蚁群智能及其在大区域基础设施选址中的应用.pdfVIP

蚁群智能及其在大区域基础设施选址中的应用 Ant colony algorithms for optimal site selection in large regions 何晋强 (He Jin qiang) （中山大学地理科学与规划学院，在读博士） e-mail:hjq099@163.com 1 绪言 资源环境的管理和利用往往涉及到空间的优化配置和决策问题——空间选址。当需要配 置的资源预先就是确定的，并且数目较小， 多准则分析不失为一种有效的空间优化搜索方 法[1-3]。线性整数规划是目前较为常用的空间优化方法[4,5]，该方法属于穷尽搜索，速度较 慢，处理的数据量也有限，并且是线性方法，不能很好的处理地理复杂问题。最近，一些具 有智能的启发式方法开始运用在选址模型中，包括遗传算法[6,7]、模拟退火算法[8,9]、禁忌 算法[10,11])等。本文提出了基于蚁群智能的空间选址模型，通过蚁群智能和 GIS 的结合来 解决复杂的空间优化配置问题。 2 研究方法 蚁群智能算法(Ant colony optimization, ACO)是一种基于群体智能的仿生学优化算法， 由意大利学者Dorigo M 等于1991 年提出[12]。蚁群算法的核心是通过信息素来实现蚂蚁间 的相互交流，形成一种正反馈机制，从而指导蚂蚁向更优的方向进化。蚁群算法主要包括五 个主要部分：a 定义目标函数； b 启发函数的选取；c 状态转移概率的计算；d 调整禁忌表； e 信息素的更新策略。 本文提出了基于蚁群智能的空间选址模型。本文的选址是 p-median 问题，其目标是选 定p 个公共设施的位置,使全部或平均性能最优的问题。在本文中是指在N*M 的栅格空间中 确定p 个目标栅格的位置，使得其余的栅格到距其最近的目标栅格的距离之和最小。 p-median 选址问题是从大量候选栅格中选出为数较少的目标栅格，只有极少数被蚂蚁 选中的栅格的信息素在挥发后会增加，这样蚂蚁在路径选择过程中的正反馈机制被大大的削 弱甚至被淹没，不利于蚂蚁搜索最优解；另外由于相邻栅格具有较强的依赖关系，被选中的 目标栅格附近的栅格有可能比目标栅格本身更优。 基于以上两点，本文采取信息素递减扩散的策略对信息素进行更新。具体实现如下：如 果某栅格被选为目标栅格，则在信息素更新时，以目标栅格为中心，以指定的长度为边长（如 5*5 ）的正方形小区域内，按信息素增量从中心往四周递减的策略更新信息素。 本文采取与信息素更新策略相类似的禁忌表调整策略，即蚂蚁在搜索过程中，选中一个 目标栅格后，以目标栅格为中心的小的正方形小区域内的栅格都与目标栅格一起并入到禁忌 表中，从而防止蚂蚁选择相距很近的栅格同时作为目标栅格。 为了使得模型能应用于大区域的基础设施选址，在蚁群智能中采用“分步逼近”的策略， 以缩短空间优化搜索所需的时间。 3 研究成果分析与讨论 3.1 研究区域与数据 本文的实验区域为广州市城区，以公共设施的空间选址为例，检验蚁群智能算法在基础 设施的空间优化布局方面的有效性。人口数据来源为2003 年广州人口普查数据，以街区为 统计单位；交通数据为2003 年该区域内交通主干道分布数据。我们用简单搜索算法、遗传 算法与本文的算法进行对比，同时考虑人口的分布和交通状况两个因素对选址影响。简单搜 索算法实验栅格区域内遍历选择使得总费用最小的第一个目标栅格，然后在第一个栅格的基 础上选择第二个目标栅格，以此类推，直到选出所有目标栅格。 实验结果表明，蚁群分步选址算法不但能找到比简单搜索算法较优的解，而且在运行时 间上优势明显，特别在大范围，多目标选址情况下，其相对于简单搜索算法和遗传算法在时 间上的优势更加突出。 4 结论 本文提出了将蚁群智能算法与GIS结合来解决空间优化问题的新方法。从信息素更新方 式和禁忌表调整策略两方面对基本蚁群算法进行改进，以符合选址问题的求解。为了克服在 大范围内多目标选址运行时间过长的不足，本文采用“分步逼近”的策略进行空间搜索。为 解决资源环境的空间决策问题提供了良好的手段。 参考文献： [1] Carver S J. Integrating multi-criteria evaluation with geo