本发明涉及生态安全技术领域，具体为一种基于人工蜂群算法的城市土地生态安全空间探测模型。
背景技术：
城市边缘区是城市空间扩张的先导区，城市边缘区的蔓延和产生，是城市空间扩张的主要模式。城市边缘区作为城市生态系统与乡村生态系统的边缘交界地带，往往会产生系统边缘效应多种土地利用类型的转变与共存、城乡居民的混杂居住，城市与乡村的景观混合出现，是城市化最敏感、变化最大、最迅速的地方，但是如何定量描述和评价城市生态系统的边缘效应，还没有比较成熟的理论。
众所周知的现象，城市的形成发展与环境条件密切相关，其发展依赖于良好的自然环境，同时也深刻地影响着自然环境，方创琳、黄金川等学者发现城市化过程与生态环境存在交互耦合关系认为其耦合关系就是在城市化发展过程中，城市化与生态环境相互作用和相互影响非线性关系的总和。魏晓婕等学者提出利用灰色关联方法，对干旱区绿洲城市的城市化进程和生态环境响应的耦合关系进行评价与分析有学者提出了利用系统耦合与协调度的理论。
技术实现要素：
本实发明的目的在于提供一种基于人工蜂群算法的城市土地生态安全空间探测模型，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于人工蜂群算法的城市土地生态安全空间探测模型，包括人工蜂群算法、目标函数、模型结构设计，所述人工蜂群算法中的食物源的价值取决于很多因素，离蜂巢的距离、食物的丰度，食物获取的难易程度等，为简单起见，所述食物的“收益度”可被表达成一个单一的数值，在解决优化问题时，食物源表示空间范围各种可能的食物源，采蜜蜂与具体食物源联系在一起，食物源就是他们当前正在采集的食物源，它们携带食物源的信息，距离、方位以及食物的“收益度”，并与其它蜜蜂分享这种信息，待工蜂待工蜂正在寻找食物源，它们有两种类型，侦查蜂随机搜索蜂房周围的环境发现新的食物源，跟随蜂在蜂房等待，并且通过采蜜蜂分享的信息来寻找食物源。
优选的，所述人工蜂群算法中的待工蜂作为侦查蜂，然后由于内在动力或是外在原因开始在蜂房周围自发寻找食物源，所述待工蜂作为跟随蜂在舞蹈区观察舞蹈，从而被招募成为采蜜蜂。
优选的，所述目标函数的城市生态安全空间耦合协调度表示城市系统与生态环境的空间耦合作用，所述城市系统、生态环境的作用关系在城市化和半城市化地区表现比较强烈，城市生态安全综合评价因子表示对城市生态安全的空间适宜性评价，建立目标函数如下；
fns(i，j)＝wwarer(1-dminwarer(i，j)+wslope(i，j)+wrown(1-dminrown(i，j)(1-dminroad)
式中，表示自然与社会综合影响因子、距重要水源最近距离、距城镇中心的距离、距主要道路的距离、坡度，
式中，表示生态安全空间耦合协调度，耦合协调度计算由式4给出，利用城市特征和生态适宜性因子计算获得；
当au(i，j)≥eco(i，j)时，目标函数如下：
式中，f为目标函数，w、w默认为w、w各取0.5，n表示引导蜂的种群空间，通过目标函数获得引导蜂群的最大平均值。
优选的，所述蜜蜂的角色分为引领蜂、侦查蜂和跟随蜂，根据蜜蜂种类定义蜜蜂结构类型数组，每一个蜜蜂元素中，分别存储坐标值、蜜蜂收益值、蜜蜂种类、最大引导次数等信息，在基本算法中，一般规定侦查蜂的数量为1，为便于更好的栅格空间搜索，模型规定蜜蜂的分工比例如下：引领蜂为总量的50％，侦查蜂为总量的20％，剩余为跟随蜂。
