多智能体区域土地利用优化配置模型及其应用_张鸿辉

地理学报ACTA GEOGRAPHICA SINICA 第66卷第7期

2011年7月V ol.66,No.7July,2011

收稿日期：2010-07-12;修订日期：2011-04-06

基金项目：国家自然科学基金项目(40771198);湖南省自然科学基金项目(08JJ6023)[Foundation:National Natural

Science Foundation of China,No.40771198;Natural Science Foundation of Hunan,No.08JJ6023]

作者简介：张鸿辉(1980-),男,博士生,湖南长沙人,主要从事遥感与地理信息系统应用研究。E-mail:zhhgis@https://www.docsj.com/doc/a36435326.html, 通讯作者：曾永年,教授,E-mail:ynzeng@https://www.docsj.com/doc/a36435326.html,

972-984页

多智能体区域土地利用优化配置模型及其应用

张鸿辉1,2,3,曾永年1,2,谭荣4,刘慧敏1,2

(1.中南大学地球科学与信息物理学院，长沙410083；

2.中南大学空间信息技术与可持续发展研究中心，长沙410083；

3.长沙市规划信息服务中心，长沙410013；

4.浙江大学公共管理学院，杭州310028)

摘要：土地利用优化配置对促进区域可持续土地利用具有重要意义，然而现有的土地利用优化

配置模型引导可持续土地利用的能力有待提高。本文从整体考量区域土地利用优化配置数量、空间、时间三维特征的角度，定义了区域土地利用优化配置多智能体系统及其决策行为规则，构

建了基于多智能体系统的区域土地利用优化配置RLUOA (Regional Land Use Optimization

Allocation)模型，并以中部地区典型城市——长沙市为例开展了实证应用研究。研究结果表明：该模型能够将规划时间段内多目标约束的区域土地利用规模的数量结构合理配置到不同的空

间单元，实现土地利用数量结构、空间布局、效益的协同优化，构建整体上经济可行、社会可接

受、生态环境友好的土地利用格局，并明显提高区域整体土地利用经济、生态和社会效益，从而

能够为促进区域土地资源可持续利用和制定土地利用总体规划提供参考借鉴。

关键词：区域土地利用配置；数量优化；空间优化；效益优化；多智能体系统；可持续发展；微粒群

优化

1引言

土地资源可持续利用是实现可持续发展的重要环节，并受到世界各国的共同关注[1-9]。我国正经历社会经济快速发展阶段，粗放型的土地利用方式不仅造成了土地资源的大量浪费，而且导致了城市过度扩张、农用地大量流失、生态环境恶化等诸多社会和环境问题，并成

为制约可持续发展最严重的“瓶颈”[9-10]。因此，在可持续发展主题下实现土地利用优化配

置，不仅成为土地利用领域的重要课题，而且是合理分配有限的土地资源和促进土地资源可持续利用的一项十分迫切的任务[11-14]。

为了实现土地利用优化配置，国内外学者已开展了大量研究工作，并构建了三类优化模

型：刘彦随[15]、赵小敏[16]、刘艳芳[17]等采用线性规划、系统动力学、遗传算法等方法构建了土地

利用数量结构优化配置模型，这类模型注重土地利用数量结构及土地面积的优化；Ligmann-Zielinska 等[14]、Aerts 等[18]、Janssen 等[19]、Stewarta [20]、郑新奇等[21]将目标规划、模拟退火算法、遗传算法与GIS 相结合构建土地利用空间优化决策模型，并应用于不同的区域，这

类模型则注重空间布局优化，但较少顾及土地利用数量结构和效益优化；Wang [22]、Gao [23]、

Chen [24]、刘彦随[25-26]、张红旗[27]等在不同的研究区域集成多目标规划模型和GIS 探索了土地利用的优化配置，这类模型综合考虑了土地利用数量、空间、效益的优化配置，但难以实现连续时间序列上各种土地利用状态的有机结合。上述模型在土地利用优化配置方面发挥了应有的作用，但不同程度的存在一定的局限性。因此，构建具有较强适应能力和动态调控能力，且能够整体考量土地利用优化配置数量、空间、时间三维特征的土地利用优化配置模型，

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用

973对优化配置日益紧缺的土地资源，促进土地资源的可持续利用具有重要的意义。

多智能体系统(Multi-Agent System，简称MAS)在模拟土地利用空间复杂系统的时空动态方面具有非常突出的优势[28-29]。由于智能体(Agent)具有智能性、适应性、协作性等特点，将MAS引入土地利用优化配置模型，一方面，将使得模型具备较强的适应能力，另一方面，基于Agent适应性和协作性构建参与土地利用优化配置行为主体之间的联动决策规则，将能够增强模型的合理性与实用性。微粒群优化算法(Particle Swarm Optimization，简称PSO)是一种基于群集智能的新型优化算法，它通过模拟群体的社会行为，引导粒子搜索空间中的最可行区域，与模拟退火算法、遗传算法等传统进化算法相比，它具有更强的空间搜索和适应能力以及更快的收敛速度[30]，且已被广泛的应用于求解空间优化问题[31-32]。将PSO 算法引入MAS，将能够大大增强Agent的空间搜索和适应能力[33]，因此，在土地利用优化配置多智能体系统中引入PSO算法的优化机制，将能够进一步拓展Agent之间及其与环境的交互行为，并使得土地利用优化配置多智能体系统获取对连续时间序列上的土地利用状态转移进行动态调控的能力，引导土地利用数量结构与空间布局向可持续方向发展，从而实现对土地利用优化配置数量、空间、时间三维特征的整体考量。鉴于此，本文在土地利用优化配置MAS中，引入PSO算法，构建了区域土地利用优化配置RLUOA(Regional Land Use Optimization Allocation)模型，并以中部地区典型城市、长株潭城市群两型社会试验区的核心区域—长沙市为例开展了模型实证应用究。

2RLUOA模型

2.1模型的内涵

参考相关研究[1,21,25,27]，将RLUOA模型的内涵概括为：以协调规划时间段内各类土地利用数量结构与空间布局为切入点，以最大化土地利用经济效益、生态效益、社会效益为目标，从理解土地利用优化配置驱动主体的角度，定义土地利用优化配置多智能体系统及其在对应层次土地利用优化配置过程中的决策行为，并通过集成多智能体系统与微粒群优化算法,嵌入动态Pareto(帕累托)寻优策略，构建整体考量区域土地利用优化配置数量、空间、时间三维特征的土地利用优化配置模型，以期实现区域土地利用数量结构、空间布局、效益协同优化，促进区域可持续土地利用。

2.2模型目标函数及约束条件

2.2.1变量设置模型中整个土地利用空间被分割为N行×M列个空间规则格网单元，共配置K种土地利用类型。S k代表各类土地利用面积，k代表土地利用类型。

2.2.2目标函数

(1)经济效益。经济效益主要是指通过优化配置实现各类土地利用的经济产出最大化以及土地开发费用最小化。因此，选取最大化区域土地利用经济总产出、最小化区域土地利用类型转换总成本作为模型的经济效益优化目标。

MaxF1=∑k=1K W k.S k(1)式中：F1为区域土地利用总经济产出，W k为各类土地利用经济产出系数。

MinF2=∑i=1N∑j=1M∑k=1K C ijk X ijk(2)式中：F2为区域土地利用类型转换总成本，C ijk表示在土地利用空间单元(i,j)位置上布置土地利用类型k时的成本。X ijk是一个二值变量，如果土地利用空间单元(i,j)的土地利用类型是k，其值为1；否则为0。

(2)生态效益。生态效益主要是指优化配置对土地利用生态系统服务功能和生态环境

66卷地理学报友好程度的影响。因此，选取最大化区域土地利用生态系统服务功能总价值和土地利用生态环境兼容性作为模型的生态效益优化目标。

MaxF 3=∑k =1K P k .S k

(3)

式中：F 3为区域土地利用生态系统服务功能总价值，P k 为单位面积土地利用类型k 提供的生态系统服务功能价值系数。

MinF 4=∑i =1N ∑j =1M ∑k =1K ∑i '=1N ∑j '=1M ∑k '=1K L ij ,i 'j 'H k ,k '

(4)

式中：F 4为区域土地利用生态环境兼容性总和，L ij ,i 'j '是一个2元变量，

如果空间单元(i ,j )和(i ',j ')之间存在邻接，其值为1；否则为0。H k ,k '表示土地利用类型为k 的空间单元(i ,j )与土地利用类型为k '的空间单元(i ',j ')之间的生态环境兼容性程度。

(3)社会效益。社会效益主要是指土地利用为社会发展提供的社会保障服务功能，以最大化区域土地利用社会保障服务功能总价值作为模型的社会效益优化目标。

MaxF 5=∑k =1K G k .S k

(5)

式中：F 5为区域土地利用社会保障服务功能总价值，G k 为单位面积土地利用类型k 提供的社会保障服务功能价值系数。2.2.3约束条件约束条件是实现目标函数的限制因素，主要考虑土地面积、人口、粮食安全、劳动力资源、市场经济、生态环境条件、空间布局、土地利用公平等8个方面。

(1)土地面积约束各类土地利用类型面积的和等于土地总面积：

∑k =1K S k =S

(6)

式中：S 为区域土地总面积。

(2)人口约束人口是影响土地利用需求的重要因素，区域土地承载人口不应超过规划期预测人口数：

M 1.S f +M 2.S u ≤P

(7)式中：M 1为农用地的平均人口密度，M 2为城镇用地的平均人口密度，S f 为农用地面积、S u 城镇

用地面积，P 规划期预测区域人口总量[25]。

(3)粮食安全约束

S g .f 2.f 3.f 4≥P .f 0.f 1(8)

式中：S g 为确保区域粮食安全的耕地需求量；f 0为人均用粮标准；f 1为粮食自给率；f 2为粮食单产；f 3为粮食作物种植比；f 4为复种指数；P 的意义同上[25]。

(4)劳动力资源约束

∑s k ≤L a

(9)式中：l ak 为第k 种农业用地单位面积劳动力数量，L a 为可供农业利用劳动力数量。∑l ck s k ≤L c (10)式中：l ck 为第k 种非农用地单位面积劳动力数量，L c 为可供非农利用劳动力数量[25]。

(5)市场经济约束应市场经济要求，城镇、工矿、交通运输等用地在现状基础上是增加的，而未利用地将逐渐减少，则：

S k 1≥S k 0(11)

式中：k 代表城镇、工矿、交通运输等土地利用类型，S k 1为这些类型的土地在规划期末的面积，S k 0为这些类型的土地在规划基期的面积。

S w 1≤S w 0

(12)974

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用式中：S w 1为规划期末的未利用地面积，S w 0为规划基期的未利用地面积。

(6)生态环境条件约束

S e .c ≥S .r (13)

式中：S e 为规划期末林地面积，c 为转换系数，r 为根据区域宏观规划确定的规划期内需保障的森林覆盖率[25]。

(7)空间布局约束

①每个空间单元都必须有一种土地利用：∑k =1

K X ijk =1

(14)②新增建设用地扩展空间紧凑性约束：

∑i ,j ∈ΩB ijk ≥2(15)式中：B ijk 是一个2元变量，如果空间单元(i ,j )的土地利用类型k 为建设用地，其值为1；否则为0。Ω为空间单元(i ,j )的邻域集合，该约束通过确保新增建设用地空间单元(i ,j )的邻域内建设用地单元个数不得小于2，而促进新增建设用地通过填充内部未开发土地的方式增长，避免建设用地无序扩展。

(8)土地利用公平约束土地利用公平约束主要通过保障区域土地总生态生产力不降低和合理控制农地非农化时序体现。

①规划期末的区域土地总生态生产力不低于规划基期：

(EP k 0-EP k C )×(P k )≥EP k 0(16)

