本发明涉及土地开发或规则方法技术领域，尤其涉及使用优化模型的土地再开发规划方法。
背景技术：
土地利用布局是指不同土地利用类型在空间上的分布形态，是土地利用规划空间管制的重要依据，其合理性与科学性关系到规划能否顺利实施与规划目标实现。土地利用布局优化是指在不同用地类型的数量约束下通过调整各用地类型的空间位置，而实现土地利用综合效益最大化。同一空间单元对不同用地类型有不同适宜度大小，土地利用布局优化的根本目的是把各用地类型配置到其适宜度高的空间单元。
参照土地利用结构优化的概念，将土地利用功能优化定义为：土地利用功能优化是为了达到一定的生态经济最优目标，依据土地资源的自身特性和土地适宜性评价，从土地利用的机构、功能、布局和强度等方面，对土地的居住、生产、休憩和交通等功能进行数量配置和空间布局，以提高土地利用效率和效益，维持土地生态系统的相对平衡，实现土地资源的可持续利用。
城市存量土地的再开发是建立在城市初始开发的基础上，通过一定的手段对城市原有的用地类型、结构、功能和布局等进行置换升级，挖掘城市土地内在的潜力，提高土地的利用效益以及土地的经济、社会或环境效益。根据土地利用功能优化的概念以及城市存量土地再开发的特点，城市存量土地再开发单元功能优化即为：在城市已有土地开发的基础上，依据土地节约集约利用的要求和效益最大化的目标，根据城市土地资源自身的特性和土地适宜性评价，遵循国民经济和社会发展规划、城市规划、土地利用总体地规划，通过一定的科学技术和管理方法，对城市内利用效率低下，结构不合理，功能不健全的存量土地再开发单元从空间进行物质替换和功能变更，从原有土地的用地类型、结构、功能和布局等进行置换升级，挖掘土地内在潜力，提高土地的利用率以及土地的经济、社会或环境效益，实现土地资源的可持续利用。
城市再开发单元功能优化的目标是通过再开发单元的经济效益、社会效益、生态效益等方面的提高，实现城市再开发单元的统筹协调、集约高效、生态文明、安全宜居和传承共享。
目前，国内外很多学者对土地利用资源优化方法进行了研究，分别从理论原则、模型构建、算法优化和GIS应用等方面，结合系统动力学、景观生态学和GIS地学分析等相关学科，对土地利用资源优化配置进行了探索性研究。
城市存量土地再开发规划时，会面临多目标优化问题，多目标优化包含若干个优化目标和约束限制条件，这些优化目标可以同时被最小化、最大化或二者皆有。至于约束条件就更加灵活了，可以根据具体问题具体需要来设置。一般的，多目标优化问题可以有m个变量参数，n个目标函数和k个约束条件构成，其数学定义形式如下：
max或minF(x)＝[f1(x),f2(x),...,fn(x)]
G(x)＝(g1(x),g2(x),...,gp(x)),p＝1,2,...,P
H(x)＝(h1(x),h2(x),...,hq(x)),q＝1,2,...,Q
x∈Ω
其中，x＝(x1,x2,...,xm)T，x为决策向量，表示M表示变量个数；F(x)表示目标函数，N表示目标函数个数；G(x)表示约束条件，P表示约束条件个数；Ω是决策空间，是由决策向量构成的。
以最小化多目标问题为例(即所有的优化目标都最小化)，说明MAXMIN方法的计算公式：
其中，表示最小化问题中第i个解的适应度；为第i个解的第m个目标值；和分别表示所有解中第m个目标的最大值和最小值。p为参数，p值越大，则适应度值的区分度越高。因此适应度值也被限制在0到正无穷的范围内，适应度值为1是一个临界点。如果解s的所有目标值都比另外一个解的差，则这个解的适应度值小于1，也被成为统治解或非pareto解；否则，如果不存在一个解在所有目标值上都由于解s，则s的适应度值会大于或等于1，这样的解被成为非统治解或pareto解。