优选的，所述模型结构设计中通过建立禁忌数组和角色禁忌矩阵，确定了每只蜜蜂的角色和位置，不同的蜜蜂角色的规定了不同蜜蜂行动规则，在角色禁忌矩阵的控制下，有效实现蜂群的群体智能行为，禁忌表的长度由蜜蜂种群大小决定，表中的一条记录存储了一支蜜蜂的位置和角色，表示该位置已经变这支蜜蜂所占据。
优选的，一种基于人工蜂群算法的城市土地生态安全空间探测模型的使用方法，其特征在于：包括以下步骤：
a、初始化蜂群种群，分配不同角色蜜蜂数量，构造蜜蜂禁忌表和蜜蜂角色禁忌矩阵。
b、初始化蜜蜂收益值，按照收益值大小排名分配角色。
c、循环次数。
d、蜜蜂数目。
e、采蜜蜂去原栅格位置的附近寻找新蜜源，如果收益值低于原栅格位置的收益值，那么还回到原来的位置，当采蜜蜂的，那么采蜜蜂重新变成侦查蜂的模式随机搜索栅格位置。
f、依次更新采蜜蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
g、根据状态转移概率公式选择的栅格位置，采用采用贪婪算法选择最佳栅格位置，并获取收益值。
h、依次更新跟随蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
i、侦查蜂随机搜索栅格位置，并获取收益值。
j、依次更新侦查蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
k、如果蜜蜂总量，跳转至第四步，否则执行第十二步。
l、根据蜜蜂的收益值大小进行排序，分配蜜蜂角色。
m、计算当前目标函数值，并更新蜜蜂共享信息池。
n、如果满足结束条件，即循环次数，刚循环结束，并输出蜜蜂在地理空间优化结果，否则，跳转至第三步得到满足结束条件。
与现有技术相比，本发明的有益效果是：
(1)目标函数收敛非常快，由于采用了引领限制机制，函数曲线出现了周期性的振荡，且第一次振荡非常明显，这是由于模型迭代到次时，大多数的引导蜂都改成侦查蜂行为模式，因此，引起了函数曲线的明显振荡，而随着模型继续运行迭代，更多的蜜蜂都曾担任过引导蜂的角色，因此，在下一个周期来临时，振荡会逐渐减小，蜂群在迭代初始很容易陷入了局部最优，模型采用了引领限制机制，因此，蜜蜂能够迅速脱离局部最优解，引导蜂占据了最优位置，而跟随蜂在引导蜂的周围占据次优位置，侦查蜂在栅格空间不断的进行随机搜索，持续保持了蜂群的多样性。
附图说明
图1为本发明的模型计算流程图。
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做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。
请参阅图1，本发明提供一种技术方案：一种基于人工蜂群算法的城市生态安全空间探测模型，包括人工蜂群算法、目标函数、模型结构设计，所述人工蜂群算法中的食物源的价值取决于很多因素，离蜂巢的距离、食物的丰度，食物获取的难易程度等，为简单起见，所述食物的“收益度”可被表达成一个单一的数值，在解决优化问题时，食物源表示空间范围各种可能的食物源，采蜜蜂采蜜蜂与具体食物源联系在一起，食物源就是他们当前正在采集的食物源，它们携带食物源的信息，距离、方位以及食物的“收益度”，并与其它蜜蜂分享这种信息，待工蜂待工蜂正在寻找食物源，它们有两种类型，侦查蜂随机搜索蜂房周围的环境发现新的食物源，跟随蜂在蜂房等待，并且通过采蜜蜂分享的信息来寻找食物源。
人工蜂群算法中的待工蜂作为侦查蜂，然后由于内在动力或是外在原因开始在蜂房周围自发寻找食物源，所述待工蜂作为跟随蜂在舞蹈区观察舞蹈，从而被招募成为采蜜蜂。
