基于可擴展多目標蟻群算法的土地利用優化配置

莫致良，杜震洪*，張豐，劉仁義

(1. 浙江大學 浙江省資源與環境信息系統重點實驗室， 浙江 杭州 310028； 2. 浙江大學 地理信息科學研究所， 浙江 杭州 310027)

基于可擴展多目標蟻群算法的土地利用優化配置

莫致良1,2，杜震洪1,2*，張豐1,2，劉仁義1,2

(1. 浙江大學 浙江省資源與環境信息系統重點實驗室， 浙江 杭州 310028； 2. 浙江大學 地理信息科學研究所， 浙江 杭州 310027)

傳統的土地利用優化配置模型無法靈活應對現實場景中多變的優化目標要求，也無法實現土地利用在空間布局上的優化.根據常見的優化目標進行抽象建模，建立了可擴展的多目標體系，并與蟻群算法有機結合，構建了基于可擴展多目標蟻群算法的土地利用優化配置模型，使土地利用配置在不同目標的指導下能夠靈活優化，同時實現了土地利用配置在數量結構和空間布局優化上的統一，為土地利用規劃提供了更具現實意義的參考方案.最后對該模型，以杭州市蕭山區2015年土地利用格局為基礎數據進行實例驗證.結果表明： 模型能夠在多目標體系的指導下，合理配置研究區域的土地利用結構與布局，促進區域土地利用的可持續發展，并針對不同的多目標體系，給出具有不同側重點的優化方案.

土地利用優化配置；蟻群算法；可擴展的多目標體系

土地資源是人類生產活動最基本的物質資源，合理利用有利于促進社會經濟發展、保障糧食安全以及保護生態環境.人口增長和城市化進程的加快，帶來了發展與保護的雙重任務、資源利用與生態保護的雙重壓力[1]，導致土地資源的供需矛盾越發突出.在我國，土地資源的不合理利用已經造成了嚴重的社會和環境問題，成為制約可持續發展的“瓶頸”[2-3].因此，優化土地利用配置，實現土地的可持續利用和社會的可持續發展，是擺在國人面前的重要任務.

蟻群優化算法(ant colony optimization，ACO)是受自然界中螞蟻覓食行為的啟發而建立的一種啟發式算法[4]，最早由意大利學者DORIGO等[5]提出，并迅速發展為一種通用的優化方法.ACO最早用于解決旅行商問題[5-6](traveling salesman problem，TSP)，后期發展出了MMAS、EAS、AS等多種改進形式，并被廣泛用于解決各類組合優化問題，如劉建華等[7]提出了基于勢場蟻群算法的移動機器人路徑規劃方法，可有效加快機器人的路徑尋優速度并提高搜索能力，而李倩等[8]和高晉凱等[9]分別將蟻群算法應用于擴展約束P-中位和圖像分割問題，均得到了良好的優化結果.

在土地利用優化配置方面，國內外學者已進行了比較多的探索，從優化配置的方法來看，主要分為2種： DAS等[10]、徐磊等[11]、黃海[12]分別采用線性規劃、系統動力學和粒子群算法等對區域土地利用的結構和數量進行優化；CHEN等[13]、袁滿等[14]和LIU等[15]則分別采用模擬退火、多智能體遺傳算法和粒子群算法進行土地利用優化配置，解決了土地利用的空間布局優化問題.另外，高小永[1]建立了基于多目標蟻群算法的土地利用優化配置模型，并與GIS系統結合，實現了模型在實際場景下的應用.以上方法均是在特定目標體系下進行的研究，而土地利用優化配置是一個復雜的多目標優化問題，不可變的目標體系無法對特定規劃目標給出優化方案，不能滿足現實場景中復雜的多目標需求，從而限制了模型的推廣應用.

本文將基本的單目標蟻群算法與多目標體系相結合，針對多目標決策技術與土地利用空間布局優化的特點，提出基于可擴展多目標蟻群算法的土地利用優化配置模型，并選取杭州市蕭山區為研究區域，在不同的多目標體系下進行土地利用的優化配置，通過比較不同多目標體系下的優化結果，驗證模型的有效性.