然而原始版本的MAXMIN适应度计算方法不是万能、通用的方法，只适用于求解最小化多目标的问题，实际应用中所面临的多目标优化问题还有最大化多目标问题和最大化最小化共存的多目标优化问题。为解决此问题，适应度计算方法首次进行修改：
其中，为最大化多目标问题的适应度，改变了原始算法中的min操作算子中分子中两个变量的顺序，即由计算时的变为计算时的也可以说改变了计算某个解与其他解之间整体距离的方法。
上述算法只针对某一特定类型优化问题而提出或修改，及所有目标全部最大化或最小化。但在该算法不能解决同一个优化问题中，一部分优化目标要求最小化，另一部分优化目标要求最大化的情况。
多目标优化问题解是多样性，导致这类问题不易求解，解的个数也不是唯一的，而是一个由一系列称为“非统治解”的优化解构成的集合，也被称为Pareto集。由Pareto集构成的曲线或曲面被称为Pareto前沿是确定的。优化的过程就是一个不断的让由当前Pareto解构成的Pareto前沿逼近最优Pareto前沿的过程。
现有技术中，
比较典型的多目标解优化评价有：
(1)加权求和法
加权求和法的基本原理是将多个目标线性组合从而转化为一个单目标优化问题，通过比较转化后的目标值来判断解的优劣。
(2)目标排序法
在目标排序法中，决策者根据已有的先验知识，按照各个优化目标的重要程度进行排序，然后根据排序结果，分别对比不同解中相应的优化目标的大小，最终得出每个优化的优劣，并可以按照优劣程度排序。
(3)ε-约束法
ε-约束法的原理是先对多个优化目标中最重要的一个进行优化，其他的目标作为约束条件来处理，以此类推，把每个优化目标都作为单一目标进行优化。这样就把多目标问题转化为一个单目标优化问题。
(4)目标规划法
目标规划法的基本思想是在一定的约束条件下完成一组包含不同优先级的可能是互相矛盾的目标，它必须根据求解问题的情况先给出每个目标所期望获得的目标值，这些值将作为附加的约束条件加入到原问题中。因此，原问题就将转化为求优化目标与事先期望的目标值之间的绝对偏差最小的问题。
智能算法主要集中于三个方面：一是传统智能算法，代表性的算法如模拟退火算法和人工神经网络；二是进化算法，代表性的算法为遗传算法；三是群体智能算法，代表性的算法为蚁群优化算法和粒子群优化算法。这些算法共同的特点为“以精度换时间”。对于复杂的组合优化问题来说，可行域范围内解的个数是一个天文数字，穷举法几乎是不可能的，智能优化算法可以在有限的或可以容忍的时间范围内，在可行域内搜索出全局近似最优解也是可以接受的，基于这种策略，智能优化算法能很快发现接近全局最优解的近似最优解。
蚁群优化算法是一种随机方法，其运算的过程实际是通过人工蚂蚁不断迭代来进行优化。由于一群优化算法固有的随机性特点，其在可行域内搜索最优解的过程有时会很慢，甚至出现不收敛的情况。经证明在一定条件下，蚁群优化算法可以收敛到最优解的。
蚁群算法已经发展出了很多改进型的变种，但是蚁群算法的框架并没有因此变化太大。所有的蚁群优化算法仍然都是迭代算法，在信息素的作用下，通过人工不断的循环来搜索最优解。
蚁群算法中的多个步骤中一般必须包含的主要有三个过程，即初始化信息素及相关参数，蚂蚁构建解，评价解质量和更新信息素。
(1)初始化信息素及参数
利用贪婪搜索算法或统计学原理对信息素矩阵进行初始化，相关参数则根据实验结果或一般经验值来设定。设定信息素初始值和参数的好坏直接影响着算法的优化速度和结果。有实验表明，好的参数设置能够保持算法的额平衡性，使算法不会把搜索范围收缩得更窄，从而陷入停滞状态，也不会使搜索过程缺乏足够的引力，从而导致过量搜索工作的出现。
(2)构建解