式中：EP k 0为农用土地利用类型k 规划基期的土地生态生产力(可由农用土地利用类型k 的

单位生态产出与面积之积得到)，EP k C 为农用土地利用类型k 在规划期内可承受的的最大生

态产出损失，P k 为农用土地利用类型k 的生态产出进步系数[34]。由此式可计算出农用土地利用类型k 在规划期内的最大数量损失，亦即非农化数量。

②农用地非农化时序约束

∑t =1n q t =Q

(17)

式中：Q 是规划期内所允许的最大建设占用农用地数量，q t 是规划期内t 时间段的农地非农化

数量，采用Tietenberg 模型求取[28-29]。2.3多智能体及其决策行为

区域土地利用优化配置具有层次性[25]，为了强调区域层面的重要性，并为制定土地利用总体规划提供依据，在本文中将区域土地利用优化配置分为三个层次，第一层次主要任务为确定区域的主导土地利用战略方向，制定区域土地利用控制指标，实现整个区域的用地指标分解与结构平衡。该层次的行为主体为区域最高级别的政府，定义为控制协调Agent (Agent c )；第二层次配置的主要任务为根据第一层次配置确定的主导土地利用战略方向，组织土地利用功能分区，该层次的行为主体为参与土地利用功能组织的部门，定义为组织引导Agent (Agent o )；第三层次配置的主要任务为在第二层次配置确定的土地利用功能引导下实现土地利用类型的空间单元配置，该层次的行为主体为实际土地使用单位或个人，定义为实际利用Agent (Agent u )。三个层次的Agent 决策行为规则具备上下承接关系。

2.3.1控制协调Agent (Agent c )决策首先Agent c 根据区域功能或发展目标，提出区域主导的土地利用战略方向，随后根据该战略方向，建立土地利用控制指标分解因素因子体系，并通过层次分析法(AHP 法)确定各因素因子权重，最后采用多因素因子综合模型(式18)，确定各区、县(市)占全市的比例，并依据式(19)确定各区、县(市)指标。

F j =∑W ys ∑W yz ×M ij (18)

式中：F j 为第j 个区(县)指标分值；W ys 为各个影响因素的权重；W yz 为各个影响因子的权重；M ij 为各个影响因子的标准化值。975

66卷

地理学报

ZB j=F j×ZB sum(19)式中：ZB j为第j个区(县)指标；F j为第j个区(县)指标分值；ZB sum为全市总指标。

由于未来经济发展的不确定性，因而实际分解指标时，还需根据规划期内区域的宏观政策、发展趋势和重点项目的布局情况进行适当的调整。

2.3.2组织引导Agent(Agent o)决策借鉴“生态位”的思想，将Agent o所需组织的土地利用功能对资源需求所构成的n维资源空间称为需求生态位，而土地利用的现实资源也构成对应的资源空间，称为现实生态位。Agent o所需组织的土地利用功能的现实生态位与需求生态位的匹配关系，反映了现实资源条件对土地利用功能的适宜性程度，即生态位适宜度，其计算公式如下：

ES=(∏k=1n ES k)1n(20)式中：ES为某类土地利用功能中多维资源的生态位适宜度，ES k为某一种资源的生态位适宜度，n为约束该土地利用功能的资源维数，根据不同土地利用功能对资源的需求，ES k计算公式不同，其计算方法参考文献[35]。

针对Agent o的发展目标及其生态因子所对应的资源需求类型，分别计算n个资源的生态位适宜度ES k，然后将不同发展目标下所有的生态因子适宜度ES k代入式(20)中，分别得到不同子类型的Agent o所需组织的土地利用功能的生态位适宜度ES。最后，以生态位适宜度评价单元的多种生态位适宜度计算结果为基础，以其生态位适宜度最高值所对应的土地利用功能为准则，Agent o结合区域实际情况综合划分土地利用功能区，并提出每个功能区相应的用地空间管制规则及主导土地利用类型。

2.3.3实际利用Agent(Agent u)决策从模拟实际土地使用单位或个人之间的竞争与合作关系出发，基于集成PSO算法的多智能体系统，设定每个Agent u具有一个邻域，其不但可以与邻域内的其他Agent u产生竞争、合作操作，而且还可进行自学习及与群体中适应能力最强的Agent u进行信息共享。为此，设计了Agent u自适应度计算算子、竞争与合作算子、自学习算子完成其空间决策。所有的Agent u分布在N行×M列的土地利用网格单元之上。

(1)Agent u自适应度求取算子。在RLUOA模型中，通过自适应度衡量Agent u的适应能力，而Agent u自适应度的大小可以用自适应度值表示，Agent u的初始自适应度通过将模型中多个目标对应的目标函数综合成自适应度函数(Fitness function)求取。

用Z(x)(x=1,2,…,n)表示目标函数，n为目标个数；对于每一个目标x，Agent u L i,j(i=1, 2,…,N;j=1.2,…,M)会依据对该目标的观察值优劣生成一个可行解的排序序列Y。对每一个目标都排序后，可以得到Agent u对全部目标函数的总体表现。根据Agent u的排序计算其初始自适应度：

F x(L i,j)=ì

í

?

(N-Y x(L i,j))2Y x(L i,j)>1;

kN2Y x(L i,j)=1;

(21)

Fit(L i,j)=∑x=1n W x F x(L i,j)(22)式中：Y x(L i,j)为L i,j对目标i的观察值在模型中所有Agent u对目标i的优劣排序集合中所处的序号；F x(L i,j)表示L i,j对目标x的自适应度值，W x表示L i,j对目标x的决策偏好，Fit(L i,j)为L i,j对全部目标的初始自适应度总和。

在土地利用优化配置过程中，L i,j的自适应度还受到其在时刻t所选择的空间单元(i,j)对土地利用类型K的适宜性t S K i,j，周围空间单元对单元(i,j)在时刻t转化为土地利用类型K 的影响t N K i,j，Agent o在时刻t对单元(i,j)实施的土地利用引导t F K i,j和随机干扰因素V的影响，考虑这些影响后的L i,j自适应度函数如下式所示：

976

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用Fit (L i ,j )*=Fit (L i ,j )?t S K i ,j .t N K i ,j .t F K i ,j .V

(23)式中：Fit (L i ,j )*为综合多因素影响的Agent u L i ,j 的自适应度。

(2)Agent u 竞争与合作算子。为了使模型中的Agent u 不仅具有较强的自治和交互能力，而且具有较强的空间搜索能力，以保障Agent u 之间的互动和信息交流更为顺畅。受PSO 算法的启发，借鉴其全局搜索能力，通过集成多智能体系统与PSO 算法，设计了竞争与合作算子，完成Agent u 的空间决策。

RLUOA 模型将每个解看成是在一个n 维搜索空间内没有体积的微粒。L i ,j 当前在解空间的位置就是它所拥有的知识，将其在土地利用空间优化配置问题解空间中的位置向量表

示为L i ,j =(l i ,j ,1,l i ,j ,2,...,l i ,j ,n )，l i ,j ,1,l i ,j ,2,...,l i ,j ,n 分别代表L i ,j 对目模型中某个目标的决策偏好，由

于Agent u 具有自适应能力，该值将随着模型的迭代而发生变化。L i ,j 的飞行速度表示为V i ,j =(v i ,j ,1,v i ,j ,2,...,v i ,j ,n )。M i ,j 是L i ,j 所处邻域环境中拥有最大适应度的Agent u ，且M ,j =(m i ,j ,1,m i ,j ,

2,...,m i ,j ,n )。P c 为邻域合作概率，

P m 为邻域竞争概率，U(0,1)为均匀分布的随机数。如果U(0,1)

①Agent u 竞争算子。若L i ,j 满足式(24)，则它在解空间的位置保持不变，反之，L i ,j 在解空间的位置将根据式(25)被更改，且L i ,j 所处网格的土地利用类型也将被调整为与M i ,j 一致。

Fit (L i ,j )*≥Fit (M i ,j )*(24)

l i ,j ,k =m i ,j ,k +rand (-1,1)?(m i ,j ,k -l i ,j ,k ),k =1,...,n (25)

式中：rand (-1,1)是介于(-1,1)之间的随机数。若l i ,j ,k x k min ，则l i ,j ,k =x k min 。x min =(x 1min ,x 2min ,...,x n min )是优化问题可行解空间的下限值，x max =(x 1max ,x 2max ,...,x n man )是其上限值[33]。

②Agent u 合作算子。采用混合交叉策略，在M i ,j 与L i ,j 之间随机选择一个交叉点，交叉点后半部分互相交换，同时交叉点处互相交叉，以得到新的Agent u 。假设M i ,j 与L i ,j 在k 位进行交叉，则所产生的2个子代Agent u 分别为：

M i ,j '=(m i ,j ,1,m i ,j ,2,...,m i ,j ,k ',l i ,j ,k +1,l i ,j ,k +2,...,l i ,j ,n )(26)

L i ,j '=(l i ,j ,1,l i ,j ,2,...,l i ,j ,k ',m i ,j ,k +1,m i ,j ,k +2,...,m i ,j ,n )(27)

其中，m i ,j ,k '=m i ,j ,k +β(l i ,j ,k -m i ,j ,k )，l i ,j ,k '=v i ,j ,k +β(u i ,j ,k -v i ,j ,k )，u i ,j ,k 与v i ,j ,k 为l i ,j ,k 的取值范围，

β为[0,1]内的随机值[33]。

每次迭代中，采用公式(28)、(29)对每个Agent u 的速度和在解空间的位置进行更新：

v d +1i ,j ,n =w .v d i ,j ,n +?1.rand ().(P i ,j ,n -l d i ,j ,n )+?2.rand ().(G i ,j ,n -l d i ,j ,n

)(28)l d +1i ,j ,n =l d i ,j ,n +v d

i ,j ,n (29)

式中：d 表示迭代次数，w 为惯性常数，?1、?2为学习因子，分别调节向个体极值点和全局极

值点方向飞行的最大步长，rand ()是介于(0,1)之间的随机数。l d i ,j ,n

为L i ,j 在第d 次迭代中当前位置的n 维分量；v d i ,j ,n

为L i ,j 在第d 次迭代中速度的n 维分量；P i ,j ,n 为L i ,j 本身找到的最优Agent u 当前位置的n 维分量；G i,j,n 为模型中最优Agent u 当前位置的n 维分量。通过与全局最优Agent u 交换信息，将加快整个环境中信息的传递速度，提高算法的收敛性[30]。

(3)Agent u 自学习算子。Agent u 自学习算子作用于模型每一代中自适应度最大的Agent u 上，其自学习时的搜索半径应小于T ，T 为5~10个空间单元。对于每一代中自适应度最大的Agent u ，首先以其为中心，根据搜索半径产生T×T 的空间单元集合，然后在该集合内，对该Agent u 分别执行邻域竞争、邻域合作算子，经过一定次数进化后，该Agent u 的自适应度将进一步得到提高。

(4)动态Pareto 寻优策略。在Agent u 的空间决策过程中，一方面为了提供多种配置方案以满足实际需求，另一方面为了提高模型的动态调控连续时间序列上土地利用状态的能力，977

66卷地理学报模型采用了动态Pareto 寻优策略，即通过建立一个动态的Pareto 最优解集库，对库中近似Pareto 最优解的动态调整，把找到的所有近似Pareto 最优解都存在库中，同时去除非Pareto

最优解，从而保证此库中的所有解都是Pareto 最优解[36]。

3基于RLUOA 模型的长沙市土地利用优化配置

3.1实验区与数据本文选择中部地区典型城市、长株潭城市群两型社会试验区的核心区域——长沙市作为模型实验区。模型的优化配置对象为长沙市各类土地利用，优化的时间段为2006-2020年，优化的空间尺度为长沙市市域。采用的数

