图c表示蚂蚁编码方案。蚂蚁编码方案包括一个S×2的矩阵Solution，其中，S表示被选中的土地单元个数，第一列代表每一个图斑的唯一编码；第二列代表当前图斑被划分进的项目片区编号，该编号从1开始。矩阵Solution中只保存着被蚂蚁访问过的土地利用单元ID号及其所在项目片区号。另外，还包括一个用于记录蚂蚁访问土地利用单元的禁忌表TabuList(存放禁止蚂蚁访问的土地利用单元ID号)以及蚂蚁的适应度fitness(基于目标函数来计算蚂蚁遍历所有空间单元后所形成的选址方案的目标函数值，用于对比方案的优劣性)。在上述编码基础之上，继续按照图2所示模型流程图求解土地整理项目空间布局方案。

求解土地整理项目空间布局方案的步骤为：

步骤1：准备模型数据，设置算法参数，令迭代计数器t＝0，最大迭代次数为T，初始化所有土地利用单元i的信息量τ_i(t)为一常数，且Δτ_ij(t)＝0。

算法参数包括蚁群规模N_ACO、信息素启发式因子α、期望值启发式因子β、信息素挥发系数ρ、信息素强度Q和初始信息素τ₀。蚁群规模N_ACO、信息素启发式因子α、期望值启发式因子β、信息素挥发系数ρ和信息素强度Q 4个参数对算法综合性能的影响和作用是相互合作、紧密相关的。一般为ACO算法选择参数都是依据经验或者通过反复试验，尤其是通过试验的方法费时费力并不一定能获得最优的参数组合。

步骤2：初始化蚂蚁，将m个蚂蚁随机安置在m个空间单元上，初始化每一个蚂蚁k的禁忌表TabuList_k，并将初始化的单元保存进对应的禁忌表中。

蚂蚁初始化流程图参见图3，将m个蚂蚁随机安置在m个空间单元上，每一个单元上只允许分布一只蚂蚁，并且保证相邻的单元上不会同时存在蚂蚁，初始化每一个蚂蚁k的禁忌表TabuList_k，并将初始化的单元保存进对应的禁忌表，在初始化时，每一只蚂蚁用于存储方案的哈希表Solution需要清空，用于保存访问记录的TabuList同样清空。

步骤3：随机地将初始种群划分为与子目标数目一致的子种群，并根据每个子群优化的目标来更新每一只蚂蚁已选择的空间单元的目标函数值。

本发明选用并列选择法来处理多目标函数，具体操作是：每隔一定的迭代次数(即迁移频率m_f)，就会有一定数目的粒子(即迁移规模m_r)从子种群i中迁移至子种群j，迁移操作完成后，每个子群将采用一定的替换机制将一定数目(即迁移替换率m_a)迁移进来的个体“消化吸收”(比如从中挑选部分优秀的个体来替换该子群中较差的个体)，然后将子种群合并再重新划分子种群，此过程循环执行直到满足终止条件为止，在进化过程中不断挑选出较优的非劣解，最终得到多目标问题的非劣解集。

步骤4：根据空间单元上的信息素浓度和土地整理适宜性指数来计算选择概率。

蚂蚁在土地单元选择过程中，不仅依据每个单元上积累的信息素浓度还要根据一定的启发式信息(在旅行商问题中该信息指每条连接边的长度)来决定其下一步转移的方向，本发明土地利用单元i被蚂蚁k在时刻t访问的概率为：

式中，α和β分别为信息启发式因子和期望启发式因子，α和β分别反映了蚂蚁信息素和启发式信息对蚂蚁选择土地利用单元的影响程度；allowed_k表示蚂蚁下一步允许访问的土地利用单元集合；根据单元的土地整理适宜性指数重新设计了启发式函数η_i(t)，用于指导蚂蚁选择土地利用单元。当土地利用单元的土地整理适宜性指数越高，蚂蚁就越倾向于选择该单元。所以，ACO土地整理项目选址模型中的启发式函数可以定义为：