蚂蚁构建解是通过使蚂蚁移动到合适的临邻接近点，从而使一群蚂蚁并行异步的访问问题的临近状态。经过不断的循环和累计作用，最终每只人工蚂蚁都代表着一个完整的解。在这个过程中蚂蚁根据信息素浓度和启发式信息，采用一个随机局部决策方法选择移动的下一步，这个决策方法又叫做转移概率。
(3)评价解
由于蚁群算法是一种迭代式算法，在每次迭代之后的信息素更新过程中，要根据每只蚂蚁所代表的解的质量来决定释放信息素的多少。所以，客观准确的对每个解进行评价，直接影响到了算法的搜索方向和收敛速度。对单目标优化问题来说，可以用目标值来直接衡量解的优劣。但对于多目标优化问题来说，就需要通过一定的多目标评价方法对每个解进行评估，最后根据评估结果做适当的操作。
(4)更新信息素
更新信息素就是修改信息素浓度的过程。信息素的浓度可能会因为蚂蚁在点或连接的边上释放信息素而增加，也可能会由于信息素蒸发而减少。从实际的角度看，释放新的信息素增加了蚂蚁访问某个点的概率，这些点有可能已经有很多蚂蚁访问过，或者至少有一个蚂蚁访问过，并产生了好的解从而会吸引以后的蚂蚁重新访问。相反的过程是信息素的蒸发，它起着遗忘的作用，可以避免算法朝着一个并非最佳的解区域过早收敛，从而使得算法有更多的机会探索解空间中的新区域，使解多样化。信息素的更新时机和更新方式根据具体算法的不同而不同。
蚁群优化算法较原始的蚁群算法有三个方面的改进，一是蚁群在构建解时的选择概率更距积极性，能够更好的利用先前蚂蚁所积累的先验知识进行搜索，提高正反馈效率；二是信息更新规则得到了改进，即全局信息素更新；三是蚂蚁每前进一步，立刻在刚经过的路径上额外释放信息素，及局部信息素更新。
现有技术中的多目标方法多是通过赋予一定的权重，把多目标值转换为单目标值，转换后的单一目标值是增加了个人的偏好后形成的，不能客观的反映出改解的整体质量，而且权重的量化几乎完全凭借个人的偏向、喜好和经验。
现有技术中的多目标方法多是通过赋予一定的权重，把多目标值转换为单目标值，转换后的单一目标值是增加了个人的偏好后形成的，不能客观的反映出改解的整体质量，而且权重的量化几乎完全凭借个人的偏向、喜好和经验。现有技术中的蚁群优化算法相对原始蚂蚁算法已经有了改进，但应用在解决土地利用优化领域的研究却十分匮乏。
技术实现要素：
为了解决现有技术中将多目标值转换为单目标值导致的不能客观反映出改解的整体质量的问题，本发明提供了一种使用蚁群多目标布局优化模型的土地再开发规划方法。
本发明提供了一种使用蚁群多目标布局优化模型的土地再开发规划方法，包括：
设置多个优化目标和约束限制条件；
初始化算法参数，所述算法参数包括：迭代次数，蚂蚁数量，每个蚂蚁的信息素立方体；
初始化预设区域内的土地利用情况即初始化预设区域内各地块的土地利用类型；
进行所述迭代次数的迭代，每次迭代的过程包括：构建解，进行解评价，根据解的评价结果进行信息素更新；
迭代过程结束后，根据累积的信息素立方体确定预设区域内各地块的新的土地利用类型。
上述方法还具有以下特点：
所述信息素立方体中包括多层，所述信息素立方体包括的层次与迭代次数的值相同；每一层包括相同个数的多个栅格，每一层的栅格分布结构均相同，每一层中各栅格与地块的位置相对应。
上述方法还具有以下特点：
所述优化目标包括以下目标中的至少一个：统筹协调目标、集约目标、生态文明目标、安全宜居目标、空间优化目标；其中，统筹协调目标包括土地利用信息熵最大化；所述集约高效目标包括：经济效益最大化；所述生态文明目标包括：生态系统服务价值最大化；所述安全宜居目标包括：土地利用兼容性最大化；所述空间优化目标包括：空间紧凑度最小化和空间连接度最大化；