据源包括GIS 数据、遥感影像、社会经济统计等多种数据。GIS 数据包括地形、地质、区位条件、土地利用、土壤、生态环境条件等；遥感影像数据为2006年长沙市TM 卫星遥感影像；社会经济统计数据主要包括1993-2006年长沙市人口、经济、产业发展、城乡居民收入等数据。3.2Agent 决策行为的实施

(1)Agent c 决策行为的实施。首先，Agent c 综合考虑未来长沙市经济社会发展战略及其对土地资源利用方式、结构和分布的影响，提出规划期内长沙市主导土地利用战略方向为：加强农用地和自然生态环境保护，构建结构合理、效益明显、城乡用地协调发展的土地利用模式，形成整体上经济可行、社会可接受、环境友好的土地利用格局，促进全市土地利用可持续发展。随后，Agent c 采用分类预测法确定各部门在规划期内的用地需求，并测算通过土地整理、复垦和开发所能为各类用地提供的用地面积，经对比分析，在规划期内长沙市各类土地利用供需均能达到平衡。接下来，Agent c 在满足湖南省下达的各类土地利用约束性和预期性指标以及模型设置的约束条件的基础上，确定了长沙市土地利用优化配置的主要控制指标(表1)。最后，Agent c 将根据采用多因素因子综合模型将长沙市土地利用主要控制指标分解到各区、县(市)。

(2)Agent o 决策行为的实施。根据Agent c 制定的长沙市主导土地利用战略方向，从长沙市实际情况情况出发，Agent o 需要组织的土地利用功能分为如下4类：城镇发展、产业园区发展、农业发展、生态保护。对于不同的发展目标，土地利用单元的生态位适宜度是变化的，因而，根据需组织的土地利用功能类型，建立了农业发展生态位适宜度、工业发展生态位适宜度、城镇发展生态位适宜度、生态保护生态位适宜度评价因子体系(表2)。

以100m×100m 的栅格作为生态位适宜度评价单元，将数据标准化后，针对不同的土地表1长沙市土地利用优化配置主要控制指标

Tab.1Main indicators of land use optimization allocation in Changsha (hm 2

)　

指标名称　２０２０年　指标属性　耕地保有量　３３４４５０．０８　约束性　基本农田面积　２３１１７５．２１　约束性　

建设用地总规模　１８３０５７．４３　预期性　城乡建设用地规模　１５６７０２．０９　约束性　城镇工矿用地规模　８５３０１．１１　预期性　园地面积　３０５１３．２３　预期性　

林地面积　５７４５８４．１７　预期性　

总量指标　牧草地面积　１４．０２　预期性　新增建设用地规模　５８７８０．１０　预期性　建设占用农用地　４６３２３．２２　预期性　增量指标　建设占用耕地　２１７０９．０６　约束性 表2土地利用功能的生态位适宜度评价因子体系

Tab.2Factors of niche-fitness evaluation for land use function zoning

功能类型　

评价因子　城镇发展生态位适宜度　地基条件、地质灾害、坡度、交通通达度、距城镇中心距离、人口密度、邻域内建设用地

密度　

产业园区发展生态位适宜度　地基条件、地质灾害、坡度、交通通达度、工业产值密度、距已有产业园区距离、邻域内

独立工矿用地密度　

农业发展生态位适宜度　土壤类型、有机质含量、坡度、邻域内农用地密度、距基本农田保护区距离　

生态保护生态位适宜度　土壤侵蚀度、生物多样性、生物景观价值、生态敏感性、距水体距离、距森林和自然保护

区距离、邻域内林地密度、邻域内水体密度 978

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用利用功能及评价因子所对

应的资源需求类型，参考

文献[35]的方法得到多个

评价因子的生态位适宜度

ES k ，然后将不同发展目标

下的ES k 代入公式(20)

中，分别得到各评价单元

面向4种土地利用功能的

生态位适宜度ES 。Agent o

根据生态位适宜度计算结

果，以生态位适宜度最高值所对应的土地利用功能

作为评价单元的土地利用

功能类型，初步划分长沙市土地利用功能区，再根据长沙市土地利用资源现状、社会经济发展规划目标、土地利用政策以及Agent c 下达给各区(县、市)及各部门的土地利用控制指标进行局部调整，最终将长沙市分为4个土地利用功能区：城镇发展区、农业发展区、产业园区发展区及生态保护区(图1)，这4个功能区对应的空间管制类型分别为引导建设区、限制建设区、引导建设区、禁止建设区，对应的主导土地利用类型分别为：城镇用地，农业用地(耕地、园地)，独立工矿用地，生态用地(水域、林地、未利用地)。

(3)Agent u 决策行为的实施。按照土地利用类型将Agent u 分为耕地、园地、林地、牧草地、城镇用地、农村居民点用地、工矿用地、交通用地、水利设施用地等9种土地使用行为Agent 。未利用地因没有土地利用行为，故没有与之对应的Agent 类型，其在Agent u 的作用下，可以转变为其他土地利用类型，但在本文中不考虑其他土地利用类型转换为未利用地。每一个土地利用网格上只能分配一种土地利用类型，也只能容纳一个Agent u ，根据2006年长沙市土地利用现状数据，按比例确定2006年各类Agent u 的数量。这里一个Agent u 只是反映了比例关系，并不是只代表一个土地使用人或单位，在本文中的实际含义为100m×100m 的一个网格平均容纳的实际土地使用单位或个人[29]。将这些Agent u 根据类型对应分配至2006年土地利用网格上，随着Agent u 之间的竞争、合作、自学习行为的进行，这些网格的土地利用类型将随分布于其上的Agent u 的类型的变化而发生变更。同时考虑到实际情况的限制，假定已有中心城区的城镇建设用地不再发生变化。

Agent u 通过竞争、合作、自学习等运算进行空间决策须先根据式(23)计算Agent u 的自适

应度，为此需确定Agent u 对模型设定的各目标的观察值以及t S K i ,j 、t N K i ,j 、t F K i ,j 、

V 的具体计算方法。限于篇幅，t S K i ,j 、t N K i,j 、

V 的计算方法参见文献[37]。

t F K i ,j 的计算以单元(i ,j )拟

被转化的土地利用类型K 与该

单元所在的土地利用功能区的

兼容性程度表示，兼容性越强，

则t F K i ,j 越大，采用德尔菲法求

得各种土地利用类型与土地利

用功能区的兼容性(表3)。

Agent u 对目标(1)、(2)、(3)、

(4)、(5)的观察值通过计算其图1长沙市土地利用功能分区图

Fig.1Land use function zones of Changsha 表3土地利用类型与土地利用功能区的兼容性Tab.3Compatibility between land use types and land use function zones

　城镇发展区　产业园区发展区　农业发展区　生态保护区　耕地　０．３２１　０．３７４　１．０００　０．２５４　园地　０．３３７　０．３１３　１．０００　０．２６３　林地　０．３９２　０．４０８　０７５５　１．０００　牧草地　０．２７６　０．２４８　１．０００　０．２５２　城镇　１．０００　０．８１９　０．４８３　０．０４２　农村居民点　０．４２２　０．２１７　０．６７３　０．１１３　独立工矿　０．６３０　１．０００　０．５２９　０．０５３　交通运输用地　１．０００　１．０００　０．８０４　０．１０１　水利设施用地　１．０００　１．０００　０．８８６　０．１４３　水域　１．０００　１．０００　１．０００　１．０００　

其他未利用地　１．０００　１．０００　１．０００　１．０００　

　979

66卷

地理学报所在邻域内的土地利用经

济产出总和、土地利用类型转换成本总和、土地利用生态系统服务功能价值总和、土地利用生态环境兼容性总和、土地利用社会保障服务功能价值总和得到。3.3长沙市土地利用优化配置结果及分析经过求解，模型最后共获取6个Pareto 最优解，

因而得到可供选择的长沙市土地利用优化配置方案

(表4、图2)。

为了辅助规划决策，

根据模型的目标函数设

置，遵循科学性、整体性、

可操作性原则，共选取了

区域土地利用经济产出、

区域土地利用类型转换成

本、区域土地利用社会保

障服务功能价值、人均建

设用地面积、人均耕地面

积、区域土地利用生态服

务功能价值、区域土地利

用生态环境兼容性、景观聚集度指数、景观平均斑

块分维数等9个涉及土地利用经济、生态、社会效益方面的指标，构建了优化方

案比选指标体系[38]。由于优化方案中的各指标(目标)之间并不是相互独立的，尽管它们之间的关系不明确，但从本质上而言是一种灰色关系。因而，本文采用基于灰色多目标决策与

评价理论的灰色关联投影法对方案进行比选并择优[39]，方案的灰色关联投影值越大，说明该

方案与理想方案越接近，模型的整体经济、社会、生态效益越高。

结合灰色关联投影法的方法与原理，首先构造方案比选矩阵并对各项指标标准化，然后进行关联度计算与灰色关联判断矩阵构建，接着对指标进行正交变换、构造理想方案，最后对表4和图2所示的6种土地利用利用优化配置方案进行投影并确定择优方案(图3)。从图3可以看出，最终的择优方案排序如下：方案1>方案5>方案2>方案3>方案4>方案6。方案2、4中的建设用地配置较其他方案均要大，耕地、未利用地减少较多，且耕地保有量、建设用地总规模以及县(市)级的新增建设用地规模不满足土地利用控制要求，因而该方案虽然能够提高区域经济效益，但不符合适度开发原则，影响了区域的生态效益和社会效益；方案3、6中大量未利用地被转化为农用地，但城镇用地、独立工矿用地配置较小，该方案能保障区域粮食安全，促进了社会效益的提高，但是区域经济发展会受到一定制约；方案5中的　方案１　方案２　方案３　方案４　方案５　方案６　耕地　３４６８６３　３３２９６５　３５８７１２　３３４００７　３３４５６９　３５００３５　园地 ３１７５４ ３４０８６ ３２００７ ３３０６７ ３０４１１ ３２１１１　

林地　５７６７０９　５８６８３８　５７６８１２　５８６７６５　５９８７４６　５８４３１２　农用地　牧草地 １４ １４ １５ １４ １５ １４　城镇 ５４００２ ５５４７６ ４７０５５ ５５４０７ ５１６５４ ４７９０５　

农村居民点 ７１４５６ ７０２０４ ７０９７４ ６９８７４ ７１４５６ ７１００４　

独立工矿 ３０９８７ ３１０１２ ２７６５１ ３０８７９ ２７２０８ ２７７６３　交通运输用地 １４２５４ １５２８２ １３４８０ １５６６８ １３１２５ １３４８７　建设用地　水利设施用地 １１４５６ １２７６５ １０８８５ １２７７０ １０８９７ １０８７８　其他未利用地 １４０１２ １３２４５ １３９８４ １３２６５ １３５５７ １４０８６　