1 基于可擴展多目標蟻群算法的土地利用優化配置模型

在模型中，將研究區域處理為I行J列的二維格網矩陣，每個格網表示長、寬均為Lm的土地單元；共分K種土地利用類型，需要分配的土地利用類型有耕地、綠地、建設用地、林地和未利用地5種.每只螞蟻ant包含禁忌表(tabu)、配置方案(tours)和各目標函數值(targs).由于每只螞蟻對應一種優化配置方案，因此，搜索優化配置方案解集的過程，即為確定螞蟻代表的配置方案為Pareto最優解的過程.

1.1 研究思路

建立基于可擴展多目標蟻群算法的土地利用優化配置模型，首先建立基本的多目標體系，對目標進行抽象建模，建立可擴展的多目標體系；其次將蟻群算法與多目標體系相結合，須對基本蟻群算法的核心函數進行改進，使其滿足多目標優化的要求；最后將改進后的多目標蟻群算法與土地利用優化配置相結合，根據土地利用優化配置的多目標體系與約束體系，完成模型的構建.

1.2 可擴展多目標體系的構建

土地利用優化配置是一個復雜的多目標優化問題，而指導優化的多目標體系是一個動態擴展的體系.從歷史來看，土地利用優化配置早期僅考慮區位經濟目標，而如今逐步擴展，已經涵蓋了社會目標和生態目標，因此多目標體系會隨社會發展而逐漸擴展.在現實條件下，由于土地利用優化配置涉及多個行業和部門的利益，可以通過不同的指標來表示其用地需求，這些指標種類豐富而難以充分涵蓋，可能隨時間而增加或減少，因此需要多目標體系以動態、靈活地適合這種需求.

理論上講，各行各業最基礎的物質資源是土地資源，它們對不同土地利用類型的用地需求，可通過不同的指標表征，這些指標共同構成土地利用優化配置的目標體系，因此，均可成為擴展目標.然而，在當前階段，由于指標的復雜性，通過多目標體系難以準確模擬社會的真實情況，則根據優化配置目的選擇擴展目標較為合理，常見的擴展目標有生態服務價值目標、碳排放量目標等，具有針對性的目標還有土地退化評價目標、景觀生態安全評價目標等.

可擴展的多目標體系，由基本的多目標體系和擴展目標體系共同構成.其中基本多目標體系由土地適宜性目標、空間集聚目標和最小規劃成本目標3個基本目標共同構成，缺一不可.根據格網數據結構和土地利用類型，參考3種基本目標，建立相應的擴展目標模型，進而將不同指標按照模型完成建模，并根據實際需要加入擴展目標體系，即將擴展目標文件放入目標體系所在的目錄.本文所有目標均以L表示.

基本的多目標體系由土地適宜性目標、空間集聚目標和最小堆成本目標構成，基本目標的建立如下所述：

(1) 土地適宜性目標L1

由于土地單元具有空間異質性，即使是同一土地單元，對不同的地類也具有不同的適宜度，因此在全面分析土地狀況的基礎上進行土地適宜性評價，并以此為基礎進行土地利用優化配置，是土地利用優化配置的科學基礎，也是土地利用空間布局優化實現的保證.本文采用AHP方法得到研究區域內每個格網對耕地、綠地、森林和建設用地的適宜度，并定義目標函數為

(1)

(2) 空間集聚目標L2

根據經濟地理學的集聚效應，將相同地類的土地盡可能集聚在一起，實現資源、要素和經濟活動在空間中的集聚，可以降低成本，創造更高的經濟效益[16]，因此提高區域地類的集聚程度，應該作為土地利用優化配置的一項優化目標.根據格網i,j處土地利用類型是否為k，定義二值函數：

(2)

其中uij為格網(i,j)處的土地利用類型，則(i,j)處土地利用類型k的鄰域同一性指數為

(3)

其中(i,j)≠(s,t)，這里采用八鄰域作為窗口，則空間集聚目標函數定義為

(4)

(3) 最小規劃成本目標L3

在土地利用優化配置過程中，土地單元的類型因重新配置而發生轉換，從而產生轉換代價，以最小的代價獲得最高的綜合效益符合規劃目的，因此最小化規劃成本應該作為優化配置的目標之一.