所述约束限制条件包括以下条件中的至少一种：基本约束条件、土地功能约束条件、空间约束条件；其中，所述基本约束条件包括：土地总面积约束、各类土地利用类型的面积限制；所述空间约束条件包括：每个栅格单元在同一时间内只能被一种土地利用类型所覆盖、每个栅格单元内的土地利用类型在优化前后或者保持不变或者只能转换成另外一种土地利用类型。
上述方法还具有以下特点：
所述进行解评价时使用混合适应度计算方法，根据以下公式计算各个解的适应度：
其中，
第k个优化目标需要最小化时，i'＝i,j'＝j；
第k个优化目标需要最大化时，i'＝j,j'＝i；
是指为第i′个解的第k个目标值，即第i′只蚂蚁达成第k个目标释放的信息素量；和分别表示所有解中第k个目标的最大值和最小值。
上述方法还具有以下特点：
在构建解时使用下述公式计算信息素增量：
其中，Δτk表示第k只蚂蚁在一次迭代后所释放的信息素量，fitnessk为第k只蚂蚁的混合适应度值，gencur表示当前迭代次数。
上述方法还具有以下特点：
在迭代过程中，蚂蚁每改变一个栅格地块的土地利用类型，都将立刻调用局部信息素更新规则更新该栅格所对应的信息素立方体中相应的信息素值，具体的，使用下述公式进行更新：
其中，k表示蚂蚁将栅格地块(i，j)上的土地利用类型转换为的土地利用类型；表示信息素立方体中栅格地块(i，j，k)所对应的信息素值；ξ为参考值，为局部更新时的蒸发率；N表示候选土地利用类型数。
上述方法还具有以下特点：
迭代过程结束后，根据以下方式进行全局更新：
其中，u表示栅格地块(i，j)上的土地利用类型，表示信息素立方体中方格(i，j，k)所对应的信息素值；ρ为全局信息素蒸发率；U表示候选土地利用类型数；fitnessbs至今为最优蚂蚁的混合适应度值；gencur为当前迭代次数；T表示在每次迭代后取前T个适应度值最大的蚂蚁对信息素立方体进行更新；fitnessi为当前迭代次数中第i个最大的适应度值。
上述方法还具有以下特点：
所述根据解的评价结果进行信息素更新后还包括优化步骤，具体包括：
在研究区域内随机选定一个子块，此子块中包含多行多列的栅格地块，根据该子块内每种土地利用类型面积与模型约束条件中面积的比例关系，根据下式计算类型转移概率：
其中，TPi为block内第i种土地利用类型的转移概率，在不同时期，TPi的转移概率不一样；Areai为整个研究区域内第i种土地利用类型的面积；为约束条件中规定的第i种土地利用类型面积的下限；N为研究区域内土地利用类型数；
将具有最大TP值的土地类型转换为具有最小TP值的类型。
现有技术中的多目标方法多是通过赋予一定的权重，把多目标值转换为单目标值，转换后的单一目标值是增加了个人的偏好后形成的，不能客观的反映出改解的整体质量，而且权重的量化几乎完全凭借个人的偏向、喜好和经验。因此如何平衡各个优化目标之间的关系，是评价解优劣的关键。本发明采用MAXMIN多目标解评价方法即混合多目标解评价方法，能够把所有目标作为一个整体来考虑，能够不带有主管因素的平衡各目标值，挖掘多目标解的本质特征。
传统土地利用优化主要强调类型数量的优化，本发明增加了空间优化目标和对时间序列优化的考虑，填补了以往土地优化模型的不足。本发明具有以下优点：
1、建立城市土地利用时空优化模型，从统筹协调、集约高效、生态文明、安全宜居、空间优化等方面建立城市存量土地再开发规划多目标集，增加了空间优化目标和对时间序列优化的考虑，填补了以往土地优化模型的不足。
2、本发明采用MAXMIN多目标解评价方法，能够把所有目标作为一个整体来考虑，能够不带有主管因素的平衡个目标值，挖掘多目标解的本质特征。本发明的hybrid MAXMIN方法不只针对某一特定类型优化问题而提出或修改，不局限于所有目标全部最大化或最小化，能解决同一个优化问题中，一部分优化目标要求最小化，另一部分优化目标要求最大化的情况。