式中，Suit_i为土地利用单元i的整理适宜性指数，分母表示待选单元的整理适宜性指数之和。

步骤5：蚂蚁k利用轮盘赌技术来确定下一步要访问的空间单元，选择之后，蚂蚁k移动至新的空间单元，并将该空间单元ID号存储进其对应的禁忌表TabuList_k中。

轮盘赌技术需要借助一个随机产生的游标来实现。假设存在四个单元a、b、c、d，他们的选择概率分别为0.1，0.2，0.3，0.4，概率之和为1，那么四个单元的累积概率则分别为0.1，0.3，0.6，1。利用随机函数产生一个0到1之间的游标数pointer，并与累积概率进行比较，假设pointer＝0.8，如果前n个单元的累积概率大于0.8，那么第n个单元将会被选中。

步骤6：判断蚂蚁k是否已经访问完所有空间单元，若没有则继续执行步骤4，直到所有蚂蚁都遍历完所有的空间单元。

步骤7：根据迁移规模m_r完成各子种群之间的相互迁移，并根据迁移替换率m_a用一部分迁移进来的优秀个体替换该子种群中较差的个体。

步骤8：合并子种群，并挑选优秀的非支配解按以下规则存入外部档案中。(1)首先判断档案数量是否达到规定值，如果没有则直接存储进外部档案；(2)否则，判断新解是否支配了外部档案中现有的非劣解，如果是则替换掉档案中受支配的非劣解；(3)否则，则根据附加标准密度估计指标来判断，将档案中密度值最差的个体移除出去，新解进入。

步骤9：判断是否满足模型终止条件。若满足，则跳出ACO算法优化过程并输出外部档案中的非劣解集合；否则，根据信息素更新公式(9)为每一个子种群更新空间单元上的信息素，并清空所有的禁忌表和方案存储表，t＝t+1，并转步骤3重新划分子种群，继续优化操作。

信息素的更新机制也是蚁群算法的核心部分，在求解旅行商问题中，第m只蚂蚁在时刻t留在路径(i，j)上的信息素可以表示为：

其中，Q表示信息素强度，L_k表示第k只蚂蚁在本次循环中一共访问过的路径总长度。

将蚁群算法用于求解土地整理项目选址时必须对上述公式进行修改，将模型中的1/L_k替换为模型中所确定的目标函数，若将本发明中定义的新增耕地潜力目标、土地整理适宜性目标以及空间集中连片目标定义为F(S)，那么就可以将上式修改为：

步骤四：利用种子扩张思想和GIS空间分析技术来对得到的土地整理项目空间布局进行调整优化，利用行政区划界限及天然障碍界限为项目边界，最终生成土地整理项目选址方案图。

具体步骤为：1)以项目区边界的土地单元为种子集合；2)逐步遍历每一个种子图斑，按照一阶邻近关系往四周生长，获得邻近多边形集合；3)遍历邻近多边形集合中的地块，如果该地块已被选进项目区，则继续下一地块；4)否则根据地块当前的土地利用类型及其他规则信息判断该地块是否适合整理；5)如果判断适合整理，则利用叠加分析，判断当前地块与事先提取的线状要素是否相交或邻接，如果是，则该地块也将被划进项目区。

具体实例：

步骤一、从某县的第二次土地调查数据库、土地利用规划数据库、土地整治规划数据库、土地分等定级数据库中提取土地整理项目选址所需的空间信息，如图4所示。并从某县统计年鉴、农、林、交通等部门的中长期规划中提取相关影响因素及限制信息，通过添加特定字段实现与空间数据的整合，如表1和表2所示。

表1 土地整理适宜性评价影响因素体系

表2 土地利用单元的属性结构表

步骤二、以新增耕地潜力最大、土地整理适宜性最高、空间集中连片程度最大化为目标分别建立土地整理项目选址的的新增耕地潜力最大目标函数、适宜性最高目标函数和空间集中连片目标函数，其中新增耕地潜力的土地整理项目选址目标函数形式表示为：