由于不同土地利用類型之間的轉換成本難以獲取，本文通過AHP方法確定不同土地利用類型之間的轉換因子，對轉換因子進行歸一化處理.由于最小規劃成本為最小化問題，這里考慮將其轉為最大化問題.因此，在最小規劃成本目標下，(i,j)處的土地單元從土地利用類型k轉為類型p的目標函數為

(5)

其中Ckp表示從地類k轉化為地類p的成本，則最小規劃成本目標函數：

(6)

在擴展多目標體系中，由于可能的擴展目標種類多而難以預測，因此從格網的數據結構出發，抽象出3種可能的擴展目標模型如下：

(1) 適宜度類型擴展目標L4

適宜度類型擴展目標是用單因子目標或多因子綜合目標在對研究區域進行評價的基礎上，對區域內所有的土地單元分別計算不同地類的適宜度.這種擴展目標在每個格網的各個地類上均有相應的適宜度，因此是最詳細的目標類型，可以從空間上對土地利用配置進行優化指導.土地適宜度評價目標是適宜度類型擴展目標的基礎模型.每個土地單元上的適宜度類型擴展目標的屬性結構如表1所示.

表1 適宜度類型擴展目標的結構

Table 1 Structure of extensible target of suitability type

其目標函數采用類似適宜度評價的目標函數，定義為

(7)

(2) 轉換類型擴展目標L5

轉換類型擴展目標是對不同土地利用類型之間的轉換給目標帶來促進或抑制的定量描述.理想條件下，任何目標都可以在空間上指導土地利用的優化配置，然而，在現實場景下，很多目標往往因為數據難以獲取或難以量化等原因，無法對每個格網上的土地利用類型轉換都進行定量描述，而只能從整體上，對不同土地利用類型之間的轉換進行模擬，而最小規劃成本就是轉換類型擴展目標的基礎模型.這種類型的擴展目標的屬性結構如表2所示.

表2 轉換類型擴展目標的結構

Table 2 Structure of extensible target of transform type

轉換類型擴展目標的函數定義為

(8)

(3) 價值類型擴展目標L6

類似地，價值類型擴展目標也無法為每個土地單元的不同土地利用類型提供量化描述，只能對研究區域內每種土地利用類型在整體上進行定量描述，這種價值可能是正價值，也可能是負價值，因此價值類型擴展目標可能是最小化問題，需要先將目標處理為最大化問題，并做歸一化處理.這種類型的擴展目標沒有出現在基本目標中，但作為一種可能出現的目標類型，應該對其進行抽象建模.價值類型擴展目標的屬性結構如表3所示.

表3 價值類型擴展目標的結構

Table 3 Structure of extensible target of value type

因此，價值類型擴展目標的函數定義為

(9)

1.3 蟻群算法與多目標體系的融合

將多目標體系與蟻群算法相結合，需要改進蟻群算法的核心函數，主要包括啟發信息函數η(t)、信息素釋放函數Δτ(t)和概率轉移函數p(t).

(1) 啟發信息函數

設在第t次迭代時，第a只螞蟻在格網(i,j)處將地類從k轉為p，在單目標L下的啟發信息函數為η(t)，則目標L在(i,j)處的目標函數值fL有

(10)

(11)

其中sp為目標L與L2的平衡系數.因此，在多目標體系下，啟發信息函數定義為

(12)

(2) 信息素更新函數

GOSS等[17]的研究表明，螞蟻會在經過的路徑上留下信息素，相同時間內，較短的路徑上信息素揮發較少，而螞蟻傾向于選擇信息素濃度高、路徑短的路徑，從而實現蟻群的正反饋機制.模擬這一正反饋機制的算法即為蟻群算法.其中的關鍵函數就是信息素更新函數τ(t)和信息素釋放函數Δτ(t).蟻群算法與多目標體系結合時，信息素釋放函數定義為

(13)

(14)

其中，ρ為信息素揮發因子，N為蟻群規模.