未利用地　表4长沙市土地利用优化配置供选方案的数量结构对比(hm 2)Tab.4Comparison of structures of alternative land use optimization allocation

schemes (hm 2

)图2长沙市土地利用优化配置方案的空间对比Fig.2Comparison of spatial patterns of alternative sustainable land use optimization

allocation schemes 980

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用林地配置较其他方案均多，虽然能够提高

生态效益，但耕地保有量不能满足土地利

用控制要求，从而影响了区域粮食安全；方

案1中建设用地和农用地结构配置合理，市

级及区、县(市)两级土地利用控制指标均

未突破上层次土地利用控制要求，土地利

用空间布局紧凑(景观聚集度指数值在供

选方案中最大，景观平均斑块分维数值在

供选方案中最小)，为供选方案中整体经济、

生态、社会效益最大的方案。

方案2、3、5的灰色关联投影值均在0.8

以上，方案1的灰色关联投影值更是达到0.942，与理想值1非常接近，这说明模型能够构建整体上经济可行、社会可接受、生态

环境友好的土地利用格局。为进一步验证RLUOA 模型的可行性与优越性，在同样的模型目标与约束条件限制下，参考文献[24]的方法，结合线性规划和元胞自动机模型分数量优化与空间优化2个阶段进行长沙市土地利用优化配置，最终得到3个优化方案。采用上文所述的优化方案比选指标体系和灰色关联投影法对这3个方案进行评价，得到这3个方案的灰色关联投影值分别为0.701、0.652、0.645，与图3比较可知，RLUOA 模型所得到的每个优化方案均优于结合线性规划和元胞自动机模型进行优化配置得到的方案，从而证明了RLUOA 模型的可行性与优越性。此外，还采用上述方法对2006年长沙市土地利用现状进行了评价，其灰色关联投影值为0.638，这说明经优化后的长沙市整体土地利用经济、生态、社会效益明显优于现状土地利用，从而也验证了模型的有效性。这主要是由于RLUOA 模型具有较强的弹性和适应能力，在模型迭代过程中，基于参与土地利用优化配置的多智能体的联动决策，实现对规划期内连续时间序列的土地利用状态转移的动态调控和土地利用数量结构、空间布局、效益的协同优化，从而引导规划时间段内的土地利用数量结构和空间布局向可持续发展方向发展，实现对土地利用优化配置数量、空间、时间三维特征的整体考量和土地利用效益的提高。

4结论与讨论

(1)本文从整体考量区域土地利用优化配置数量、空间、时间三维特征的角度出发，在最大化土地利用经济效益、生态效益、社会效益目标约束下，定义了包括区域最高级别政府、部门、实际土地使用单位或个人等行为主体的多智能体系统及其在对应层次土地利用优化配置过程中的决策行为，并通过集成多智能体系统与微粒群优化算法,嵌入动态Pareto 寻优策略建立了数量结构、空间布局、效益协同优化的多目标区域土地利用优化配置算法，最终构建了区域土地利用优化配置RLUOA 模型，并以中部地区代表性城市、长株潭城市群两型社会综合配套改革试验区的核心区域——长沙市为例开展了模型实证应用研究。

(2)应用实例表明，RLUOA 模型能够将规划期内多目标约束的区域土地利用规模的数量结构合理配置到不同的空间单元，协同优化区域土地利用的数量结构、空间布局和效益，构建整体上经济可行、社会可接受、生态环境友好的土地利用格局，明显提高区域整体土地利用经济、生态和社会效益，因而RLUOA 模型能够实现对区域土地利用优化配置数量、空间、时间三维特征的整体考量，其所求得的Pareto 最优解能够为促进区域土地资源可持续利用和制定土地利用总体规划提供参考借鉴。

图3长沙市土地利用优化配置方案择优结果Fig.3Preferred result of sustainable land use optimization

allocation in

Changsha 981

地理学报

982

66卷

(3)区域土地利用优化配置是一个复杂的多目标决策过程，本文从整体考量区域土地利用优化配置数量、空间、时间三维特征的的角度，实现了多目标约束的市级区域土地利用的优化配置，在后续研究中将进一步探讨多尺度下的土地利用优化配置、解决土地利用空间单元之间及内部的微观要素的时空匹配关系，以构建集宏观与微观于一体的区域土地利用优化配置模型。

参考文献(References)

[1]Cai Yunlong,Li Jun.Measurement of land use sustain ability:Comprehensive method representing processes.Acta

Geographical Sinica,2003,58(2):305-313.[蔡运龙,李军.土地利用可持续性的度量:一种显示过程的综合性方法.地理学报,2003,58(2):305-313.]

[2]Liu Yansui,Zheng Weiyuan.Sustainable Land Use of China.Beijing:Science Press,2008.[刘彦随,郑伟元.中国土地可持

续利用论.北京:科学出版社,2008.]

[3]WCED.Our Common Future.Oxford:Oxford University Press,1987.

[4]United Nations Conference on Environment and Development(UNEP).Report of the United Nations Conference on

Environment and Development.Agenda,1992.

[5]FAO.FESLM:An international framework for evaluating sustainable land management.World Soil Resource Report73.

FAO,Rome,Italy,1993.

[6]Fu Bojie,Chen Liding,Ma Cheng.Indicators and method of sustainable land use.Journal of Natural Resources,1997,12

(2):112-118.[傅伯杰,陈立顶,马诚.土地持续利用评价的指标体系和方法.自然资源学报,1997,12(2):112-118.] [7]Long Hualou,Cai Yunlong,Wan Jun.Sustainability evaluation of land use in development zone:The case of Kunshan.Acta

Geographica Sinica,2000,55(6):719-728.[龙花楼,蔡运龙,万军.开发区土地利用的可持续性评价:以江苏昆山经济技术开发区为例.地理学报,2000,55(6):719-728.]

[8]Chen Baiming,Zhang Fengrong.Theory and methodology for sustainable land use indicator system in China.Journal of

Natural Resources,2001,16(3):197-203.[陈百明,张凤荣.中国土地持续利用评价指标体系的理论与方法.自然资源学报,2001,16(3):197-203.]

[9]Liu Yansui,Chen Baiming.The study framework of land use/cover change based on sustainable development in China.

Geographical Research,2002,21(3):324-330.[刘彦随,陈百明.中国可持续发展问题与土地利用/覆被变化研究.地理研究,2002,21(3):324-330.]

[10]Liu Jiyuan,Liu Mingliang,Zhuang Dafang et al.Analysis on the spatial pattern of recent land use changes in China.

Science in China:Series D,2002,32(12):1031-1040.[刘纪远,刘明亮,庄大方等.中国近期土地利用变化的空间格局分析.中国科学:D辑,2002,32(12):1031-1040.]

[11]Li Shaoxiang,Liu Yansui.Study on optimal allocation of land resource and its sustainable use,Rural Eco-Environment,

1999,15(2):8-12.[倪绍祥,刘彦随.区域土地资源优化配置及其可持续利用.农村生态环境,1999,15(2):8-12.] [12]Aerts J C J H,Eisinger E,Heuvelink G B M et https://www.docsj.com/doc/a36435326.html,ing linear integer programming for multi site land use allocation,

Geographical Analysis,2003,35(2):148-169.

[13]Luo Geping,Zhang Baiping.Sustainable land use models for arid lands:A case study of the northern Tianshan mountain

areas.Acta Geographical Sinica,2006,61(11):1160-170.[罗格平,张百平.干旱区可持续土地利用模式分析:以天山北坡为例.地理学报,2006,61(11):1160-170.]

[14]Ligmann-Zielinska A,Church R L,Jankowski P.Spatial optimization as a generative technique for sustainable

multiobjective land-use allocation.International Journal of Geographical Information Systems,2008,22(6):601-622. [15]Liu Yansui,Fang Chuanglin.A study on regional forced land use convertion and optimal allocation:Taking the Three

Gorges Reservoir Area as an example.Journal of Natural Resources,2001,16(4):334-340.[刘彦随,方创琳.区域土地利用类型的胁迫转换与优化配置:以三峡库区为例.自然资源学报,2001,16(4):334-340.]

[16]Zhao Gengxing,Wang Renchao,Shang Jianye.Study on land use system dynamics simulation of Kenli County,Yellow

River Delta.Journal of Zhejiang Agricultural University,1998,24(2):141-147.[赵庚星,王人潮,尚建业.黄河三角洲垦利县土地利用的系统动力学仿真模拟研究.浙江农业大学学报,1998,24(2):141-147.]

[17]Liu Yanfang,Li Xinglin,Gong Hongbo.Optimization for land use structure based on genetic algorithms.Geomatics and

Information Science of Wuhan University,2005,30(4):287-292.[刘艳芳,李兴林,龚红波.基于遗传算法的土地利用结构优化研究.武汉大学学报:信息科学版,2005,30(4):287-292.]

[18]Aerts J C J H,Heuvelink G B https://www.docsj.com/doc/a36435326.html,ing simulated annealing for resource allocation.International Journal of Geographical

Information Science,2002,16(6):571-587.

[19]Janssen R,Herwijnen M V.Multiobjective decision support for land-use planning.Environment and Planning B:Planning

7期张鸿辉等：多智能体区域土地利用优化配置模型及其应用

983 and Design,2008,35(4):740-756.

[20]Stewart T J,Janssen R,Herwijnen M V.A genetic algorithm approach to multiobjective land use https://www.docsj.com/doc/a36435326.html,puters and

Operations Research,2004,311(14):2293-2313.

[21]Zhen Xinqi.Study on the Optimum Allocation and the Intensive Use of Urban Land.Beijing:Science Press,2004.[郑新

奇.城市土地优化配置与集约利用评价.北京:科学出版社,2004.]

[22]Wang Xinhao,Yu Sheng,Huang G https://www.docsj.com/doc/a36435326.html,nd allocation based on integrated GIS-optimization modeling at a watershed

https://www.docsj.com/doc/a36435326.html,ndscape and Urban Planning,2004,66:61-74.

[23]Gao Qingzhu,Kang Muyi,Xu Hongmei et al.Optimization of land use structure and spatial pattern for the semi-arid loess

hilly-gully region in China.Catena,2010,81(3):196-202.

[24]Chen Yunhao,Li Xiaobing,Su Wei et al.Simulating the optimal land-use pattern in the farming-pastoral transitional zone

of northern https://www.docsj.com/doc/a36435326.html,puters,Environment and Urban Systems,2008,32(5):407-414.

[25]Liu Yansui.Optimal Regional Allocation of Land Use.Beijing:Academy Press,1999.[刘彦随.区域土地利用优化配置.

北京:学苑出版社,1999]

[26]Liu Yansui.Family models used in optimal allocation of regional land use.Progress in Geography,1999,18(1):26-31.[刘

彦随.土地利用优化配置中系列模型的应用:以乐清市为例.地理科学进展,1999,18(1):26-31.]

[27]Zhang Hongqi,Li Jiayong,Niu Dong.Study on spatial optimization allocation of land use in the typical red soil hilly

region in South China.Acta Geographical Sinica,2003,58(5):668-676.[张红旗,李家永,牛栋.典型红壤丘陵区土地利用空间优化配置.地理学报,2003,58(5):668-676.]

[28]Zhang Honghui,Zeng Yongnian,Jin Xiaobin et al.Urban land expansion model based on multi-agent system and

application.Acta Geographica Sinica,2008,63(8):869-881.[张鸿辉,曾永年,金晓斌等.多智能体城市土地扩张模型及其应用.地理学报,2008,63(8):869-881.]

[29]Liu Xiaoping,Li Xia,Ai Bin et al.Multi-agent systems for simulating and planning land use development.Acta

Geographica Sinica,2006,61(10):1101-1112.[刘小平,黎夏,艾彬等.基于多智能体的土地利用模拟与规划模型.地理学报,2006,61(10):1101-1112.]

[30]Kennedy J,Eberhart R C.Particle Swarm Optimization.International Conference on Neural Networks,Australia,1995

[31]Du Guoming,Chen Xiaoxiang,Li Xia.Spatial optimal search based on particle swarm optimization.Acta Geographica

Sinica,2006,61(12):1290-1298.[杜国明,陈晓翔,黎夏.基于微粒群优化算法的空间优化决策.地理学报,2006,61

(12):1290-1298.]

[32]Feng Yongjiu,Tong Xiaohua,Liu Yan et al.A particle swarm intelligence based cellular model for urban m orphology

evolution modelling:Case study in Jiading District of Shangha.Journal of Geo-Information Science,2010,12(1):17-25.