3、从构建解的流程、信息素定义、信息素更新规则、信息素增量定义、优化算子等方面进行改进，优化了土地利用优化模型。信息素被定义成“三维”的，称为信息素立方体。
4、本发明的信息素更新规则表现为，在蚁群优化算法包括了全局信息更新和局部信息素更新两个过程。
5、优化算子方面，针对土地利用类型的块状变化方式，设计出block-filter优化算子。在解构建方面，人工蚂蚁主要依靠优化算子，最终解称为信息素累积解，信息素最终解是根据信息素立方体得到的，与最后一次迭代的解相比，具有更大的适应度值，整体上优于其他解。
6、在算法初始化上，对于土地利用优化问题来说，AP-ACS算法的初始解就是当前土地利用情况，算法执行前，每只蚂蚁都记录一份当前土地利用情况的副本，而不是经过初始化后的解，每只蚂蚁的起始点是一样的。在进入算法后，直接利用优化算子对土地利用情况进行优化，避免了在随机初始化过程中对土地利用现状的不合理规划。
7、在解构建上，AP-ACS算法建立了专门的优化算子为人工蚂蚁提供优化功能，而不是依靠信息素的正反馈机制构建解，所以每只蚂蚁在构建解时是不依靠信息素而是相对独立完成的一个解的构建。
8、在最优规划结果生成上，AP-ACS算法中，由于人工蚂蚁在构建解时主要依靠优化算子，而不是信息素的累积结果，所以导致AP-ACS算法的最终解由两个部分构成，一部分是最后一次迭代后每只蚂蚁所代表的解，这部分解的个数就是蚂蚁的个数；而另一部分是一个直接根据信息素立方体构建出来的，在本发明中这个解被称为信息素累积解。由信息素立方体产生的信息素累积解与最后一次迭代的解相比，具有更大的适应度值，在整体上要优于其他解。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明中使用蚁群多目标布局优化模型的土地再开发规划方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明从解构建机理这个角度对ACS算法进行改进。体现在两个方面：
a、传统组合优化问题一般是“零起点”的，也就是说蚁群算法在初始化解时是没有任何参考的，初始化解的过程就是有一个从无到有的随机构建过程。而对于土地利用优化问题来说，却不是这样，因为优化的起点就是土地利用现状本身，所以初始化解的过程是可以省略的；
b、针对传统组合问题的蚁群算法的停止条件一般是以算法收敛为标准，即某个或某几个优化目标达到一定值后趋于稳定时。而在土地利用优化中，优化目标的值会随着土地利用情况不断的变化而变化，能使其达到收敛的唯一状态就是研究区域内只有一种土地利用类型。然而，这种情况在实际中是不可能发生的。所以，解决土地利用优化的蚁群算法的终止条件不能以收敛为标准。
本发明中使用蚁群多目标布局优化模型的土地再开发规划方法包括：
步骤101，设置多个优化目标和约束限制条件；
步骤102，初始化算法参数，所述算法参数包括：迭代次数，蚂蚁数量，每个蚂蚁的信息素立方体；
步骤103，初始化预设区域内的土地利用情况即初始化预设区域内各地块的土地利用类型；
步骤104，进行所述迭代次数的迭代，每次迭代的过程包括：构建解，进行解评价，根据解的评价结果进行信息素更新；
步骤105，迭代过程结束后，根据累积的信息素立方体确定预设区域内各地块的新的土地利用类型。
下面详细说明本发明的方法。
步骤101中，目标包括以下目标中的至少一个：统筹协调目标、集约目标、生态文明目标、安全宜居目标、空间优化目标。典型的可以包括此5个目标。
其中，