Max f_EB(S)＝M_Z+RS+P-FS，

土地整理项目选址的适宜性目标函数则可以描述为：

土地整理项目选址的空间集中连片程度的目标函数可表示为：

为了便于函数的比较运算，同样需要将b_i标准化为0-1区间的数值，采用以下公式：

式中，B_i表示单元Parcel_i的所有邻接单元个数，经过转化之后所获得其实是单元Parcel_i的邻接率。

结合该县确定具体的目标函数及约束条件。县域中参与土地整理项目选址决策的每一个单元的决策结果只有1和0两种，即被划进项目片区或不被选中，因此，土地整理项目选址的基本约束条件可用函数形式表示为：

Subject to u_i∈{0，1}

上式表明，蚁群算法在构造蚂蚁编码时粒子的每一维都必须满足该条件，即取值只能为0或1。

步骤三、基于蚁群算法构建土地整理项目选址模型，以步骤一处理过的数据为模型输入，将土地利用图斑作为基本空间优化单元，以步骤二构建的多目标函数模型为优化目标，建立求解问题与人工蚁群之间的映射关系。

设置算法参数，N_ACO＝30，α＝1，β＝1.5，ρ＝0.7，Q＝100，τ₀＝0.1。

初始化蚂蚁，并将m个蚂蚁随机安置在m个空间单元上，每一个单元上只允许分布一只蚂蚁，并且保证相邻的单元上不会同时存在蚂蚁，初始化每一个蚂蚁k的禁忌表TabuList_k，并将初始化的单元保存进对应的禁忌表，在初始化时，每一只蚂蚁用于存储方案的哈希表Solution需要清空，用于保存访问记录的TabuList同样清空。

本实施例在多目标处理技术上选择并列选择法来生成Pareto解集，那么还需要根据子目标个数来设置子种群个数N_f＝3，迁移率m_f＝5，迁移规模m_r＝5，迁移替换率m_a＝5。

根据空间单元上的信息素浓度和土地整理适宜性指数来计算其选择概率，在本发明中，土地利用单元i被蚂蚁k在时刻t访问的概率可利用公式(6)计算得到。

蚂蚁k利用轮盘赌技术来确定下一步要访问的空间单元，选择之后，蚂蚁k移动至新的空间单元，并将该空间单元ID号存储进其对应的禁忌表TabuList_k中。

判断蚂蚁k是否已经访问完所有土地利用空间单元，若没有则继续执行计算选择概率，直到所有蚂蚁都遍历完所有的空间单元；

根据迁移规模m_r完成各子种群之间的相互迁移，并根据迁移替换率m_a用一部分迁移进来的优秀个体替换该子种群中较差的个体。

合并子种群，并挑选优秀的非支配解按照规则存入外部档案中，外部档案个数M_pareto＝50。

判断种群最优个体的适应度是否连续5代没有发生变化或者达到最大迭代次数。若满足，则跳出蚁群算法优化过程并输出外部档案中的非劣解集合；否则，根据公式(9)为每一个子种群更新空间单元上的信息素，并清空所有的禁忌表和方案存储表，t＝t+1，并转步骤6重新划分子种群，继续优化操作。

步骤四、利用种子扩张思想和GIS空间分析技术来对步骤三输出的土地整理项目空间布局进行调整优化，生成土地整理项目选址方案图，如图5所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于蚁群算法的土地整理项目选址方法，其特征在于，其步骤如下：

步骤一：对土地利用空间信息数据和自然社会经济属性数据进行整合，形成土地整理项目选址空间单元集合；

步骤二：以新增耕地潜力最大、土地整理适宜性最高和空间集中连片程度最大化为目标分别建立新增耕地潜力最大目标函数、土地整理适宜性最高目标函数和空间集中连片目标函数，并根据土地整理项目需要满足的基本立项条件确定实施规模与新增耕地率为约束条件，分别构建实施规模约束条件表达式和新增耕地率约束条件表达式，构建土地整理项目选址多目标优化模型；

步骤三：基于蚁群算法构建土地整理项目选址模型，以选址空间单元集合的数据为模型输入，将土地利用图斑作为基本空间优化单元，以土地整理项目选址多目标优化模型为优化目标，建立求解问题与人工蚁群之间的映射关系，最终求解土地整理项目空间布局；

