基于改進粒子群算法的森林城市多目標規劃方法

夏邵剛

(湖南省農林工業勘察設計研究總院， 規劃與景觀設計分院， 湖南, 長沙 410007)

0 引言

森林城市規劃能夠最大限度協調自然和人類間關系，使自然和城市居民和諧共處，實現城市環境與城市社會經濟發展統一。在森林城市規劃中，需要對森林城市建設與自然環境的保護作出長遠部署與安排，克服城市經濟社會活動的主觀隨意性與盲目性，進行合理而科學的規劃決策[1]。森林城市規劃是改善城市環境的基本措施，是我國環保戰略和政策的具體體現，同時也是協調環境、經濟關系以及環境與人類關系的重要手段[2]。

在研究森林城市多目標規劃問題的過程中，國外主要側重對規劃平衡以及規劃參照等問題[3]。有學者提出基于蟻群算法的森林城市多目標規劃方法[4]，通過蟻群算法實現森林城市的多目標規劃。而我國對森林城市多目標規劃問題的研究則主要側重于對規劃效益以及規劃戰略等。其中，基于動態模糊算法的森林城市多目標規劃方法是較為常見的方法，該方法通過動態模糊算法對森林城市進行多目標規劃。在以上森林城市多目標規劃方法中，資源利用率得到了一定的提升，但仍然存在森林城市綜合經濟效益增長點、綜合社會效益增長點、綜合生態效益增長點偏低等問題。

因此，本文將改進粒子群算法應用于森林城市多目標規劃研究中，設計基于改進粒子群算法的森林城市多目標規劃方法。

1 基于改進粒子群算法的森林城市多目標規劃方法設計

1.1 森林城市多目標規劃目標設定

首先制定森林城市多目標規劃的原則，包括可持續原則、效率與公平原則、整體性與協調性相結合的原則、系統性原。根據森林城市多目標規劃原則，對森林城市多目標規劃目標進行設定，將森林城市多目標規劃視為生態、經濟、社會子目標及其細化目標的耦合協同。對森林城市多目標規劃的細分目標、子目標、總目標等進行設定，以結合生態、經濟、社會3方面的效益，保障對土地進行集約、合理利用[5]。設定的森林城市多目標規劃的細分目標、子目標、總目標如表1所示。

表1 森林城市多目標規劃目標

1.2 森林城市多目標規劃目標體系構建

為了實現森林城市多目標規劃，本文借助解釋結構模型對森林城市多目標規劃目標實施結構化分析。通過構建森林城市多目標規劃目標體系。在構建的森林城市多目標規劃目標體系中，共有3個目標層次，且各層次代表不同目標在體系中所處地位[6]。總目標實現需要通過子目標層目標實現，子目標層目標共包括3個目標，分別為生態、經濟和社會。子目標又細分為細分目標，細分目標層包含18個目標。細分目標對應子目標，其中生態目標對應保障森林城市土地可持續利用、維持森林城市生態系統整體穩定性、促進森林城市的和諧穩定發展；經濟目標對應保障森林城市經濟持續、穩定增長，嚴控森林城市實際用地規模、提供充足農業設施用地與耕地、為服務業與工業提供用地、提升土地集約性、提升土地整體利用率、優化森林城市建設用地結構、促進再利用存量建設用地、提升森林城市糧食單產、調整森林城市農業結構；社會目標對應提升森林城市糧食自給率、提升森林城市整體森林覆蓋率、降低水土流失程度、保障森林城市生態安全。根據上述目標結構構建森林城市多目標規劃目標體系，該體系有細分目標實現子目標，進而通過子目標實現總目標[7]。

1.3 森林城市多目標規劃模型

在森林城市多目標規劃目標體系基礎上，借助改進粒子群算法構建森林城市多目標規劃模型。粒子群算法[8]根據個體適應性進行操作，該方法將研究的個體視為在不同維度空間內的粒子，這些粒子在設定的空間中根據設定的速度運動，其運動的速度設定根據個體以及群體運動經驗進行調整。

在森林城市多目標規劃中，設置該模型中粒子集合為

X={x1,x2,…,x12}

(1)

式中，X為粒子集合；xi代表第i個粒子。

其中，各變量分別為耕地、園地、林地、牧草地、城鎮用地、農村居民點、獨立工礦用地、特殊用地、交通運輸用地、水利設施用地、水域、未利用地。

根據上述設定森林城市多目標規劃模型中不同粒子，為實現規劃效果的優化，計算限定多目標粒子的飛行速度，以使粒子找到個體最佳位置。其飛行速度計算式為

(2)