目标函数的城市生态安全空间耦合协调度表示城市系统与生态环境的空间耦合作用，所述城市系统、生态环境的作用关系在城市化和半城市化地区表现比较强烈，城市生态安全综合评价因子表示对城市生态安全的空间适宜性评价，建立目标函数如下：
fns(i，j)＝wwarer(1-dminwarer(i，j)+wslope(i，j)+wrown(1-dminrown(i，j)(1-dminroad)
式中，表示自然与社会综合影响因子、距重要水源最近距离、距城镇中心的距离、距主要道路的距离、坡度，
式中，表示生态安全空间耦合协调度，耦合协调度计算由式4给出，利用城市特征和生态适宜性因子计算获得；
当au(i，j)≥eco(i，j)时，目标函数如下：
式中，f为目标函数，w、w默认为w、w各取0.5，n表示引导蜂的种群空间，通过目标函数获得引导蜂群的最大平均值。
蜜蜂的角色分为引领蜂、侦查蜂和跟随蜂，根据蜜蜂种类定义蜜蜂结构类型数组，每一个蜜蜂元素中，分别存储坐标值、蜜蜂收益值、蜜蜂种类、最大引导次数等信息，在基本算法中，一般规定侦查蜂的数量为1，为便于更好的栅格空间搜索，模型规定蜜蜂的分工比例如下：引领蜂为总量的50％，侦查蜂为总量的20％，剩余为跟随蜂。
在模型结构设计中通过建立禁忌数组和角色禁忌矩阵，确定了每只蜜蜂的角色和位置，不同的蜜蜂角色的规定了不同蜜蜂行动规则，在角色禁忌矩阵的控制下，有效实现蜂群的群体智能行为，禁忌表的长度由蜜蜂种群大小决定，表中的一条记录存储了一支蜜蜂的位置和角色，表示该位置已经变这支蜜蜂所占据。
一种基于人工蜂群算法的城市土地生态安全空间探测模型的使用方法，其特征在于：包括以下步骤：
a、初始化蜂群种群，分配不同角色蜜蜂数量，构造蜜蜂禁忌表和蜜蜂角色禁忌矩阵。
b、初始化蜜蜂收益值，按照收益值大小排名分配角色。
c、循环次数。
d、蜜蜂数目。
e、采蜜蜂去原栅格位置的附近寻找新蜜源，如果收益值低于原栅格位置的收益值，那么还回到原来的位置，当采蜜蜂的，那么采蜜蜂重新变成侦查蜂的模式随机搜索栅格位置。
f、依次更新采蜜蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
g、根据状态转移概率公式选择的栅格位置，采用采用贪婪算法选择最佳栅格位置，并获取收益值。
h、依次更新跟随蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
i、侦查蜂随机搜索栅格位置，并获取收益值。
j、依次更新侦查蜂的禁忌表、角色禁忌矩阵和蜜蜂对象数组。
k、如果蜜蜂总量，跳转至第四步，否则执行第十二步。
l、根据蜜蜂的收益值大小进行排序，分配蜜蜂角色。
m、计算当前目标函数值，并更新蜜蜂共享信息池。
n、如果满足结束条件，即循环次数，刚循环结束，并输出蜜蜂在地理空间优化结果，否则，跳转至第三步得到满足结束条件。
与现有技术相比，本发明的有益效果是：
(1)目标函数收敛非常快，由于采用了引领限制机制，函数曲线出现了周期性的振荡，且第一次振荡非常明显，这是由于模型迭代到次时，大多数的引导蜂都改成侦查蜂行为模式，因此，引起了函数曲线的明显振荡，而随着模型继续运行迭代，更多的蜜蜂都曾担任过引导蜂的角色，因此，在下一个周期来临时，振荡会逐渐减小，蜂群在迭代初始很容易陷入了局部最优，模型采用了引领限制机制，因此，蜜蜂能够迅速脱离局部最优解，引导蜂占据了最优位置，而跟随蜂在引导蜂的周围占据次优位置，侦查蜂在栅格空间不断的进行随机搜索，持续保持了蜂群的多样性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。