统筹协调目标包括以下子函数：土地利用信息熵最大化。土地利用信息熵最大化的意义为：优化单元的土地利用信息熵值越大，土地利用系统的有序程度就越高，结构性越强。计算方法为：Pu＝au/S，其中S为优化单元的总面积，au为第u种土地利用类型的面积。
集约高效目标包括以下子函数：经济效益最大化。经济效益最大化的意义为：通过功能优化配置实现各类土地利用的经济产出的最大化。计算方法为：其中eu第u种土地利用类型人均经济产出效益系数，以土地利用类型的平均地价代替。
生态文明目标包括以下子函数：生态系统服务价值最大化。生态系统服务价值最大化的意义为：优化单元内的生态文明程度最大化。计算方法为：其中S为第u种土地利用类型生态系统服务价值系数。
安全宜居目标包括以下子函数：土地利用兼容性最大化。土地利用兼容性最大化的意义为：考虑相邻地块土地利用类型之间的用途、功能环境等兼容性问题。计算方法为：compatibleij为土地利用兼容度。
空间优化目标包括以下子函数：空间紧凑度最小化和空间连接度最大化。
空间紧凑度最小化的意义为：反映出城市建设用地空间分布的紧凑程度的大小，鼓励具有相同土地利用类型的地块聚集在一起。计算方法为：其中Zuj表示土地利用类型为u的地块i和地块j的面积。
空间连接度最大化的意义为研究区域内拥有相同土地利用类型的地块能够相邻或连通。计算方法为：
步骤101中，约束限制条件包括以下条件中的至少一种：基本约束条件、土地功能约束条件、空间约束条件。
基本约束条件包括：土地总面积约束、各类土地利用类型的面积限制。
优化后以商住/居住为主的功能优化单元中，
居住用地≥70％(优化单元)
商业服务业设施用地≥5％(社区)
公共管理与公共服务设施用地≥10％(社区)
公共设施用地≥10％(社区)
绿地与广场用地≥20％(社区)。
优化后土地利用类型的面积限制举例如下：
工业用地≥70％(优化单元)
商业服务业设施用地≥5％(社区)
公共管理与公共服务设施用地≥10％(社区)
公共设施用地≥10％(社区)
绿地与广场用地≥20％(社区)。
土地功能约束条件包括：禁止建设区、生态约束(生态控制绿线线)、水源保护区(城市蓝线)、历史文化保护(城市紫线)、重大危险设施管控区(城市黄线)。
空间约束条件包括：每个栅格单元在同一时间内只能被一种土地利用类型所覆盖、每个栅格单元内的土地利用类型在优化前后或者保持不变或者只能转换成另外一种土地利用类型。
在步骤102中使用信息素立方体。对于传统的组合优化问题来说，信息素的结构一般是“二维”的，而对于土地利用优化问题来说，信息素被定义成“三维的，成为信息素立方体。
信息素立方体中包括多层，所述信息素立方体包括的层次与迭代次数的值相同；每一层包括相同个数的多个栅格，每一层的栅格分布结构均相同，每一层中各栅格与地块的位置相对应。
在第一迭代过程中，各蚂蚁在其信息素立方体的第一层平面中爬行，并释放信息素，蚂蚁对每一个方格进行地块类型的判断，并释放出不同浓度的信息素，信息素浓度本质上是地块类型转移概率，蚂蚁会在每一个方格释放出该地块类型转换成所有地块类型的概率，概率越高的所对应的转换的可能性越大。第一次迭代后，对第一次迭代的所有蚂蚁的信息素进行求和，取平均值，作为第一次迭代后的综合信息素浓度，也就是一次迭代后形成的地块类型转移概率，据此判断哪些地块类需要转移成别的地块类型。再此综合信息素浓度的基础上，所有蚂蚁分别进行自身的第二次迭代，即各蚂蚁在其信息素立方体的第二层平面中爬行，以此类推，到达迭代次数后，根据最终的信息素立方体的参数确定土地规划结果。
在步骤104中,采用改进的Hybrid MAXMIN方法计算得出的解的适应度值进行解评价时使用混合适应度计算方法，根据以下公式计算各个解的适应度：
其中，
第k个优化目标需要最小化时，i'＝i,j'＝j；