步骤四：利用种子扩张思想和GIS空间分析技术来对得到的土地整理项目空间布局进行调整优化，利用行政区划界限及天然障碍界限为项目边界，最终生成土地整理项目选址方案图。

2.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述空间信息数据包括第二次土地调查数据、坡度和DEM，自然社会经济数据包括土地整理适宜性评价结果、人口和GDP，通过坐标投影转换、配准方法统一空间参考，整合不同来源和结构的空间信息数据与自然社会经济数据。

3.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述新增耕地潜力最大目标函数为：

f_EB(s)＝M_Z+RS+P-FS......(1)，

其中，f_EB(s)为新增耕地潜力，s代表土地整理项目选址方案，M_Z表示土地整理净增的耕地面积，RS为孤立农村居民点面积，P表示可整理坑塘面积，FS表示被退耕还林、还草的耕地面积，所有变量单位均为hm²；

所述土地整理适宜性最高目标函数为：

$f_{ST}\left(s\right)=\frac{\underset{i=1}{\overset{I}{\Σ}}{u}_i\·{\mathrm{Suit}}_i\·{\mathrm{Area}}_i}{\underset{i=1}{\overset{I}{\Σ}}{u}_i\·{\mathrm{Area}}_i}......\left(2\right),$

其中：f_ST(s)为土地整理适宜度，u_i表示第i个土地利用图斑Parcel_i是否被选中，如果选中则为1，否则为0；Suit_ii为土地利用单元i的整理适宜性指，Area_i表示第i个土地利用单元的面积，I表示参与决策土地利用单元的总个数；

所述空间集中连片目标函数为：

$f_{AD}\left(s\right)=\underset{i=1}{\overset{I}{\Σ}}{u}_i\·b_i......\left(3\right),$

且

其中，f_AD(s)为项目区的邻域同一性指数，用于表示项目区的集中连片程度，该值越大集中连片程度越高；C表示b_i邻域单元的下标集合；u_l表示集合内的单元是否被选中，选中为1，否则为0；b_i表示选中单元的一阶邻接域内被划进项目区的单元的数量；

所述实施规模约束条件表达式为：

$A_{low}\≤\underset{i=1}{\overset{I}{\Σ}}{v}_{ik}\·u_i\·{\mathrm{Area}}_i\≤A_{upper}......\left(4\right),$

式中：v_ik表示地块Parcel_i是否被划分进片区C_k，若是则v_ik＝1，否则为0；Area_i代表地块Parcel_i的面积，单位为hm²；A_low和A_upper分别代表片区C_k面积的上限和下限；

所述新增耕地率约束条件表达式为：

$R_k=\frac{Z_k}{X_k}......\left(5\right),$

其中，R_k表示新增耕地率，Z_k定表示项目的片区C_k的新增耕地潜力，且Z_k＝M_Z+RS+P-FS，X_k表示项目片区C_k的总面积，片区C_k若想达到基本立项条件则必须满足R_k≥r，r为最小新增耕地率；

所以土地整理项目选址多目标优化模型可以表示：

$\left\{\begin{array}{c}\max F\left(s\right)=\left(f_{EB}\right(s),f_{ST}(s),f_{AD}(s\left)\right)\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{I}{\Σ}}{v}_{ik}\·u_i\·{\mathrm{Area}}_i-A_{upper}\≤0,\underset{i=1}{\overset{I}{\Σ}}{v}_{ik}\·u_i\·{\mathrm{Area}}_i-A_{low}\≥0,R_k-r\≥0\end{array}\end{array}\right..$

4.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述建立求解问题与人工蚁群之间的映射关系的方法如下：土地整理项目选址问题为以矢量图斑X＝{x₁，x₂，...，x_n}为决策变量的多目标空间优化问题，蚁群算法用于求解土地整理项目选址问题时，每只蚂蚁均代表一个土地整理项目选址候选方案；利用土地整理适宜度f_ST(s)构建蚂蚁启发式函数；第m只蚂蚁在时刻t留在路径(i，j)上的信息素由土地整理项目选址综合目标函数计算得出。

5.根据权利要求4所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述求解土地整理项目空间布局的步骤为：