(3) 概率轉移函數

在土地利用優化配置過程中，當前土地單元配置為其他類型時，僅在當前土地單元發生，而不會造成鄰域的土地單元也發生類型轉換，因此只需考慮當前格網從當前地類轉為其他地類的概率即可，其概率轉移函數為

(15)

1.4 構建基于可擴展多目標蟻群算法的土地利用優化配置模型

本文對多目標體系進行抽象建模，建立了可擴展的多目標體系，將其與蟻群算法結合，應用于土地利用優化配置，建立了基于可擴展多目標蟻群算法的土地利用優化配置模型.模型流程如圖1所示.

圖1 基于多目標蟻群算法的土地利用優化配置模型流程圖[18]Fig.1 Flow chart of land use optimizing allocation based on multi-objective ant colony algorithm

在模型基礎上，本文使用JAVA語言完成了模型的實現，模型流程的偽代碼如下:

Opti opti= new Opti ();

//讀取數據

opti.instance = opti.inOut.read_data(path);

//初始化蟻群和參數

opti.init ();

while (判斷終止條件) {

//蟻群構造優化配置方案

if (opti.simulateAnts()){

//選擇最優解，更新信息素

opti.updatePheros ();

//重新初始化蟻群

opti.restartAnts ();

}

}

//輸出Pareto最優解集

opti.inOut.output();

在上述偽代碼中，綜合考慮性能和優化結果，設置終止條件為最少80次迭代周期，同時要求在最后的20次迭代中最優解無更新.

在蟻群算法與多目標體系融合的過程中，啟發信息函數是融合的關鍵，螞蟻a在格網p處將土地利用類型配置為type，計算啟發信息函數目標的偽代碼如下：

if (判斷是否符合約束規則) {

double res = 1.0;

for (遍歷所有目標) {

//計算目標在位置p的啟發信息值

res *=e.getValue().eta(p, type, grids);

}

//更新配置方案在p處類型type的啟發信息

grids[p.x][p.y].exp.replace(type, res);

return res;

} else {

return 0;

}

在構建的模型中，信息素更新是蟻群算法正反饋機制的關鍵，模型中信息素更新和蟻群信息素釋放的偽代碼如下：

//遍歷整個格網和不同地類，更新信息素

for (intl=0;l

// 信息素揮發

ph.pheroVolat(i,j,l);

for(intk=0;k

if(螞蟻改變了格網的地類類型){

螞蟻釋放信息素

}

}

}

2 實例驗證與結果分析

可擴展多目標體系的靈活性，在于對不同目標的優化或對不同指標進行選擇時，可以獨立構建、添加或刪除具有針對性的擴展目標，而不需要對多目標體系的其他部分進行調整.

本文以杭州市蕭山區為研究區域，進行實例驗證.在完成模型的構建后，首先在傳統無擴展目標的基本多目標體系(簡稱M1)下進行實驗驗證.由于可擴展多目標體系的靈活性，本文單獨構建了轉換類型的碳排放量目標和價值類型的生態服務價值目標，從而形成4種不同的多目標體系，分別為添加碳排放量的多目標體系M2、添加生態服務價值的多目標體系M3和添加碳排放量與生態服務價值的綜合多目標體系M4.然后，在不同的多目標體系下分別進行實驗，最后對優化配置方案進行對比，驗證模型的有效性.

2.1 研究區域介紹

蕭山區位于杭州市南部，2001年3月撤市設區，西北臨錢塘江，地理坐標為120°04′22″E～120°43′46″E，29°50′54″N～30°23′47″N.蕭山區下轄15個鎮，11個街道，轄區總面積1 420.22 km2.南部以低山丘陵為主，中北部主要為平原，地區內平原約占66%，山地約占17%.屬亞熱帶季風性氣候，雨量充沛.截至2014年末，戶籍登記人口125.54萬，生產總值1 728.32億元，三大產業結構比例為3.5∶54.1∶42.4，人均GDP達到138 309元.

