元胞自动机(CellularAutomata,CA)是一种时间和空间都离散系统动力学模型,主要包含元胞、状态、邻域、转换规则、时间五部分,是描述、认识和模拟复杂地理系统的有效方法,尤其在城市扩展建模中,有广泛的应用。转换规则是CA的核心,直接决定了元胞的转换过程。元胞自动机转换规则智能获取的方法主要有:蚁群算法、神经网络算法、层次分析法、决策树、粒子群算法、布谷鸟算法、蜂群算法等。其中,生物智能算法能在很大程度上获取较优的CA转换规则,能智能获取空间变量与城市扩展之间的非线性关系,且通过“If-Then”格式表达CA转换规则,能更清晰,且易于理解城市扩展过程。智能算法在CA转换规则挖掘上表现出一定的优势,但也存在相应的不足,例如不能很好地保证同时达到局部和全局最优。灰狼优化算法(Grey Wolf Optimization,GWO)作为一种新型的生物群智能优化算法,具备较强的全局勘探与局部寻优能力。本文以城市扩展建模为应用案例,探索了一种基于灰狼优化算法(GWO)的元胞自动机(CA)转换规则智能获取方法(GWO-CA)。研究了 GWO-CA算法的数学模型、整体框架、具体算子,设计并实现了 GWO-CA方法的转换规则获取工具。以南京市城市扩展模拟为案例,验证了 GWO-CA算法在城市CA动态模拟中的应用,并与决策树、Logistic回归方法进行对比验证分析。本文主要研究内容和结论如下:(1)总结梳理了灰狼优化算法和元胞自动机的表达方法文章首先对灰狼优化算法的概念、数学原理、模型框架、优化过程进行整理说明,其次对现有的元胞自动机模型进行分类与总结,验证灰狼优化方法与元胞自动机方法在模型实现方法上具有自下而上的相似性和一致性,构建灰狼优化算法的CA转换规则表达方法,为后续研究开展提供理论与技术支撑。(2)提出了基于灰狼优化算法的元胞自动机转换规则智能获取方法本文以灰狼优化算法和元胞自动机的基本理论框架为基础,构建灰狼优化的元胞自动机转换规则,定义了面向元胞自动机转换规则的灰狼优化目标向量和目标函数,设计了面向元胞自动机转换规则挖掘的灰狼优化关键算子。(3)设计并实现了元胞自动机转换规则灰狼智能挖掘工具采用MATLAB程序设计语言,设计并开发了元胞自动机转换规则的灰狼智能挖掘工具,该工具具有普适性,不仅限于城市扩展中元胞自动机转换规则的智能获取,也可用于一般的地理元胞自动机转换规则的灰狼智能获取,为元胞自动机转换规则的智能获取提供新的工具。(4)构建了集成灰狼优化算法和元胞自动机的GWO-CA模型以城市扩展建模为应用案例,构建集成灰狼优化算法和元胞自动机的GWO-CA模型,应用灰狼优化算法所挖掘的CA转换规则,实现南京市城市扩展建模,并与NULL模型、逻辑回归方法(Logistic-CA)、决策树方法(DT-CA)进行比较,结果证明了 CA转换规则灰狼智能获取方法的正确性和可行性。