基于改进粒子群算法的森林城市多目标规划方法

夏邵刚

(湖南省农林工业勘察设计研究总院， 规划与景观设计分院， 湖南, 长沙 410007)

0 引言

森林城市规划能够最大限度协调自然和人类间关系，使自然和城市居民和谐共处，实现城市环境与城市社会经济发展统一。在森林城市规划中，需要对森林城市建设与自然环境的保护作出长远部署与安排，克服城市经济社会活动的主观随意性与盲目性，进行合理而科学的规划决策[1]。森林城市规划是改善城市环境的基本措施，是我国环保战略和政策的具体体现，同时也是协调环境、经济关系以及环境与人类关系的重要手段[2]。

在研究森林城市多目标规划问题的过程中，国外主要侧重对规划平衡以及规划参照等问题[3]。有学者提出基于蚁群算法的森林城市多目标规划方法[4]，通过蚁群算法实现森林城市的多目标规划。而我国对森林城市多目标规划问题的研究则主要侧重于对规划效益以及规划战略等。其中，基于动态模糊算法的森林城市多目标规划方法是较为常见的方法，该方法通过动态模糊算法对森林城市进行多目标规划。在以上森林城市多目标规划方法中，资源利用率得到了一定的提升，但仍然存在森林城市综合经济效益增长点、综合社会效益增长点、综合生态效益增长点偏低等问题。

因此，本文将改进粒子群算法应用于森林城市多目标规划研究中，设计基于改进粒子群算法的森林城市多目标规划方法。

1 基于改进粒子群算法的森林城市多目标规划方法设计

1.1 森林城市多目标规划目标设定

首先制定森林城市多目标规划的原则，包括可持续原则、效率与公平原则、整体性与协调性相结合的原则、系统性原。根据森林城市多目标规划原则，对森林城市多目标规划目标进行设定，将森林城市多目标规划视为生态、经济、社会子目标及其细化目标的耦合协同。对森林城市多目标规划的细分目标、子目标、总目标等进行设定，以结合生态、经济、社会3方面的效益，保障对土地进行集约、合理利用[5]。设定的森林城市多目标规划的细分目标、子目标、总目标如表1所示。

表1 森林城市多目标规划目标

1.2 森林城市多目标规划目标体系构建

为了实现森林城市多目标规划，本文借助解释结构模型对森林城市多目标规划目标实施结构化分析。通过构建森林城市多目标规划目标体系。在构建的森林城市多目标规划目标体系中，共有3个目标层次，且各层次代表不同目标在体系中所处地位[6]。总目标实现需要通过子目标层目标实现，子目标层目标共包括3个目标，分别为生态、经济和社会。子目标又细分为细分目标，细分目标层包含18个目标。细分目标对应子目标，其中生态目标对应保障森林城市土地可持续利用、维持森林城市生态系统整体稳定性、促进森林城市的和谐稳定发展；经济目标对应保障森林城市经济持续、稳定增长，严控森林城市实际用地规模、提供充足农业设施用地与耕地、为服务业与工业提供用地、提升土地集约性、提升土地整体利用率、优化森林城市建设用地结构、促进再利用存量建设用地、提升森林城市粮食单产、调整森林城市农业结构；社会目标对应提升森林城市粮食自给率、提升森林城市整体森林覆盖率、降低水土流失程度、保障森林城市生态安全。根据上述目标结构构建森林城市多目标规划目标体系，该体系有细分目标实现子目标，进而通过子目标实现总目标[7]。

1.3 森林城市多目标规划模型

在森林城市多目标规划目标体系基础上，借助改进粒子群算法构建森林城市多目标规划模型。粒子群算法[8]根据个体适应性进行操作，该方法将研究的个体视为在不同维度空间内的粒子，这些粒子在设定的空间中根据设定的速度运动，其运动的速度设定根据个体以及群体运动经验进行调整。

在森林城市多目标规划中，设置该模型中粒子集合为

X={x1,x2,…,x12}

(1)

式中，X为粒子集合；xi代表第i个粒子。

其中，各变量分别为耕地、园地、林地、牧草地、城镇用地、农村居民点、独立工矿用地、特殊用地、交通运输用地、水利设施用地、水域、未利用地。

根据上述设定森林城市多目标规划模型中不同粒子，为实现规划效果的优化，计算限定多目标粒子的飞行速度，以使粒子找到个体最佳位置。其飞行速度计算式为

(2)