步骤1：设置包括蚁群规模N_ACO、信息素启发式因子α、期望值启发式因子β、信息素挥发系数ρ、信息素强度Q和初始信息素τ₀的算法参数，令迭代计数器t＝0，最大迭代次数为T，初始化所有土地利用单元i的信息量τ_i(t)为一常数，且Δτ_ij(t)＝0；

步骤2：初始化蚂蚁，将m个蚂蚁随机安置在m个空间单元上，每一个单元上只允许分布一只蚂蚁，且相邻的单元上不会同时存在蚂蚁，初始化每一个蚂蚁k的禁忌表TabuList_k，并将初始化的单元保存进对应的禁忌表中；

步骤3：随机地将初始种群划分为与子目标数目一致的子种群，并根据每个子群优化的目标来更新每一只蚂蚁已选择的空间单元的目标函数值；

步骤4：根据空间单元上的信息素浓度和土地整理适宜性指数来计算选择概率；

步骤5：蚂蚁k利用轮盘赌技术来确定下一步要访问的空间单元，选择之后，蚂蚁k移动至新的空间单元，并将该空间单元ID号存储进其对应的禁忌表TabuList_k中；

步骤6：判断蚂蚁k是否已经访问完所有空间单元，若没有则继续执行步骤4，直到所有蚂蚁都遍历完所有的空间单元；

步骤7：根据迁移规模m_r完成各子种群之间的相互迁移，并根据迁移替换率m_a用一部分迁移进来的优秀个体替换该子种群中较差的个体；

步骤8：合并子种群，并挑选优秀的非支配解按照规则存入外部档案中；

步骤9：判断是否满足模型终止条件，若满足，则跳出蚁群算法优化过程并输出外部档案中的非劣解集合；否则，根据信息素更新公式为每一个子种群更新空间单元上的信息素，并清空所有的禁忌表和方案存储表，t＝t+1，并转步骤3重新划分子种群，继续优化操作。

6.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述生成土地整理项目选址方案图的步骤为：1)以项目区边界的土地单元为种子集合；2)逐步遍历每一个种子图斑，按照一阶邻近关系往四周生长，获得邻近多边形集合；3)遍历邻近多边形集合中的地块，如果该地块已被选进项目区，则继续下一地块；4)否则根据地块当前的土地利用类型及其他规则信息判断该地块是否适合整理；5)如果判断适合整理，则利用叠加分析，判断当前地块与事先提取的线状要素是否相交或邻接，如果是，则该地块也将被划进项目区。

7.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述根据空间单元上的信息素浓度和土地整理适宜性指数来计算选择概率的方法为：土地利用单元i被蚂蚁k在时刻t访问的概率为：

$p_i^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_i\left(t\right)\]}^{\mathrm{\α}}.{\[{\mathrm{\η}}_i\left(t\right)\]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{i\∈{\mathrm{allowed}}_k}{\[{\mathrm{\τ}}_i\left(t\right)\]}^{\mathrm{\α}}.{\[{\mathrm{\η}}_i\left(t\right)\]}^{\mathrm{\β}}},& ifi\∈{\mathrm{allowed}}_k,\\ 0,& else\end{array}\right.......\left(6\right),$

式中，α为信息启发式因子，β为期望启发式因子，allowed_k表示蚂蚁下一步允许访问的土地利用单元集合；η_i(t)为启发式函数，蚁群算法土地整理项目选址模型中的启发式函数为：

${\mathrm{\η}}_i\left(t\right)=\frac{{\mathrm{Suit}}_i}{{\mathrm{\Σ}}_S{\mathrm{Suit}}_s}......\left(7\right),$

式中，Suit_i为土地利用单元i的整理适宜性指数，分母表示待选单元的整理适宜性指数之和。

8.根据权利要求1所述的基于蚁群算法的土地整理项目选址方法，其特征在于，所述子种群更新空间单元上的信息素的方法为：第m只蚂蚁在时刻t留在路径(i，j)上的信息素表示为：

其中，Q表示信息素强度，F(S)为综合新增耕地潜力目标函数、土地整理适宜性目标函数以及空间集中连片目标函数的土地整理项目选址多目标优化函数。