[冯永玖,童小华,Liu Yan等.城市形态演化的粒子群智能随机元胞模型与应用:以上海市嘉定区为例.地球信息科学学报,2010,12(1):17-25.]

[33]Zhao B,Guo C X,Cao Y J.A multi-agent based particle swarm optimization approach for optimal reactive power

dispatch.IEEE Transactions on Power Systems,2005,20(2):1070-1078.

[34]Dan Chenglong.On theory and approach of sustainable land use planning[D].Nanjing:Nanjing Agricultural University,

2002.[但承龙.可持续土地利用规划理论与方法研究.南京:南京农业大学,2002.]

[35]Ouyang Zhiyun,Weisman J,Wang Rusong.Ecological niche suitability model with an application in taojiang land use

planning.Journal of Environment Science,1994,6(4):449-456.

[36]Fonseca C M,Fleming P J.Multi objective optimization and multiple constraint handling with evolutionary algorithms:

Part I.A unified formulation.IEEE Transactions on Systems,Man and Cybernetics,1998,28(1):26-37.

[37]He Chunyang,Shi Peijun,Chen Jin et al.Developing land use scenario dynamics model by the integration of system

dynamics model and cellular automata model.Science in China:Series D,2005,35(5):464-473.[何春阳,史培军,陈晋等.基于系统动力学模型和元胞自动机模型的土地利用情景模拟研究.中国科学:D辑,2005,35(5):464-473.] [38]Peng Buzhuo,Zhou Shenglu.Planning Science of Land Use.Nanjing:Southeast University Press,2003.[彭补拙,周生路.

土地规划学.南京:东南大学出版社,2003.]

[39]Lu Feng,Cui Xiaohui.Multi criteria decision grey relation projection method and its application.Systems Engineering:

Theory&Practice,2002,22(1):103-107.[吕锋,崔晓辉.多目标决策灰色关联投影法及其应用.系统工程理论与实践, 2002,22(1):103-107.]

地理学报

984

66卷

A Model for Regional Land Use Optimization Allocation

Based on Multi-agent System and Its Application

ZHANG Honghui1,2,3,ZENG Yongnian1,2,TAN Rong4,LIU Huimin1,2

(1.School of Geoscience and Geomatics,

2.Center for Geomatics and Sustainable Development Research,Central South University,Changsha410083,China;

3.Changsha planning information service center,Changsha410013,China;

4.School of Public Administration,Zhejiang University,Hangzhou310028,China) Abstract:Land use optimization allocation is one of the important aspects of sustainable regional land use.However,the current prevalent land use optimization allocation model,which is used for directing a sustainable land use system,needs to be improved,because the current models ignore the collaborative optimization of land uses in terms of quantitative structure, spatial pattern,and benefit.The objective of this paper is to establish a new model to solve the shortcomings,i.e.,the RLUOA(Regional Land Use Optimization Allocation)model,which aims to achieve regional sustainable land use.The model is established through a multi-agent system,which defines respectively the decision making rules of the related agents including the central government of the region,the branches of the government that implements the downstream orders,and the land users practically using the land.The RLUOA model was applied to the simulation of land use optimization allocation in Changsha,a typical city located in central China.The simulation result shows that the model can reasonably allocate the land into different spatial units under the constraint of multi-objective,and achieve the collaborative optimization of land use in terms of quantitative structure,spatial pattern,and benefit.The resulted optimal land allocation meets the requirements of building economically feasible, socially acceptable,and environment-friendly land use pattern,and improves obviously the overall economic,ecological and social benefits of the land use in the region.Consequently,the model can provide auxiliary support and scientific references for the decision making associated with sustainable regional land use and for the general land use planning design.

Key words:land use allocation;quantitative optimization;spatial optimization;beneficial optimization;multi-agent system;sustainable development；Particle Swarm Optimization

多智能体技术

多智能体技术 [摘要]当今，分布式人工智能研究的一个热点是多智能体系统，它是分布式问题求解的进一步发展。随着多智能体理论与技术的发展，其应用范围也在不断扩大着，但是由于其理论与应用研究刚起步不久，还有不少问题有待解决。本论文回顾了多智能体技术的发展历史，指出了多智能体理论及应用的研究方向，介绍了多智能体技术的基本概念和特点，多智能体系统的体系结构，多智能体中的协调与协作方法等内容。 [关键词]多智能体系统；多智能体结构；多目标优化；协调协作 Multi-agent technology [Abstract] Nowadays, one of the hot points in distributed artificial intelligence research is multi-agent system, which is the further development in distributed problem solving. With the development of multi-agent theory and technology, its application is being expanded.As the theory and application is just starting, there are many issues to be resolved.In this paper, the thesis reviews the development of EGCS, points out the research directions of multi-agent theory and application, and introduces the basic concepts and characteristics, Multi-agent system architecture，the coordination and collaboration on Multi-agent system. [Keywords] Multi-agent systems；Multi-agent architecture；Multi-objective optimization；Coordination and collaboration 1.前言 目前的工业系统正向大型、复杂、动态和开放的方向转变，传统的工业系统和多机器人技术在许多关键问题上遇到了严重的挑战。分布式人工智能 (DAI，Distributed Artificial Intelligence)与多智能体系统(MAS, Multi-Agent System)理论为解决这些挑战提供了一种最佳途径。智能体系统是分布式人工智能的一个重要分支，是20世纪末至21世纪初国际上人工智能的前沿学科。研究的目的在于解决大型、复杂的现实问题，而解决这类问题已超出了单个智能体的能力，将DAT、MAS充分应用于工业系统和多机器人系统的结果，便产生了一门新兴的机器人技术领域一多智能体机器人系统(MARS，MultiAgent Robot System)。总的来说，多智能体系统领域正在蓬勃发展。 2.多智能体 2.1多智能体理论的发展历史 智能体—Agent的概念最早可以追溯到1977年的 Carl Hewitt的“Viewing Control Structure as Patterns of Passing Messages”一文。在此文中，Carl Hewitt 给出了一个称为“Actor”的对象，它具有自身的内在状态，又能与其他同类对象发送和反馈信息。而正式采用“Agent”一词可见于M. Minsky于1986年出版的“Society of Mind”一书，文中用“Agent”称呼一些具有特别技能的个体，它们存在于社会中，并通过竞争或协商求解矛盾[1]。 多智能体系统（简称 MAS）是由多个单Agent组成的集合，该系统可以协调一组Agent的行为（知识、目标、方法和规划），以协同完成一个任务或是求解问题，各个单

烧结机智能控制系统的应用

烧结机智能操纵系统的应用 1烧结智能操纵系统的软件设计 1.1L1、L2系统使用的软件说明一级系统采纳的是法国Rockwell公司基于Windows.XP操作平台的操纵系统，其中使用了FactoryTalk、RSLinx、RSLogix5000编程软件；二级系统使用的是Microsoft公司的MSSQL软件，L1、L2之间数据传输使用的是RSSQL软件。FactoryTalk 是Rockwell公司用于开发和运行多用户、分布式服务器人机界面应用 项目的集成软件包。通过FactoryTalk提供的一种通用语言来描述企 业自动化系统及其制造过程，从而实现了关键的工厂生产数据与企业 其他数据之间的集成。RSLinx是工业通讯的枢纽，利用该软件能够通 过一个窗口查看所有激活的网络，也能够通过通讯接口同时运行任何 支持的应用程序的组合。 RSLogix5000是ControlLogix系列可编程操纵器的编程软件，具有模块化、可扩展的结构，其灵活易用、界面友好，有诊断和纠错的功能。MSSQL是一个数据库平台，提供数据库从服务器到终端完整的解决方案，拥有非常庞大的治理功能。RSSQL是基于WindowsNT、在操纵系统与数 据库系统之间提供双向连接的工业数据事务治理系统。在操纵端，RSSQL能够连接RSLinx、OPCServer等，在数据库端，能够利用OLE- DB连接MSSQL，利用OCI连接Oracle，或者连接任何支持ODBC接口的数据库。图2为RSSQL系统框图。RSSQL是优越性能与专业功能的完美结合，它支持单向、双向数据的传送，能完成实时表达式的计算，能 够灵活配置数据采集方式和事物治理的触发方式、存储方式，能够满 足各种应用需求。RSSQL主要包括4个基本组件，即1个用户图形界面GUI和3个NT服务。其中，3个NT服务分别为：①传输治理器（TransactionManager）。它主要执行传输治理、操纵数据的采集、 处理和存储。②操纵连接器（ControlConnectorServices）。它是与 操纵系统连接的接口，主要有DDE、RSLinxOPC、RSView32、GenericOPC等。③企业连接器（EnterpriseConnectorServices）。它

土地利用战略与统筹区域土地利用研究

土地利用战略与统筹区域 土地利用研究 Prepared on 22 November 2020

土地利用总体规划修编前期专题研究之专题五崇左市土地利用战略与统筹区域 土地利用问题研究 （送审稿） 崇左市国土资源局 南京大学国土资源与旅游学系 二〇〇七年七月

目录

1 研究目的意义与任务 目的意义 土地利用战略研究目的意义 （1）土地利用战略研究是凸现土地利用总体规划战略性的必然要求 土地利用总体规划是一项长期的、大范围的、综合性的控制规划，所以也就决定了它战略性的特点。土地利用战略研究可以从经济、社会、环境等各个方面来指导如何集约利用土地，提高土地的利用效益。 （2）土地利用战略研究有助于从根本上把握和解决当前土地利用问题 由于崇左市成立不久，社会经济的发展属于刚起步，目前经济发展和土地利用之间的矛盾还不是十分突出。但是随着中国-东盟自由贸易区的建立，崇左市作为广西乃至全国通往越南以及其他东南亚国家的国际大通道，必将对区域土地利用提出新的要求，例如建设用地的需求将大大增加等。土地利用战略研究就是为了解决目前土地利用中存在的问题，以及预计将来土地利用中可能存在的问题，并且提出解决方案。 （3）土地利用战略研究是土地政策参与国民经济宏观调控的前提和基础 土地是国民经济和社会发展的基础，国民经济与社会发展是一定时期内土地利用变化的决定性驱动因素。因此，土地是政府进行国民经济宏观调控的手段之一，不同的土地利用战略、政策将会对区域经济的发展产生重大影响。崇左市是一个边境贸易城市，处在对外开放的前沿，随着西部大开发、泛珠三角经济区、以及中国-东盟自由贸易区等一系列政策的出台，崇左市面临着新的机遇和挑战。如何在新的经济发展的过程中集约合理的利用土地，以及如何使土地利用能够更好的促进社会经济的发展是土地利用战略研究的重要内容。

