1058 中南大学学报(自然科学版) 第42卷
目前土地利用类型为ej的单元j的用途被更改为m时，
xjejm为1，否则为0；当单元j的土地利用类型发生
1.2.2 智能体进化算子
设计邻域竞争算子、邻域交叉算子、变异算子、智能体自学习算子共4种智能体进化算子实现智能体之间的竞争、合作、自学习等相互作用行为，模拟智能体的进化过程，从而实现土地利用空间优化配置。在此过程中，Agent主要通过影响与其存在互动关系的Agent的土地利用空间决策参数，从而影响其适应度。为计算方便，用式(9)表示Agent结构的主要属性，并以该形式将其输入智能体进化算子参与计算，其他诸如类型、决策变量、适应度等属性则以附加属性的形式输入算子，不参与具体计算，但适应度将随决策参数的变化而变化。
Li,j=(l1,l2,",ln) (9)
变更时，xik为1，否则为0[12]。
目标(1)和(2)属于资源节约型目标。目标(1)是使新开发区域与已开发区域的空间距离最小化，以避免低密度、粗放型的土地利用方式，促进土地集约利用、提高土地利用效率；目标(2)是使因用地单元用途变更而产生的总费用最小化，以节约土地开发成本；目标(3)属于环境友好型目标，它是使单元j与其邻域内的其他单元之间的环境不兼容性最小化，以促进环境友好的土地利用模式的形成；约束(4)和(5)保障只有1种土地利用类型被分配给单元j；约束(6)为用地连通性和紧凑性约束，该约束通过确保新增城市用地单元j的邻域内已开发用地单元个数不得小于临界值b，而迫使新增城市用地通过填充城市内部未开发土地的方式扩展，避免新增城市用地无限制地往外扩展；约束(7)使得土地利用类型l和m既可以占用未开发的单元，也可以占用已开发的单元。 1.2 模型算法
参考文献[13 14]，在结合多智能体系统与遗传算法各自优点的多智能体遗传算法的基础上，设计了应用于土地利用空间优化配置的多智能体遗传进化算法。该算法将遗传算法中的每一个体当作有协作能力的Agent，每个Agent都具有一定的能量和行为，所有Agent都分布在上文所描述的规模为n×n的二维土地利用空间网格上，每个Agent占据1个格点位置。它通过与邻域中Agent之间的竞争、合作以及自学习来提高自身的适应能力，被Agent占据的土地利用网格将随分布于其上的Agent类型的改变而变更其土地利用状态。 1.2.1 智能体结构
本研究中的智能体(Agent)理解为可以感知和反作用于土地利用环境的实体。在土地利用空间优化配置多智能体遗传进化算法中，Agent结构对算法的功能影响很大，各种Agent的复杂性、适应性、智能都要通过Agent的结构、规则、行为、智能度来体现。根据Agent进行土地利用空间决策的特点，用一个四元属性组描述Agent的结构，具体定义如下： Agent=<类型，决策变量，决策参数，适应度> (8) 式中：类型指参与土地利用空间决策的各类Agent，如居民、企业主等；决策变量与决策参数分别代表Agent进行土地利用空间决策过程中所选择的决策因素以及各因素对应的权重；适应度反映Agent在土地利用空间决策过程中的适应能力，其值决定Agent在决策过程中的竞争力。
式中：Li,j为分布于土地利用网格(i，j)处的Agent；li(i=1，2，…，n)代表Agent所选择的决策变量对应的决策参数；n为决策变量的个数。由于不同类型的Agent决策变量的量纲不一致，在输入算子前，需采用隶属函数对其进行标准化处理，本文采用级差标准化法(式(10))将标准化数据压缩到闭区间[0，1]。
li=
li lmin
(10)
lmax lmin
(1) 邻域竞争算子。该算子利用邻域信息实现Agent之间的竞争。设算子作用智能体
Li,j=(l1,l2,",ln)上, maxi,j=(m1,m2,",mn)为Li,j
邻域内适应度最大的智能体(其中，li和mi(i=1，2，…，n)均为智能体决策参数)，若Li,j比maxi,j的适应度大,则可继续存活在网格上；否则必须死亡，空出的格点被maxi,j占据。若Li,j与maxi,j类型相同，则maxi,j按式e2，…，(11)产生1个与其同类型的新智能体Newi,j=(e1，en)放在空出的格点上；若Li,j与maxi,j类型不同，则先按式(12)将maxi,j映射到区间[0，1]上，然后，根据式(13)确定Newi,j'=(e1',e2',",en')，最后，根据式(14)将Newi,j'映射回区间[k,xk]上以得到Newi,j。 k, 当mk+U( 1,1)×(mk lk) ≤xk时
搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新教学研究多目标土地利用空间优化配置模型及其应用_张鸿辉(4)全文阅读和word下载服务。
相关推荐：
淡若清风