一种基于蚁群算法的土地整理项目选址方法与流程

技术特征：

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。