土地利用动态变化研究方法探讨

来稿日期:1998210 土地利用动态变化研究方法探讨 王秀兰 包玉海 (中国科学院遥感应用研究所,北京　100101) 摘　要　本文从全球变化的研究热点——“土地利用 土地覆盖变化”的涵义及研究内容出发,概括分析了土地利用变化研究的方法—土地利用变化模型的建立,阐述了各类模型的涵义及在土地利用变化研究中的意义,并重点介绍了定量研究土地利用动态变化的几种模型—(1)土地资源数量变化模型;(2)土地资源生态背景质量变化模型;(3)土地利用程度变化模型;(4)土地利用变化区域差异模型;(5)土地利用空间变化模型;(6)土地需求量预测模型。 关键词　土地利用　土地利用动态变化　模型 1　引言 面对当前日益加剧的人口—资源—环境问题,全球变化研究成为近年来国际上最为活跃的研究领域之一。而在众多的全球变化问题中,土地利用 土地覆盖变化研究显得尤为重要,其原因有二:首先,土地利用 土地覆盖变化是引起其它全球变化问题的主要原因,因而在全球环境变化和可持续发展研究中占有重要地位;其次,地球系统科学、全球环境变化以及可持续发展涉及到自然和人文多方面的问题,而在全球环境变化问题中,土地利用 土地覆盖变化可以说是自然与人文过程交叉最为密切的问题。因而隶属于“国际科学联合会(I CSU )”的IGB P 和隶属于“国际社会科学联合会(ISSC )”的H PP ,希望以此为突破口,推动全球问题的综合研究。建立土地利用 土地覆盖变化(简称LU CC )模型是深入了解土地利用 土地覆盖变化成因、过程,预测未来发展变化趋势的重要手段,也是土地利用 土地覆盖变化及全球变化研究的主要方法。长期以来,在许多研究领域,人们从不同的角度出发,构建了大量的模型,对土地利用 土地覆盖变化的研究起到了积极的作用。本文从全球变化的研究热点—“土地利用 土地覆盖变化”的涵义及研究内容出发,阐述了研究土地利用 土地覆盖变化的几类模型,并重点介绍了定量研究土地利用动态变化的几种模型:(1)土地资源数量变化模型;(2)土地资源生态背景质量变化模型;(3)土地利用程度变化模型;(4)土地利用变化区域差异模型;(5)土地利用空间变化模型;(6)土地需求量预测模型。 2　土地利用变化的研究内容及研究方法 211　土地利用变化的概念及研究内容 土地覆盖是指地球表层的自然属性和生物物理属性,而土地利用则指土地的使用状况第18卷第1期 1999年3月地　理　科　学　进　展PRO GR ESS I N GEO GRA PH Y V o l .18,N o .1M ar .,1999

智能控制的主要应用领域

一）智能控制的主要应用领域？ 答：1在机器人系统中的应用2）在CIMS计算机/现代集成制造系统和CIPS计算机/现代集成作业系统中的应用3）在航天航空控制系统中的应用4）在社会经济管理系统中的应用5）在交通运输系统中的应用。 二）专家系统的组成、主要类型？ 答：专家系统主要有四部分组成1）知识库，包括事实、判断、规则、经验知识和数学模型2）推理机，首先把知识库中的专家知识及数据库中的有关事实，以一定的推理方式进行逻辑推理以给出结论3）解释机制是专家系统区别于传统计算机程的主要特征之一，它可以向用户回答如何导出推理的结论4）知识获取系统，主要完成机器学习。 类型：1）控制系统辅助设计2）过程监控、在先诊断、故障分析与预测维护；3）过程控制4）航天故障诊断与处理5）生产过程的决策与调度。 三）智能控制的产生和发展过程及其主要代表人物？ 答：1）启蒙期从20世纪60年代起，F.W.史密斯提出采用性能模式识别器;1965年,美国扎德模糊集合;1966年,J.M.门德尔人工智能控制; 2)形成期20世纪70年代傅京孙、曼德尼3）发展期20世纪80年代4）高潮期20世纪90年代 四)人工神经网络的特点? 答:1)可以充分逼近任意复杂的非线形关系2)所有定量或定性的信息都分布储存于网络内的各神经元的连接上,故有很强的鲁棒性和容错性3)采用并行分布处理方法,使得快速进行大量运算成为可能4)可自学习和自适应不确知或不确定的系统。 五）智能控制的应用对象？ 答：1）不确定的模型传统的控制是基于模型的控制，这里的模型包括控制对象和干扰模型。 2）高度的非线性传统控制理论中的线性系统理论比较成熟。 3）复杂的任务要求在传统的控制系统中，控制的任务或者是要求输出量为定值，或者是要求输出量跟随期望的运动轨迹，因此控制任务的要求比较单一。对于智能控制系统，任务的要求往往比较复杂。 六）傅京孙关于智能控制的论文中列举的三种智能控制系统？ 答：1）人作为控制器的控制系统2）人机结合作为控制器的控制系统3）无人参与的智能控制系统。 七）模糊控制器的主要特点？ 答：1）设计简单。模糊控制器是一种基于规则的控制。 2）适用于数学模型难以获取、动态特性不易掌握或变化非常显著的对象。 3）控制效果优于常规控制器。 4）具有一定的智能水平， 5）模糊控制系统的鲁棒性强。 八）隶属函数选择的基本准则？ 答：1）表示隶属度函数的模糊集合必须是凸模糊集合。 2）变量所取隶属度函数通常是对称的、平衡的。 3）隶属度函数要符合人们的语义顺序，避免不恰当的重叠。 4）论域中每个点至少属于一个隶属度函数的区域，并应属于不超过两个隶属度函数的区域， 5）当两个隶属度函数重叠时，重叠部分对两个隶属度函数的最大隶属度不应有交叉，6）当两个隶属度函数重叠时，重叠部分的任何点的隶属度函数的和应该小于或等于1。九）隶属度函数确定的三种主要方法。

连云港市土地利用战略研究

连云港市土地利用战略研究 引言：由于人口急剧增长，而可利用的土地资源相对越来越少，因此土地利用问题逐渐引起世界各国的重视。人口向城市集中的趋势和城市。占地面积的日益扩大，引起城市用地，特别是农业用地的矛盾。此外，由于技术的进步，人类改造，利用自然环境的能力日益提高，如稍处理不当，就会出现污染环境和破坏生态平衡的问题，往往首先表现在土地利用上。因此土地合理利用至关重要。关键词土地利用优化配置合理布置可持续发展 一．土地利用现状与形势 1.区位条件 连云港市地处江苏省东北部，黄淮海平原的中东部，介于北纬34°07′—35°08′，东经118°24′—119°55′之间，北与山东省毗邻，南以灌河与盐城、淮安市接壤，东与日本、韩国隔海相望，西部与徐州市相连。 2.土地利用现状 截止2005年底，连云港市土地总面积749990.4公顷，其中农用地521176.5公顷，建设用地157866.8公顷，其他土地70947.1公顷，分别占土地总面积的69.49%、21.05%和9.46%。 2.1农用地：耕地383528.6公顷，园地16041.8公顷，牧草地0.17公顷，林地21078.0公顷，其他农用地100526.0公顷，分别占土地总面积的51.14%、2.14%、近0.00%、2.81%和1 3.40%。全市耕地资源质量较好，主要分布于赣榆、东海、灌云、灌南四县境内。 2.2建设用地：城镇用地20175.30公顷，农村居民点用地63212.69公顷，其他独立建设用地706.40公顷，采矿用地470.90公顷，交通运输用地642 3.26公顷，水利设施用地34601.80公顷，盐田30587.80公顷，风景名胜设施用地1630.9公顷，特殊用地957.80公顷，分别占土地总面积的2.69%、8.31%、0.09%、0.06%、0.86%、 4.61%、4.08%、0.22%和0.13%。城镇工矿用地集中于市区和县城区，农村居民点市域内散布。 2.3其他土地：自然保留地53919.6公顷，水域17027.6公顷，分别占土地总面积的7.19%和2.27%。自然保留地主要集中分布于市域东部地区，水域市内广泛分布。 二．自然社会经济发展及用地需求量预测 1.自然社会经济发展 连云港市下辖东海、赣榆、灌云、灌南四县，新浦、海州、连云三区。2005年，全市总人口472.18 万人，城市化率为36.28%，其中市区人口70.17万人，全市实现地区生产总值455.97亿元，人均地区生产总值9656.9 元。一、二、三产业结构比例为20.5：44.2：35.3。 2.用地需求量预测 2.1到2020年，连云港市耕地保有量不低于382745.3公顷，其中到2010年，连云港市耕地保有量不低于382778.2公顷。 2.2到2020年，全市土地开发复垦整理补充耕地面积不低于12226.4公顷。其中，到

各种新模型新方法在土地利用规划中的应用

各种新模型新方法在土地利用规划中的应用 摘要：土地利用规划是协调各业用地需求、保护土地资源、保障经济社会可持续发展的重要措施，是合理配置土地、实施土地用途管制、促进城乡建设合理有序进行的重要手段。本文介绍了诸多模型与方法在土地利用规划中的应用。 关键词：土地利用规划线性回归法移动平均法指数平滑法灰色预测法系统动力学的模型人工神经网络预测法元胞自动机AHP一GA模型1前言 我国相对薄弱的土地资源在新世纪初期正承受来自三方面的巨大压力。一是人口增长对食物的需求形成了对耕地保护的压力。二是社会经济快速发展对土地资源总量需求的压力。三是加强生态建设和环境保护对土地资源利用方式改变所形成的压力。土地利用规划是协调各业用地需求、保护土地资源、保障经济社会可持续发展的重要措施，是合理配置土地、实施土地用途管制、促进城乡建设合理有序进行的重要手段。在新世纪初期，随着资源、环境与经济社会发展的矛盾日益加大，各业用地矛盾加剧，耕地、林地、湿地等一些重要土地资源短缺问题日益突出，土地利用规划工作的难度将进一步加大，任务更加繁重。 土地利用总体规划是一定规划区域内，根据当地自然和社会经济条件以及国民经济发展的要求，协调土地总供给与总需求，确定或调整土地利用结构和用地布局的宏观战略措施，其核心就是确定或调整土地利用结构和用地布局。优化土地利用结构是在保证土地利用效率最大化的前提下，解决土地供需平衡的有效途径。土地利用结构优化的过程实质上是将有限的土地资源充分、有效、合理配置的过程，该过程其实也就是一个多目标决策的问题。通过多目标决策，确定了土地利用结构，也就实现了一个区域土地利用规划。在土地利用规划的编制工作中，结构优化一般采用传统的土宜法、综合平衡法、线性规划法、灰色线性规划法、模糊线性规划法等。近年来，随着人工智能和专家决策系统思想的引入，人工神经网络(ANN)和遗传算法(GneectiAlgorithnts，GA)等智能算

多智能体系统一致性综述

多智能体系统一致性综述 一 引言 多智能体系统在20世纪80年代后期成为分布式人工智能研究中的主要研究对象。研究多智能体系统的主要目的就是期望功能相对简单的智能体系统之间进行分布式合作协调控制，最终完成复杂任务。多智能体系统由于其强健、可靠、高效、可扩展等特性，在科学计算、计算机网络、机器人、制造业、电力系统、交通控制、社会仿真、虚拟现实、计算机游戏、军事等方面广泛应用。多智能体的分布式协调合作能力是多智能体系统的基础，是发挥多智能体系统优势的关键，也是整个系统智能性的体现。 在多智能体分布式协调合作控制问题中，一致性问题作为智能体之间合作协调控制的基础，具有重要的现实意义和理论价值。所谓一致性是指随着时间的演化，一个多智能体系统中所有智能体的某一个状态趋于一致。一致性协议是智能体之间相互作用、传递信息的规则，它描述了每个智能体和其相邻的智能体的信息交互过程。当一组智能体要合作共同去完成一项任务，合作控制策略的有效性表现在多智能体必须能够应对各种不可预知的形式和突然变化的环境，必须对任务达成一致意见，这就要求智能体系统随着环境的变化能够达到一致。因此，智能体之间协调合作控制的一个首要条件是多智能体达到一致。 近年来，一致性问题的研究发展迅速，包括生物科学、物理科学、系统与控制科学、计算机科学等各个领域都对一致性问题从不同层面进行了深入分析，研究进展主要集中在群体集、蜂涌、聚集、传感器网络估计等问题。 目前，许多学科的研究人员都开展了多智能体系统的一致性问题的研究，比如多智能体分布式一致性协议、多智能体协作、蜂涌问题、聚集问题等等。下面，主要对现有文献中多智能体一致性协议进行了总结，并对相关应用进行简单的介绍。 1.1 图论基础 多智能体系统是指由多个具有独立自主能力的智能体通过一定的信息传递方式相互作用形成的系统；如果把系统中的每一个智能体看成是一个节点，任意两个节点传递的智能体之间用有向边来连接的话，智能体的拓扑结构就可以用相应的有向图来表示。 用)(A E,V,G =来表示一个有向加权图，其中}{n 21v ,,v ,v V =代表图的n 个顶