2.2 數據收集與多目標體系設置

研究區域數據有統計數據、遙感數據、空間數據3類.統計數據，主要包括2014年各城鎮、街道的常住人口、自營出口額，來自蕭山區統計年鑒；遙感數據，主要包括SRTM DEM數據、DMSP/OLS燈光數據；空間數據為2015年蕭山區1∶10 000土地利用數據.通過ArcMap軟件，將數據處理為200 m×200 m的格網，共計35 335個.并根據數據提取地形、經濟和自然因子，形成土地適宜性因子評價表，最終得到所有格網的土地適宜性評價結果.

對于最小規劃成本目標，由于不同土地利用類型之間的轉換成本難以直接獲取，則參考文獻[3]提出的用土地利用類型轉換系數來間接反映轉換成本，最后不同土地利用類型之間的轉換成本如表4所示.

表4 最小規劃成本中的地類轉換因子

Table 4 Conversion factor between land use types in minimum planning cost target

注—表示無相應的轉換因子.

對于碳排放量擴展目標，根據文獻[19-20]對不同生態系統與碳排放量關系的研究，得到不同土地利用類型的碳排放/吸收系數，處理得到不同土地利用類型轉換過程中引起的碳排放/吸收量矩陣，如表5所示.

表5 碳排放量目標中的地類轉換因子

Table 5 Conversion factor between land use types in carbon emission target

根據文獻[21]的研究，得到不同土地利用類型代表的生態服務價值，如表6所示.

表6 生態服務價值目標中的地類價值因子

Table 6 Value factor of land use type in ecological service value target

2.3 蟻群算法參數設置

模型中蟻群算法的重要參數均為基本蟻群算法的參數，其取值與土地利用優化配置無關，本文根據多次試驗的模擬優化配置結果，參數設置如表7所示.

表7 蟻群算法參數設置

Table 7 Parameter setting of ant colony algorithm

2.4 結果與分析

在不同的多目標體系下進行土地利用優化配置，分別得到相應的優化配置解集，并選取解集中任一優化配置方案，與其他多目標體系下的優化方案做對比分析.

2.4.1 目標函數分析

在M1、M2、M3、M4四種不同的多目標體系優化配置方案下的各個目標函數的收斂情況如圖2所示.可知，在不同的多目標體系下，各個目標函數都能在迭代過程中逐步優化，在搜索初期優化速度較快，后期則較慢，如M4下的空間集聚目標，初期以較快的速度優化，在迭代30次后，優化速度明顯減慢，其土地適宜性目標也具有類似特點.

圖2 M1/M2/M3/M4中各目標函數的優化曲線Fig.2 Optimizing curves of all targets in M1/M2/M3/M4注 橫坐標為迭代次數，縱坐標為對應目標值.

不同的多目標體系下，各目標函數在優化過程中，對每次優化的貢獻不同，這是由蟻群搜索過程中隨機選擇待優化格網造成的.同時，不同的優化配置方案，收斂到最大值的迭代次數不同，在M1和M4中，基本都在第40次迭代時完成收斂，而在M2和M3中，則在第60次迭代時才完成收斂.另外，在不同的多目標體系下，即使目標相同，最終收斂到的最大值也不相同，如碳排放量目標，在M2和M4中，最后收斂到的最大值分別為0.044 3和0.025 6.

2.4.2 土地利用數量結構分析

在不同的多目標體系下進行優化配置，得到不同的土地利用類型轉換矩陣，如表8～11所示.