第k个优化目标需要最大化时，i'＝j,j'＝i；
即当优化目标都需要最小化时，就等于当优化目标需要最大化时，就等于
是指为第i′个解的第k个目标值，即第i′只蚂蚁达成第k个目标释放的信息素量；和分别表示所有解中第k个目标的最大值和最小值。
改进的MAXMIN方法性质表现为：
(1)非统治解的适应度值大于等于1，而统治解的适应值小于1；
(2)鼓励解的独立性和多样性，而惩罚聚集度高的非统治解；
(3)当pareto前沿为凸时，偏好位于前沿中间位置的解；而当pareto前沿为凹时，偏好位于前沿两端的解。
(4)统治解的适应度仅受非统治解影响，而与聚集度无关；
(5)非统治解的适应度与聚集度关系密切，既受其他非统治解影响，又受临界距离内的统治解影响。
本发明采用改进的Hybrid MAXMIN方法计算得出的解的适应度值作为信息素的组成部分之一。适应度值越大，说明这个解越优越，那么构建这个解的蚂蚁就会释放更多的信息素，使得由这个解所表示的规划结果能够获得更大的被采纳机会，在步骤104中，在构建解时使用下述公式计算信息素增量：
其中，Δτk表示第k只蚂蚁在一次迭代后所释放的信息素量，fitnessk为第k只蚂蚁的混合适应度值，gencur表示当前迭代次数。
信息素更新规则是另外一个直接影响蚁群优化算法全局收敛性和计算效率的关键因素之一，它包括信息素释放和蒸发两个过程。在蚁群优化算法包括了局部信息素更新和全局信息更新两个过程。
局部信息素更新是指所有蚂蚁每进行一步都要进行的操作步骤，这个步骤结合了信息素蒸发和释放两个过程。信息素的蒸发是一种避免所有蚂蚁过早快速的向较差的解或局部最优解集中的一种探索机制。实际上，信息素浓度的减少有助于在整个探索过程中探索其他不同的解空间。对于真实蚂蚁群体来说，他们的信息素在自然界中也同样在蒸发。然而这样的蒸发对真实蚂蚁来说作用并不重要。相反的，人工蚂蚁来说，信息素蒸发的作用却非常重要，这是因为蚁群算法所要解决的问题问题比蚂蚁寻找觅食路径问题复杂得多。在蚁群优化中，那些倾向于忘记过去的错误或者劣质选择的机制都是人工蚂蚁所必须的，因为他们能使蚂蚁对已经学到的问题结构不断进行改进。此外，人工蚂蚁信息素蒸发的另一个重要作用是使得信息素存在一个最大的上限，避免某些区域的信息素由于快速积累而导致算法过早收敛。局部信息素更新包括：在迭代过程中，蚂蚁每改变一个栅格地块的土地利用类型，都将立刻调用局部信息素更新规则更新该栅格所对应的信息素立方体中相应的信息素值，具体的，使用下述公式进行更新：
其中，k表示蚂蚁将栅格地块(i，j)上的土地利用类型转换为的土地利用类型；表示信息素立方体中栅格地块(i，j，k)所对应的信息素值；ξ为参考值，为局部更新时的蒸发率；N表示候选土地利用类型数。
全局信息素更新是指在一次迭代之后，从全局的角度进行的信息素蒸发和示范操作。迭代过程结束后，根据以下方式进行全局更新：
其中，u表示栅格地块(i，j)上的土地利用类型，表示信息素立方体中方格(i，j，k)所对应的信息素值；ρ为全局信息素蒸发率；U表示候选土地利用类型数；fitnessbs至今为最优蚂蚁的混合适应度值；gencur为当前迭代次数；T表示在每次迭代后取前T个适应度值最大的蚂蚁对信息素立方体进行更新；fitnessi为当前迭代次数中第i个最大的适应度值。
城市土地利用变化主要有两种方式：一是在城乡结合部或两种土地利用类型的邻接部分进行的线性变化；二是在小区域内部进行的块状变化。针对土地利用类型的块状变化方式，本发明设计出block-filter优化算子。在根据解的评价结果进行信息素更新后还包括优化步骤，具体包括：