式中，sij为当前粒子最佳位置，smax为粒子当前飞行最大速度。

森林城市多目标规划模型中不同粒子运动过程中受到惯性权重的影响，导致得到的结果存在局部最优的问题。因此，本文改进粒子群算法，对不同粒子的惯性运动权重最大程度的进行优化，降低其影响，以得到最佳值。改进粒子群公式为

sij(t+1)=ϖsij(t)+μrand[pij(t)-sij(t)]

(3)

式中，ϖ为惯性权重值，pij(t)为粒子更新后的位置适应度值，μrand为粒子群体规模。

利用改进粒子群算法对目标函数进行构建，目标函数中包括经济发展目标、社会发展目标、生态环境目标[9]。经济发展目标为在森林城市多目标规划中需要达到最大化的区域经济效益，具体如式(4):

Maxe(x)=∑(ai,xi)

(4)

式中，Maxe(x)为森林城市最大化的区域经济效益，ai为各类用地的实际经济效益系数。

社会发展目标为达到最大化的社会效益，包括维护社会稳定、保障社会发展、满足大家的食品需求等[10]，具体如式(5):

Maxh(x)=∑(bi,xi)

(5)

式中，Maxh(x)为森林城市最大化的社会效益，bi为各类用地的实际社会效益系数。

生态环境目标是达到森林城市最大化的综合生态效益，包括促进森林城市生态和谐、保障森林城市的生态安全，具体如式(6):

Maxex(x)=∑(ci,xi)

(6)

式中，Maxex(x)为森林城市最大化的综合生态效益，ci为各类用地实际生态效益系数。

2 实验分析

2.1 实验方案

研究所选地区为某森林城市，该森林城市的气候为温带大陆季风气候，是一个生态旅游城市。该城市有多种人文景观、名胜古迹，还有多个生态景点，经济发展速度较快。该森林城市近5年城市土地利用情况如图1所示。

(a) 耕地利用情况

(b) 园地利用情况

(c) 林地利用情况

(d) 居民点及工矿用地利用情况

(e) 交通利用情况

(f) 未利用地利用情况图1 森林城市近5年土地利用情况

利用基于改进粒子群算法的森林城市多目标规划方法对实验森林城市进行多目标规划。获取该方法下森林城市综合经济效益增长点、综合社会效益增长点数据作为实验数据。

2.2 实验结果

2.2.1 综合经济效益增长点实验结果分析

在实验森林城市的多目标规划中，基于改进粒子群算法的森林城市多目标规划方法与基于蚁群算法、基于动态模糊算法的森林城市多目标规划方法的综合经济效益增长点对比实验数据如表2所示。

表2 综合经济效益增长点对比结果 单位：%

根据表2对比实验数据可知，在实验森林城市的多目标规划中，基于改进粒子群算法的森林城市多目标规划方法的综合经济效益增长点高于基于蚁群算法、基于动态模糊算法的森林城市多目标规划方法的综合经济效益增长点，实现了森林城市综合经济效益增长点的大幅度提升。

2.2.2 综合社会效益增长点实验结果分析

实验中，基于改进粒子群算法的森林城市多目标规划方法与基于蚁群算法、基于动态模糊算法的森林城市多目标规划方法的综合社会效益增长点对比实验数据具体如表3所示。

表3 综合社会效益增长点对比实验数据 单位：%

根据表3综合社会效益增长点对比实验数据可知，在实验森林城市的多目标规划中，基于改进粒子群算法的森林城市多目标规划方法的综合社会效益增长点高于基于蚁群算法、基于动态模糊算法的森林城市多目标规划方法的综合社会效益增长点，实现了森林城市综合社会效益增长点的提升。

3 总结

本文引入改进粒子群算法对森林城市多目标进行规划。

该方法首先将森林城市多目标划分为细分目标、子目标、总目标；然后根据划分后目标构建多目标规划体系，将其根据一定原则划分为5个层次；其次利用改进粒子群算法构建目标函数，包括经济发展目标、社会发展目标、生态环境目标，实现森林城市多目标规划目标的耦合协同。与传统方法相比，通过本文方法优化后的森林城市的森林城市综合经济效益增长点、综合社会效益增长点均得到提升，具有一定可行性。