表8 M1中的土地利用類型轉換矩陣

Table 8 Transform matrix of land use types in M1

表9 M2中的土地利用類型轉換矩陣

Table 9 Transform matrix of land use types in M2

表10 M3中的土地利用類型轉換矩陣

Table 10 Transform matrix of land use types in M3

表11 M4中的土地利用類型轉換矩陣

Table 11 Transform matrix of land use types in M4

由以上4表可知，在M1中，耕地有明顯轉為建設用地和林地的趨勢，分別有984個土地單元的耕地被建設用地占用，另有436個耕地單元退耕還林.因此在基本多目標體系下，蕭山區土地利用優化配置，以建設用地占用耕地和退耕還林為主.M2的優化配置方案與M1非常類似，其中建設用地占用耕地的面積幾乎相同，但注意到加入碳排放量目標后，林地與耕地碳排放量的差異，使得M2中退耕還林趨勢比M1更明顯，整體上M2中林地比M1多90個單元.與M1相比，M3增加了生態服務價值目標，因此M3與M1的優化配置結果相比，建設用地占用耕地的趨勢在M3中被遏止，而且出現大規模退耕還林現象，因此M3中建設用地單元比M1減少了1 076個土地單元，而林地則比M1增加了726個單元.M4綜合了M2與M3的特點，注意到M4的優化配置結果與M3非常類似，但相對而言，M4的耕地面積比M3略多，而林地面積有少量減少.因此，M4與M1的差異中起主要作用的是生態服務價值目標，碳排放量目標起次要作用.

不同多目標體系下，土地利用優化結果與優化前土地利用結構對比，如表12所示.

表12 不同多目標體系優化后的土地利用結構對比

Table 12 Comparison of land use structures after different multi-objective system’s optimizing

由不同多目標體系下的優化結果與優化前的對比可知，整體上表現為耕地面積占用比例減少，林地和建設用地占用比例增加的趨勢，另外未利用地占用比例也有所減少，土地利用率有所提高.

注意到M1與M2、M3與M4中各地類比例相似，但兩者之間差異較大.其中M2與M1優化后的比例結構相似，與M1相比，M2的耕地比例較小，而林地和建設用地比例有所增加；而M3與M4優化后的比例結構相似，但M4中耕地和建設用地的比例比M3中有所增加，而林地比例有所下降.因此認為在擴展目標中，生態服務價值起主要作用，而碳排放量起次要作用，由M3與M4的差異可知，碳排放量目標對生態服務價值目標有一定的抑制作用.

綜上所述，在不同的多目標體系下，模型能對蕭山區的土地利用結構進行調整優化.

2.4.3 土地利用空間布局分析

對不同多目標體系下的土地利用優化結果進行土地景觀格局分析，分別從斑塊密度、景觀分離度指數和景觀形狀指數3個方面來評價優化配置結果的空間布局情況，如表13所示.

表13 不同多目標體系優化后的各地類景觀指數統計對比

Table 13 Comparison of landscape indices of land use types after different multi-objective system’s optimizing

由表13可知，在不同的多目標體系下，優化后的耕地、建設用地、林地在斑塊密度、分離度指數、形狀指數3個指標上整體呈明顯的減小趨勢，表明優化配置后耕地、建設用地和林地的斑塊形狀更加規則，零散度更小，在空間中更加集聚.因此，不同的多目標體系下的模型都可以改善蕭山區的土地利用狀況，使土地利用空間布局更加合理.

在M1和M2中，建設用地集聚效應更為明顯，體現了集約用地的要求，更有利于發揮土地的集聚效應，對經濟發展更加有利，M2中碳排放量目標的存在，使得M2更側重于發展和保護生態環境，而建設用地集聚程度較M1略小；在M3和M4中，更強調生態服務價值目標的作用，使得林地更加集聚，更有利于保護生態環境，改善區域的自然條件.

3 結論與討論

分析了土地利用優化配置中基本多目標的形式，將可能的目標分為3種基本類型，由此建立了可擴展的多目標體系，將其與蟻群算法結合，構建了基于可擴展多目標蟻群算法的土地利用優化配置模型，并選取杭州市蕭山區為研究區域，展開實例驗證.

試驗結果表明，基于可擴展多目標蟻群算法的土地利用優化配置模型能夠靈活地適應不同的多目標體系，對區域內的土地利用布局進行合理配置，提高區域內的土地利用率，促進土地的可持續發展.當前的模型將土地利用類型分為5類比較簡單，因此下一步研究要細化模型的土地利用類型，提供更精細的土地利用分類，提高模型的現實可靠性；另外，土地利用優化配置目標非常復雜，且相互之間并非線性關系，因此未來須對可擴展多目標體系中各個目標的權重策略進行深入研究，加強可擴展多目標體系對土地利用優化配置的指導作用.

