论文部分内容阅读
地理空间过程建模与模拟是地理学研究的重点问题之一。地理空间系统是一个多要素共同作用的整体开放的复杂巨系统,传统地理学的研究方法和技术手段难以有效的解释地理空间系统的复杂规律,也难以模拟地理空间系统复杂的演化过程。鉴于此,GIS与元胞自动机(cellular automata, CA)耦合的地理元胞自动机(地理CA)被提出,并逐步成为地理空间过程模拟的重要手段。地理CA包含元胞、邻域、状态与转换规则四个基本要素,其中转换规则是元胞自动机的核心要素,是演化过程逻辑关系的表达,决定了元胞状态的转换。转换规则是一个地理CA模型有效与否的关键。因此,如何有效的获取转换规则是利用地理CA模型进行地理空间过程模拟的核心工作。鉴于此,本文探索基于一种新的仿生智能优化—蜂群智能优化(Bee Colony Optimization, BCO)——的地理CA转换规则挖掘算法(BCO-CA),研究了BCO-CA算法的数学模型、关键算子与实现方法,并以具体实例论证分析了BCO-CA算法的模拟精度、有效性及相比与现有方法的优势。本文的主要研究内容和结论如下：1、研究设计基于蜂群智能的地理CA转换规则挖掘算法模型以蜂群智能与CA的基本理论为基础,研究设计一种基于蜂群智能的地理CA转换规则挖掘算法(BCO-CA)。重点研究了BCO-CA算法的核心算法思想、数学模型及关键算子等问题,完成了BCO-CA转换规则挖掘算法的设计与实现。2、设计实现一种基于蜂群智能的地理CA转换规则挖掘软件工具在VS2010集成开发环境下,利用C#程序设计语言设计实现了一种基于蜂群智能的地理CA转换规则挖掘软件工具。该工具的面向一种简单数据格式而非特定的地理模拟问题,可用于多种地理CA的转换规则挖掘。3、基于BCO-CA算法的南京市市辖区城市生长动态模拟的实证研究利用BCO-CA算法进行南京市市辖区城市发展元胞自动机转换规则的挖掘,并以此为基础构建了城市动态发展元胞自动机模型(城市CA),实现了城市动态发展的模拟。此外,为验证BCO-CA算法挖掘规则的能力,本研究进一步引入与蜂群智能优化具有较高相似性的粒子群优化方法以及经典的城市CA转换规则获取方法——Logistic回归分析方法——进行对比论证研究。设计一种基于粒子群优化(Particles swarm Optimization, PSO)的地理CA规则挖掘算法(PSO-CA),利用PSO-CA算法与Logistic回归分析方法进行南京市城市生长的转换规则挖掘,利用挖掘到的转换规则实现城市动态模拟。实证研究结果表明,相比于Logistic回归分析方法和PSO-CA算法,基于BCO-CA算法的模拟结果在城市用地分布特征、模拟精度及空间格局特征等方面都更加的接近真实情况。