土地利用战略研究再认识

随着第三轮土地利用规划修编工作的不断深入，人们的认识也不断深入，总结起来可分为几个明显的阶段。第一阶段，国家选定十四个试点城市最先开始规划修编工作。在这一阶段，主要还是总结上轮规划的不足。因此，各地纷纷在规划前期研究中设立实施评价专题，并结合地区实际，按照规程设立其它专题，很多工作还处于摸索状态，没有十分成形的做法。第二阶段，国办发３２号文件。在总结前一阶段工作成果的基础上，国土资源部于２００５年５月发布了《关于做好土地利用总体规划修编前期工作的意见》，明确提出“要从节约和集约用地、严格保护耕地的根本指导方针和实现“五个统筹”的要求出发，围绕落实规划修编的基本原则和目标，有针对性地开展若干重大问题的政策研究”，各地纷纷开始按照３２号文件的要求开展六大问题的研究。第三阶段，“四查清、四对照”工作。３２号文件出台后不久，国土资源部又发布了《国土资源部关于做好土地利用总体规划修编工作前期工作中“四查清、四对照”工作有关问题的通知》，通知明确要求各地必须在规划修编之前，严格按照国办发３２号文件要求，认真组织开展“四查清、四对照”工作。第四阶段，做好 实施评价工作。由于全国土地利用总体规划大纲被国务院驳回，目前各地土地利用规划修编工作进程放缓，国土资源部要求各地认真做好上轮规划的实施评价工作，完善规划的前期研究。因此，各地均开始结合“四查清、四对照”认真完善规划实施评价及各专题。通过对以上各个阶段的回顾，可以看出本轮规划修编工作的科学性和严肃性均有了大幅度的提高，笔者认为下一阶段工作的重点应该落在土地利用战略研究上。 １土地利用战略研究的涵义 土地利用战略研究是在土地利用现状分析的基础 上，针对土地利用中存在的问题，按照国民经济与社会发展总体目标的要求，合理确定土地利用战略目标和基本方针，是对土地资源的合理开发、利用、整治与保护所做的总体的、长期的宏观决策，是规划中首先要加以解决的问题［１］。因此，土地利用战略研究应该是在时空上进行土地利用优化、土地潜力挖掘和土地资源保护的、具有战略指导意义的土地利用规划先行研究，它是对土地利用的长期性、全局性和稳定性进行宏观统筹的策略。 土地利用战略研究再认识 靳晓雯 欧名豪 （南京农业大学公共管理学院，江苏南京２１００９５） 摘要：从土地利用战略研究的涵义、理念与我国现行土地利用战略研究的范式出发，分析了当前我国土地利用战略研究的不足与存在的问题，并在此基础上提出了一些完善我国土地利用战略研究的建议。关键词：土地利用战略研究；土地利用规划 ＲｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅＳｔｒａｔｅｇｉｃＳｔｕｄｙｏｎｔｈｅＬａｎｄＵｓｅ ＪＩＮＸｉａｏ－ｗｅｎ，ＯＵＭｉｎｇ－ｈａｏ （ＣｏｌｌｅｇｅｏｆＬａｎｄＡｄｍｉｎｉｓｓｔｒａｔｉｏｎＮａｎｊｉｎｇＡｇｒｉｃｕｌｔｕｒｅＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｌａｎｄｕｓｅｓｔｒａｔｅｇｉｃｓｔｕｄｙｉｍｐｌｉｃａｔｉｏｎ，ｔｈｅｉｄｅａａｎｄｔｈｅｍｏｄｅｌｏｆｏｕｒｃｏｕｎｔｒｙｐｒｅｓｅｎｔｌａｎｄｕｓｅｓｔｒａｔｅｇｉｃｓｔｕｄｙ，ｔｈｅｐａｐｅｒ ｄｅｓｃｒｉｂｅｓｓｏｍｅｉｎｓｕｆｆｉｃｉｅｎｔａｎｄｑｕｅｓｔｉｏｎｓａｂｏｕｔｏｕｒｃｏｕｎｔｒｙｐｒｅｓｅｎｔｌａｎｄｕｓｅｓｔｒａｔｅｇｉｃｓｔｕｄｙ，ａｎｄｐｒｏｐｏｓｅｓｓｏｍｅｓｕｇｇｅｓｔｉｏｎｔｏｍａｋｅｏｕｒｃｏｕｎｔｒｙｌａｎｄｕｓｅｓｔｒａｔｅｇｉｃｓｔｕｄｙｃｏｎｓｕｍｍａｔｅｄ． Ｋｅｙｗｏｒｄｓ：Ｌａｎｄｕｓｅｓｔｒａｔｅｇｉｃｓｔｕｄｙ；ｌａｎｄｕｓｅｐｌａｎｎｉｎｇ 第６卷第５期２００７年１０月 Ｖｏｌ．６Ｎｏ．５Ｏｃｔ．，２００７ 广东土地科学 ＧＵＡＮＧＤＯＮＧＴＵＤＩＫＥＸＵＥ

土地利用变化研究进展

土地利用变化研究进展 侯鹏程 （上海农林职业技术学院，上海松江：201600） 摘要：土地利用是自然条件和人为活动的综合反映，它的变化可以引起许多自然和生态过程的变化。 关键词：土地利用；土地覆盖；进展 一、土地利用变化的概念及研究意义 （一）土地利用的概念 土地利用变化是人类与地球环境进行物质、能量交互作用的重要表现。发生于任何时空尺度，它不仅影响陆地生态系统的地理分布格局及其生产力。客观反映人类改变地球生物化学循环、生态系统的结构和功能及产品和服务的供应，而且还再现了陆地表面的时空变化过程[1]。土地利用是指人类有目的地开发利用土地资源的一切活动，如农业用地、工业用地、交通用地、居住用地等都是土地利用的概念；而土地覆盖则是指地表自然形成的或者人为引起的覆盖状况，例如：与前面所述各种用地相关的物质现状包括各类作物、森林、草地、房屋、水泥及沥青路面等则为土地覆盖的概念。土地利用与土地覆盖有着密切的关系，可以理解为事物的两个方面，其中一个是发生在地球表面的过程，另一个则是各种地表过程（包括土地利用）的产物[2]。无论是在全球的尺度还是国家或者区域的尺度上，土地利用的变化在不断地导致土地覆盖的加速变化。 总之，土地利用和土地覆盖是两个既有密切联系又有本质区别的重要概念。土地利用一般是指人类为获取所需要的产品或服务所进行的土地资源利用活动，是人类对土地自然属性的利用方式和利用状况，包含着人类利用土地的目的和意图。 （二）土地利用变化的定义 土地利用/土地覆盖的变化(Land-use and land-cover change 简称为：LUCC)是国际地圈生物圈计划(IGBP)与全球环境变化的人文因素计划(IHDP)的核心研究计划之一，是全球环境研究的热点和前沿问题[3]。土地利用/土地覆盖变化之所以受到人们的关注，是因为土地利用/土地覆盖变化是全球环境变化和陆地生态系统对全球气候变化和人类活动最重要的响应之一。 土地利用/土地覆盖变化由于影响到了人类生存与发展的自然基础，如气候、土壤、植被、水资源与生物多样性等，影响到地球生物化学圈层的结构、功能以及地球系统能量与物质循环等方面，与全球的气候变化、生物多样性的减少、生态环境演变以及人类与环境之间相互作用的可持续性等密切相关[4]。而且土地利用与土地覆盖作为一种人类的社会经济活动，也是人类对全球变化所做出的反应的一种方式。总而言之，土地利用与土地覆盖变化是所有与可持续发展相关问题的核心，可以说是“可持续发展理论”的开拓计划，土地利用与土地覆盖变化的作用是全球变化的关键，是自然与人文科学领域的“桥梁工程”。 [收稿日期]2007-08-21

多智能体系统及其协同控制研究进展

多智能体系统及其协同控制研究进展 摘要：:对多智能体系统及其协同控制理论研究和应用方面的发展现状进行了简要概述.首先给出Agent及多Agent 系统的概念和特性等,介绍了研究多Agent系统协同控制时通常用到的代数图论;然后综述了近年来多Agent系统群集运动和协同控制一致性方面的研究状况,并讨论了其在军事、交通运输、智能机器人等方面的成功应用;最后,对多Agent系统未来的发展方向进行了探讨和分析,提出几个具有理论和实践意义的研究方向,以促使多Agent系统及其协同控制理论和应用的深入研究. 关键词：多Agent系统(MAS)；协同控制；代数图论；群集运动；一致性协议 Advances in Multi-Agent Systems and Cooperative Control Abstract: Progress in multi-Agent systems with cooperative controlwas reviewed in terms of theoretical research and its applications. Firs,t concepts and features used to define Agents and multi-Agents were analyzed. Then graph theory was introduced, since it is often used in research on cooperative control of multi-Agent systems. Then advances in swarming/flocking as well as the means used to derive a consensus among multi-Agents under cooperative control were summarized. The application of these abilitieswas discussed for the military, transportation systems,and robotics. Finally, future developments for multi-Agent systemswere considered and significant research problems proposed to help focus research on key questions formulti-Agent systemswith cooperative control. Key words:Multi-Agent system (MAS) ; Cooperative control; Graph theory; Swarming/ flocking; Consensus protocol 分布式人工智能是人工智能领域中一个重要的研究方向,而多Agent系统(multi-Agent systemMAS)则是其一个主要的分支. 20世纪90年代,随着计算机技术、网络技术、通信技术的飞速发展,Agent及MAS的相关研究已经成为控制领域的一个新兴的研究方向.由于Agent体现了人类的社会智能,具有很强的自治性和适应性,因此,越来越多的研究人员开始关注对其理论及应用方面的研究.目前,人们已经将MAS的相关技术应用到交通控制电子商务、多机器人系统、军事等诸多领域.而在MAS中,Agent之间如何在复杂环境中相互协调,共同完成任务则成为这些应用的重要前提.近年来,从控制的角度对MAS进行分析与研究已经成为国内外众多学术机构的关注热点,人们在MAS协同控制问题上做了大量的研究工作,特别是在MAS群集运动控制和协同控制一致性问题方面取得了很大的进展.目前对MAS的研究总体上来说还处于发展的初步阶段,离真正的实用化还有一定的距离;但其广泛的应用性预示着巨大的发展潜力,这必将吸引更多专家、学者投入到这一领域的研究工作中,对MAS的理论及应用做进一步探索.根据上述目的,本文主要概述了多智能体系统(MAS)在协同控制方面的研究现状及其新进展. 1Agent与MAS的相关概念 1.1Agent的概念 Agent一词最早可见于Minsky于1986年出版的《Social of Mind》一书中.国内文献中经常将Agent翻译为:智能体、主体、代理等,但最常见的仍是采用英文“Agent”；因为Agent的概念尚无统一标准,人们对于