[1] 高小永.基于多目標蟻群算法的土地利用優化配置[D].武漢： 武漢大學，2010.

GAO X Y.OptimizingLandUseAllocationBasedonMulti-ObjectiveAntColonyAlgorithm[D]. Wuhan： Wuhan University,2010.

[2] 劉彥隨，陳百明.中國可持續發展問題與土地利用/覆被變化研究[J].地理研究, 2002, 21(3)： 324-330.

LIU Y S, CHEN B M. The study framework of land use / cover change based on sustainable development in China[J].GeographicalResearch, 2002, 21(3)： 324-330.

[3] 張鴻輝，曾永年，譚榮，等.多智能體區域土地利用優化配置模型及其應用[J].地理學報, 2011, 66(7)： 972-984.

ZHANG H H, ZENG Y N, TAN R, et al. A model for regional land use optimization allocation based on multi-agent system and its application[J].ACTAGeographicaSinica, 2011, 66(7)： 972-984.

[4] 覃剛力，楊家本. 自適應調整信息素的蟻群算法[J].信息與控制，2002, 31(3)： 198-201.

QIN G L, YANG J B. An improved ant colony algorithm based on adaptively adjusting pheromone[J].InformationandControl, 2002, 31(3)： 198-201.

[5] COLORNI A, DORIGO M, MANIEZZO V. Distributed optimization by ant colonies[C]//Ecal91-EuropeanConferenceonArtificialLife. Paris： Elsevier Publishing, 1991： 134-142.

[6] DORIGO M. Ant colonies for the traveling salesman problem[J].Biosystems, 1997, 43(2)： 73-81.

[7] 劉建華，楊建國，劉華平，等.基于勢場蟻群算法的移動機器人全局路徑規劃方法[J].農業機械學報，2015, 46(9)： 18-27.

LIU J H, YANG J G, LIU H P, et al. Robot global path planning based on ant colony optimization with artificial potential field[J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 2015, 46(9)： 18-27.

[8] 李倩，張惠珍，CESAR B.帶投資約束P-中位問題的混合蟻群算法[J].計算機應用研究，2017, 33(6)： 1-7.

LI Q, ZHANG H Z, CESAR B. Hybrid ant colony algorithm for capacitated p-median problem with investment[J].ApplicationResearchofComputers, 2017, 33(6)： 1-7.

[9] 高晉凱，侯文，楊冰倩，等.基于蟻群算法的模糊C均值聚類的改進研究[J].現代雷達，2016, 38(11)： 30-34, 39.

GAO J K , HOU W, YANG B Q, et al. Improved fuzzy C-means clustering based on ant colony algorithm[J].ModernRadar, 2016, 38(11)： 30-34, 39.

[10] DAS B, SINGH A, PANDA S N, et al. Optimal land and water resources allocation policies for sustainable irrigated agriculture[J].LandUsePolicy, 2015, 42(42)： 527-537.

[11] 徐磊，董捷，張安錄.湖北省土地利用減碳增效系統仿真及結構優化研究[J].長江流域資源與環境，2016, 25(10)： 1528-1536.

XU L, DONG J, ZHANG A L. Study on simulation and structure optimization of land use carbon reduction and efficiency improvement system of Hubei province[J].ResourcesandEnvironmentintheYangtzeBasin, 2016, 25(10)： 1528-1536.

[12] 黃海.基于改進粒子群算法的低碳型土地利用結構優化——以重慶市為例[J].土壤通報，2014, 45(2)： 303-306.

HUANG H. Optimization of low-carbon land use structure based on improved particle swarm optimization algorithm： A case study in Chongqing municipality[J].ChineseJournalofSoilScience, 2014, 45(2)： 303-306.

[13] CHEN P Y, TUNG C P, LIN W C, et al. Spatial optimization procedure for land-use arrangement in a community based on a human comfort perspective[J].PaddyandWaterEnvironment, 2016, 14(1)： 71-83.

[14] 袁滿，劉耀林.基于多智能體遺傳算法的土地利用優化配置[J].農業工程學報，2014, 30(1)： 191-199.