式中，sij為當前粒子最佳位置，smax為粒子當前飛行最大速度。

森林城市多目標規劃模型中不同粒子運動過程中受到慣性權重的影響，導致得到的結果存在局部最優的問題。因此，本文改進粒子群算法，對不同粒子的慣性運動權重最大程度的進行優化，降低其影響，以得到最佳值。改進粒子群公式為

sij(t+1)=?sij(t)+μrand[pij(t)-sij(t)]

(3)

式中，?為慣性權重值，pij(t)為粒子更新后的位置適應度值，μrand為粒子群體規模。

利用改進粒子群算法對目標函數進行構建，目標函數中包括經濟發展目標、社會發展目標、生態環境目標[9]。經濟發展目標為在森林城市多目標規劃中需要達到最大化的區域經濟效益，具體如式(4):

Maxe(x)=∑(ai,xi)

(4)

式中，Maxe(x)為森林城市最大化的區域經濟效益，ai為各類用地的實際經濟效益系數。

社會發展目標為達到最大化的社會效益，包括維護社會穩定、保障社會發展、滿足大家的食品需求等[10]，具體如式(5):

Maxh(x)=∑(bi,xi)

(5)

式中，Maxh(x)為森林城市最大化的社會效益，bi為各類用地的實際社會效益系數。

生態環境目標是達到森林城市最大化的綜合生態效益，包括促進森林城市生態和諧、保障森林城市的生態安全，具體如式(6):

Maxex(x)=∑(ci,xi)

(6)

式中，Maxex(x)為森林城市最大化的綜合生態效益，ci為各類用地實際生態效益系數。

2 實驗分析

2.1 實驗方案

研究所選地區為某森林城市，該森林城市的氣候為溫帶大陸季風氣候，是一個生態旅游城市。該城市有多種人文景觀、名勝古跡，還有多個生態景點，經濟發展速度較快。該森林城市近5年城市土地利用情況如圖1所示。

(a) 耕地利用情況

(b) 園地利用情況

(c) 林地利用情況

(d) 居民點及工礦用地利用情況

(e) 交通利用情況

(f) 未利用地利用情況圖1 森林城市近5年土地利用情況

利用基于改進粒子群算法的森林城市多目標規劃方法對實驗森林城市進行多目標規劃。獲取該方法下森林城市綜合經濟效益增長點、綜合社會效益增長點數據作為實驗數據。

2.2 實驗結果

2.2.1 綜合經濟效益增長點實驗結果分析

在實驗森林城市的多目標規劃中，基于改進粒子群算法的森林城市多目標規劃方法與基于蟻群算法、基于動態模糊算法的森林城市多目標規劃方法的綜合經濟效益增長點對比實驗數據如表2所示。

表2 綜合經濟效益增長點對比結果 單位：%

根據表2對比實驗數據可知，在實驗森林城市的多目標規劃中，基于改進粒子群算法的森林城市多目標規劃方法的綜合經濟效益增長點高于基于蟻群算法、基于動態模糊算法的森林城市多目標規劃方法的綜合經濟效益增長點，實現了森林城市綜合經濟效益增長點的大幅度提升。

2.2.2 綜合社會效益增長點實驗結果分析

實驗中，基于改進粒子群算法的森林城市多目標規劃方法與基于蟻群算法、基于動態模糊算法的森林城市多目標規劃方法的綜合社會效益增長點對比實驗數據具體如表3所示。

表3 綜合社會效益增長點對比實驗數據 單位：%

根據表3綜合社會效益增長點對比實驗數據可知，在實驗森林城市的多目標規劃中，基于改進粒子群算法的森林城市多目標規劃方法的綜合社會效益增長點高于基于蟻群算法、基于動態模糊算法的森林城市多目標規劃方法的綜合社會效益增長點，實現了森林城市綜合社會效益增長點的提升。

3 總結

本文引入改進粒子群算法對森林城市多目標進行規劃。

該方法首先將森林城市多目標劃分為細分目標、子目標、總目標；然后根據劃分后目標構建多目標規劃體系，將其根據一定原則劃分為5個層次；其次利用改進粒子群算法構建目標函數，包括經濟發展目標、社會發展目標、生態環境目標，實現森林城市多目標規劃目標的耦合協同。與傳統方法相比，通過本文方法優化后的森林城市的森林城市綜合經濟效益增長點、綜合社會效益增長點均得到提升，具有一定可行性。