物联网温室智能控制系统的应用案例

物联网温室智能控制系统的应用案例 在全国各地区，现代化的农场种引进物联网技术是时代发展的需要，也是现代科技农业的重要体现。在乌拉特中旗海流图镇设施农业科技示范园区的温室内，物联网温室智能控制系统正在在紧罗密鼓的安装中。 物联网温室智能控制系统通过基于物联网技术对温室内外监测数据的分析，结合作物生长发育规律，利用相关设备，对温室进行实时监控，实现对作物优质、高产、高效的栽培目的。该套智能监控系统具有自动开启关闭卷帘、补光、滴灌等功能，并凭借智能化、自动化控制技术，调节作物的最佳生长环境。种植户可通过电脑、手机等信息终端随时随地查看温室内实时环境监测、预警信息，实现对温室大棚的网络智能化远程管理，充分发挥物联网技术在设施农业生产中的作用。 在地区农业的发展中，引进物联网温室智能控制系统有利于建设该地区的科技农业设施，起到示范作用，也有利于提高地区设施农业生产的科技含量和综合生产水平，促进设施农业现代化发展。另外通过农产品的安全质量追溯，可以改善市民的食品安全条件，增强市民的购买信心，提升农产品的市场竞争力。目前来看，农业物联网技术是现代农业逐步实现智能化、精确化、信息化的有力保障，而随着种植规模的扩大和温室大棚的普及推广，物联网温室智能控制系统将会得到越来越多的应用。 对于规模化的温室种植而言，借助人工管理需要大量人手和时间，并且存在难以避免的 人工误差。物联网技术的应用，真正实现了农业信息数字化、农业生产自动化、农业管理智能化，使温室大棚种植可达到提高产量、改善品质、节省人力、降低人工误差、提高经济效益的目的，实现温室种植的高效和精准化管理。托普温室种植监控系统，改变了传统温室种植管理在技术上的桎梏状态。

土地利用现状分析

作业：对你所在村的土地资源及利用现状进行调查分析（可有所侧重） 土地利用现状分析 土地利用现状是自然客观条件和人类社会经济活动综合作用的结果。它的形成与演变过程在受到地理自然因素制约的同时，也越来越多地受到人类改造利用行为的影响。不同的社会经济环境和不同的社会需求以及不同的生产科技管理水平，不断改变并形成新的利用现状。土地利用现状分析是对规划区域内现实土地资源的特点，土地利用结构与布局、利用程度、利用效果及存在问题作出的分析。土地利用现状分析是土地利用总体规划的基础，只有深入分析土地利用现状，才能发现问题，作出合乎当地实际的规划。因此，在编制土地利用规划时，必须对土地利用现状作深入调查，分析土地利用现状资料，找出土地利用存在问题，为土地利用总体规划的重要依据。 土地利用现状分类P1 土地利用现状分析P2示例 第一节土地利用现状分类 P1 土地利用现状评述内容（所有小点为超连接） 一、土地利用的自然与社会条件分析 二、土地资源数量质量的动态变化分析 三、土地利用结构与布局分析 四、土地利用程度与效益分析 五、土地利用生态条件分析 六、土地利用存在的问题 一、土地利用的自然与社会经济条件分析 主要对气候、地貌、土壤、水文、植被、矿藏、景观、灾害等自然条件、自然资源和人口、城市化、经济发展水平、产业结构、主要农产品产量与商品化程度、基础设施等社会经济条件进行分析、比较、明确本规划区土地利用的有利与不利因素。 二、土地资源数量、质量的动态变化分析：

根据土地详查、变更调查、土壤监测和人口、土地、农业、城乡建设统计年报，分析、比较规划区域各类土地面积、人均占有量和质量，以及土地利用近10年的变化情况，研究引起土地利用变化的原因，评价土地利用变化对经济、社会、环境的影响。 三、土地利用结构和布局分析： 土地利用结构和布局是研究各种用地，包括耕地、园地、林地、牧草地、居民点及工矿用地、交通用地、水域和未利用地占全规划区总面积的百分比，分析各类土地比例关系及各类土地在全区范围内的分布是否合理，总结土地利用的特点和规律。 四、土地利用程度与效益分析： 1、土地利用程度分析 主要有以下计算指标： 土地利用率=[（土地总面积-未利用土地面积）/土地总面积]*100% 农业利用率=农业用地（农林牧渔业用地）/土地总面积*100% 水面利用率=已利用水面面积/水面总面积*100% 建设用地率=建设用地（居民点、工矿、交通、水利设施用地等）/土地总面积*100% 土地垦殖率=（耕地面积/土地总面积）*100% 耕地复种指数=（全年农作物播种面积/耕地面积）*100% 土地复垦率=（废弃土地复垦利用面积/废弃土地总面积）*100% 人均城镇用地=城镇用地/城镇人口（平方米/人） 人均农村居民点用地=农村居民点用地/农村人口（平方米/人） 路网密度=公路里程/土地总面积（公里/百平方公里） 2、土地生产率分析： 单位土地经济密度=国民生产总值/土地总面积 单位面积产量（产值）=某作物产量（产值）/某作物播种面积 单位农业用地总产量=农、林、牧、渔总产值/农业用地面积； 单位耕地面积产量（产值）=作物产量（产值）/耕地面积； 单位水面水产品产量（产值）=水产品产量（产值）/水面面积； 五、土地利用生态条件分析 建立有人工调控的自然、社会和经济复合的土地生态系统，并在其运转过程中使自然结构、经济结构和社会结构相互促进，从而使土地发挥最大、更好的利用效益。 六、土地利用存在问题和建议分析 （1）人均耕地拥有量、耕地增减状况、原因，如何保护耕地； （2）农用地（耕地、园地、林地、牧草地）生产率与利用率与同类地区比较处何种水平，

土地利用规划

规划的最重要特征是其未来导向性。 规划就是对未来行动结果的预测，也是对实现这种结果行动的预先安排，并且是针对目标达成的行动过程这种不断趋近目标的所有努力。 土地利用总体规划：是指在特定区域内，根据当地的国民经济发展水平，社会条件和土地的自然条件等，合理调整土地开发、利用、整治、保护，在时间和空间上合理布局，实行五级控制体系，实现社会、经济、生态目标。 城市规划与土地利用规划之间的区别：城市规划主要是城镇建设用地规划，是局部的，土地利用规划是总体规划，是整体的。先有土地利用规划再有城市规划，土地利用规划控制城市规划。 土地利用规划任务：1、土地利用宏观调控；2、土地利用合理组织；3、土地利用的规范监督。 土地利用规划内容：1、土地利用现状分析与评价；2、土地供给量分析；3、土地需求量分析；4、土地利用战略；5、土地利用结构调整和布局；6、土地利用分区（相当于土地用途管制）；7、土地利用规划的实施措施 土地利用规划体系按等级层次分为土地利用总体规划、土地利用详细规划和土地利用专项规划；按区域性质分为行政区、自然区和经济区甚至跨区域土地利用规划；按规划深度分为土地利用规划、土地利用设计、土地利用施工。 在我国一般按照行政区划单位分为全国——省——市——县——乡五级土地利用规划。 土地利用规划编制程序：1、准备工作；2、编制规划；3、报批实施。 土地利用现状分析的内容：1、土地利用数量分析；2、土地利用结构分析；3、土地利用效益分析 土地利用变化的速率公式：()()/100%a b b k v v v T =-?? 区位熵：是指某一区域某地区某土地利用类型与该区域该土地利用类型面积的比例，与该地区总土地面积与该区域土地面积之比。 i i d s Q D S = Q 值高，地区优势明显，反之，则是劣势。 土地垦殖率=耕地面积/土地总面积*100% 土地利用率=已利用土地面积/土地总面积*100% 土地农业利用率=农业土地（耕地、园地、林地、目的、养殖水面）面积/土地总面积*100% 耕地复种指数=全年农作物播种面积/耕地总面积*100%（播种面积往往大于耕地面积） 水面利用率=已利用水面面积/水面总面积*100%（水库、养殖水面属于已利用水面） 林地覆盖率=林地面积（不包括果园面积）/土地面积*100% 林地覆盖率针对所有林地，森林覆盖率指有林地 单位播种面积产量=作物总产量/作物总播种面积（播种面积单产一定小于耕地单产） 粮食耕地年单产=粮食总产量/（粮食作物播种面积*复种指数）

多智能体系统一致性综述

多智能体系统一致性综述 引言 多智能体系统在20世纪80年代后期成为分布式人工智能研究中的主要研究对象。研究多智能体系统的主要目的就是期望功能相对简单的智能体系统之间进行分布式合作协调 控制，最终完成复杂任务。多智能体系统由于其强健、可靠、高效、可扩展等特性，在科 学计算、计算机网络、机器人、制造业、电力系统、交通控制、社会仿真、虚拟现实、计 算机游戏、军事等方面广泛应用。多智能体的分布式协调合作能力是多智能体系统的基 础，是发挥多智能体系统优势的关键，也是整个系统智能性的体现。 在多智能体分布式协调合作控制问题中，一致性问题作为智能体之间合作协调控制的基础，具有重要的现实意义和理论价值。所谓一致性是指随着时间的演化，一个多智能 体系统中所有智能体的某一个状态趋于一致。一致性协议是智能体之间相互作用、传递 信息的规则，它描述了每个智能体和其相邻的智能体的信息交互过程。当一组智能体要 合作共同去完成一项任务，合作控制策略的有效性表现在多智能体必须能够应对各种不可预知的形式和突然变化的环境，必须对任务达成一致意见，这就要求智能体系统随着环 境的变化能够达到一致。因此，智能体之间协调合作控制的一个首要条件是多智能体达到一致。 近年来，一致性问题的研究发展迅速，包括生物科学、物理科学、系统与控制科学、计算机科学等各个领域都对一致性问题从不同层面进行了深入分析，研究进展主要集中在群体集、蜂涌、聚集、传感器网络估计等问题。 目前，许多学科的研究人员都开展了多智能体系统的一致性问题的研究，比如多智能体分布式一致性协议、多智能体协作、蜂涌问题、聚集问题等等。下面，主要对现有文 献中多智能体一致性协议进行了总结，并对相关应用进行简单的介绍。 1.1 图论基础 多智能体系统是指由多个具有独立自主能力的智能体通过一定的信息传递方式相互作用形成的系统；如果把系统中的每一个智能体看成是一个节点，任意两个节点传递的智 能体之间用有向边来连接的话，智能体的拓扑结构就可以用相应的有向图来表示。 用G (V,E,A)来表示一个有向加权图，其中V { v1,v2 , ,v n} 代表图的n个顶点； E V V 是边集合，如果存在从第 i 个顶点到第 j 个顶点的信息流，则有e ij (v i,v j) E； A 是非负加权邻接矩阵e ij E a ij 0；节点v i的邻居集定义为N i {v j|(v i,v j) E} 。如果对所 有的e ij E意识着e ji E，则称 G是无向图。

智能控制理论及其应用论文

智能控制理论及其应用 [摘要] 本文回顾了智能控制理论的提出与发展过程，介绍了智能控制的特点，给出了智能控制理论的主要类型及其特点，列举了智能控制理论与技术的主要应用领域，最后总结了智能控制理论的发展趋势。 [关键词] 智能控制模糊控制神经网络专家控制[abstract] this paper reviewed the development of intelligence control, and introduced its main methods and characteristics, and particularized their mostly application fields, and pointed out the prospects of intelligent control development trend and put forward the study direction. [key words] intelligent control fuzzy control net neural expert control 0.引言 随着工业和自动化技术的发展，控制理论的应用日趋广泛，所涉及的控制对象日益复杂化，对控制性能的要求也越来越高，控制对象或过程的复杂性主要体现在系统缺乏精确的数学模型、具有高维的判定空间、多种时间尺度和多种性能判据等，要求控制理论能够处理复杂的控制问题和提供更为有效的控制策略。现代控制理论从理论上解决了系统的可观、可控、稳定性以及许多复杂系统的控制。但实际中的许多复杂系统具有非线性、时变性、不确定性、多层次、多因素等热点，难以建立精确的数学模型，因此需要引入新