YUAN M, LIU Y L. Land use optimization allocation based on multi-agent genetic algorithm[J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 2014, 30(1)： 191-199.

[15] LIU Y, LIU Y, PENG J, et al. Psola： A heuristic land-use allocation model using patch-level operations and knowledge-informed rules[J].PlosOne, 2016, 11(6)： e0157728.

[16] 劉艷芳.經濟地理學：原理、方法與應用[M]. 北京： 科學出版社，2006.

LIU Y F.EconomicGeography：Principles,MethodsandApplications[M]. Beijing： Science Press,2006.

[17] GOSS S, ARON S, DENEUBOURG J L, et al. Self-organized shortcuts in the Argentine ant[J].TheScienceofNature, 1989, 76(12)： 579-581.

[18] BIN A, MA S F, SHUO W. Land-use zoning in fast developing coastal area with ACO model for scenario decision-making[J].GeospatialInformation, 2015, 18(1)： 43-55.

[19] 李穎，黃賢金，甄峰. 江蘇省區域不同土地利用方式的碳排放效應分析[J].農業工程學報，2008, 24(S2)： 102-107.

LI Y, HUANG X J, ZHEN F. Effects of land use patterns on carbon emission in Jiangsu province[J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 2008, 24(S2)： 102-107.

[20] 周婷婷，毛春梅.我國土地利用與碳排放的關系研究[J].安徽農業科學，2012, 40(2)： 1175-1177.

ZHOU T T, MAO C M. Research on the relation between land use and carbon emissions in China[J].JournalofAnhuiAgriculturalSciences, 2012, 40(2)： 1175-1177.

[21] 謝高地，甄霖，魯春霞，等.一個基于專家知識的生態系統服務價值化方法[J].自然資源學報，2008, 23(5)： 911-919.

XIE G D, ZHEN L, LU C X, et al. Expert knowledge based valuation method of ecosystem services in China[J].JournalofNaturalResources, 2008, 23(5)： 911-919.

MO Zhiliang1,2, DU Zhenhong1,2, ZHANG Feng1,2, LIU Renyi1,2

(1.ZhejiangProvincialKeyLabofGIS,ZhejiangUniversity,Hangzhou310028,China; 2.DepartmentofGeographicInformationScience,ZhejiangUniversity,Hangzhou310027,China)

Landuseoptimizingallocationbasedonextensiblemulti-objectiveantcolonyalgorithm.Journal of Zhejiang University (Science Edition)，2017, 44(6): 649-659， 674

The traditional land use optimizing allocation model can’t flexibly response to the changing optimizing requirements under the realities, and can’t achieve the optimization of land use in spatial layout. This paper abstracts modeling based on the common optimizing targets, and establishes an extensible multi-objective system combining with the ant colony algorithm. Finally, a land use optimizing allocation model based on extensible multi-objective ant colony algorithm is constructed, making the land use optimizing allocation more flexible under the direction of different multi-objective systems, realizing the unification of land use optimizing allocation in structure and spatial layout, and providing a more practical reference for land use planning. The Xiaoshan district of Hangzhou is an area of good economic, social and ecological environment, which makes it a good choice of our study area to verify the model. The experimental results show that the model can reasonably allocate the land use layout of the study area under the guidance of multi-objective system, promote the sustainable development of regional land use, and give different optimization schemes for different multi-objective systems.

land use optimizing allocation; ant colony algorithm; extensible multi-objective system

2017-08-10.

國家自然科學基金資助項目(41471313,41101356)；浙江省科技攻關計劃項目(2013C33051)；國家海洋公益性行業科研專項(201505003-6，201305012)；國家科技基礎性工作專項(2012FY112300)；中央高校基本科研業務費專項資金資助項目(2016XZZX004-02).

莫致良(1990—)，ORCID： http： //orcid.org/0000-0001-7571-3425，男，碩士，主要從事國土資源地理信息系統基礎研究.

*通信作者，ORCID： http： //orcid.org/0000-0001-9449-0415，E-mail： duzhenhong@zju.edu.cn.

10.3785/j.issn.1008-9497.2017.06.003

P 208

A

1008-9497(2017)06-649-11