在研究区域内随机选定一个子块，此子块中包含多行多列个栅格地块，根据该子块内每种土地利用类型面积与模型约束条件中面积的比例关系，根据下式计算类型转移概率：
其中，TPi为block内第i种土地利用类型的转移概率，在不同时期，TPi的转移概率不一样；Areai为整个研究区域内第i种土地利用类型的面积；为约束条件中规定的第i种土地利用类型面积的下限；N为研究区域内土地利用类型数；
将具有最大TP值的土地类型转换为具有最小TP值的类型。
当TPi<0时，说明第i种土地利用类型的面积小于约束条件中的面积下限，应该增加。因此，转换原则为：将具有最大TP值的土地类型转换为具有最小TP值的类型。
本发明改进后的蚁群优化算法的最终规划结果不是由最后一次迭代的蚂蚁产生的，而是直接根据信息素矩阵结合伪随机比例得出的，因此称之为信息素累积蚁群优化算法(Accumulated Pheromone ACS,AP-ACS)。其中，信息素浓度越大的路径被蚂蚁选择的概率越大，每次迭代蚂蚁爬行的路径选择都是在上次迭代产生信息素浓度之后的结果上进行的，信息素浓度在每次迭代进行累计，不同于随机算法，因此为伪随机。
传统土地利用优化主要强调类型数量的优化，本发明增加了空间优化目标和对时间序列优化的考虑，填补了以往土地优化模型的不足。本发明具有以下优点：
1、建立城市土地利用时空优化模型，从统筹协调、集约高效、生态文明、安全宜居、空间优化等方面建立城市存量土地再开发规划多目标集，增加了空间优化目标和对时间序列优化的考虑，填补了以往土地优化模型的不足。
2、本发明采用MAXMIN多目标解评价方法，能够把所有目标作为一个整体来考虑，能够不带有主管因素的平衡个目标值，挖掘多目标解的本质特征。本发明的hybrid MAXMIN方法不只针对某一特定类型优化问题而提出或修改，不局限于所有目标全部最大化或最小化，能解决同一个优化问题中，一部分优化目标要求最小化，另一部分优化目标要求最大化的情况。
3、从构建解的流程、信息素定义、信息素更新规则、信息素增量定义、优化算子等方面进行改进，优化了土地利用优化模型。信息素被定义成“三维”的，称为信息素立方体。
4、本发明的信息素更新规则表现为，在蚁群优化算法包括了全局信息更新和局部信息素更新两个过程。
5、优化算子方面，针对土地利用类型的块状变化方式，设计出block-filter优化算子。在解构建方面，人工蚂蚁主要依靠优化算子，最终解称为信息素累积解，信息素最终解是根据信息素立方体得到的，与最后一次迭代的解相比，具有更大的适应度值，整体上优于其他解。
6、在算法初始化上，对于土地利用优化问题来说，AP-ACS算法的初始解就是当前土地利用情况，算法执行前，每只蚂蚁都记录一份当前土地利用情况的副本，而不是经过初始化后的解，每只蚂蚁的起始点是一样的。在进入算法后，直接利用优化算子对土地利用情况进行优化，避免了在随机初始化过程中对土地利用现状的不合理规划。
7、在解构建上，AP-ACS算法建立了专门的优化算子为人工蚂蚁提供优化功能，而不是依靠信息素的正反馈机制构建解，所以每只蚂蚁在构建解时是不依靠信息素而是相对独立完成的一个解的构建。
8、在最优规划结果生成上，AP-ACS算法中，由于人工蚂蚁在构建解时主要依靠优化算子，而不是信息素的累积结果，所以导致AP-ACS算法的最终解由两个部分构成，一部分是最后一次迭代后每只蚂蚁所代表的解，这部分解的个数就是蚂蚁的个数；而另一部分是一个直接根据信息素立方体构建出来的，在本文中这个解被称为信息素累积解。由信息素立方体产生的信息素累积解与最后一次迭代的解相比，具有更大的适应度值，在整体上要优于其他解。
上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。