领域知识驱动的空间选址及其混合粒子群优化研究

As an important issues in the domain of spatial optimization decision, spatial location has important theoretical and applied research value in the field of geographical information science. The exploration of intelligent and efficient spatial optimization technique can be considered to be a hot and difficult problem in current research. The existing research mainly focuses on the spatial improvement of traditional location selection method. However, the normalized systems of domain knowledge that can positively guide the evolutionary process of intelligent algorithms is neglected. And in the aspects of location model design, general location models who are based on rigorous mathematical equations can process quantitative data and provide numerical solutions related to economics, but political and social issues are often qualitative in nature and hence their integration into the numerical nature of location models is no simple task. Based on the structurized semantic analysis of domain knowledge, spatial location-oriented knowledge ontology model is built, and the formal.description of domain knowledge -driven spatial location is given. According to the characteristics of spatial location and the requirements of location task, the model of spatial location is focused on the domain knowledge -driven. And by improving classical particle swarm optimization algorithm, knowledge learning-based immune particle swarm optimization algorithm that can be applied to spatial location is proposed. In terms of the a prototype system designed in this project, the rationality and practical applicability of the algorithm of knowledge learning-based immune particle swarm optimization algorithm spatial location is validated by site selection of land consolidation projects selected the issues of spatial location. The study could help to solve the forefront problems of application-oriented spatial location. It can promote spatial optimization technologies that change from data-driven to model-driven and knowledge-driven. The scientific achievements of this project can promote intelligent spatial decision support to a certain extent.

空间选址是空间优化决策问题的重要组成部分，在地理信息科学领域具有重要的理论与应用研究价值。探索一种智能高效的空间优化技术是目前空间选址研究的热点和难点问题。现有的空间选址主要是针对传统选址算法进行空间化改进，忽视了领域中规范化的知识体系对算法进化过程的正向引导作用，同时基于严格数学公式的传统选址模型无法智能的处理应用领域中所存在的各种定性因素。本项目拟在对领域知识进行结构化语义解析的基础上构建面向空间选址的知识本体模型，并研究领域知识驱动下的空间选址形式化描述；根据空间选址的特点及任务要求，重点研究领域知识驱动下的空间选址模型，并对经典粒子群进行改进，提出可用于空间选址的演化学习型免疫粒子群算法；设计并开发原型系统，以土地整理项目选址为例开展应用研究，验证模型的有效性和实用性。该研究有助于解决面向应用的空间选址这一前沿问题，促进空间优化技术由数据驱动向知识驱动、模型驱动转变。

空间选址是空间优化决策问题的重要组成部分，在地理信息科学领域具有重要的理论与应用研究价值。探索一种智能高效的空间优化技术是目前空间选址研究的热点和难点问题。现有的空间选址主要是针对传统选址算法进行空间化改进，忽视了领域中规范化的知识体系对算法进化过程的正向引导作用，同时基于严格数学公式的传统选址模型无法智能的处理应用领域中所存在的各种定性因素。本项目拟在对领域知识进行结构化语义解析的基础上构建面向空间选址的知识本体模型，并研究领域知识驱动下的空间选址形式化描述；根据空间选址的特点及任务要求，重点研究领域知识驱动下的空间选址模型，并对经典粒子群进行改进，提出可用于空间选址的演化学习型免疫粒子群算法；设计并开发原型系统，以永久基本农田划定为例开展应用研究，验证模型的有效性和实用性。.永久基本农田划定问题实质上是一个多目标空间优化选址问题，而传统的划定方式不能兼顾永久基本农田的耕地质量、空间布局集中连片等要求，且无法平衡农业和城市发展之间的关系。本文提出了一种基于粒子群优化算法的多目标永久基本农田划定模型，定义了永久基本农田划定的一般规则、划定目标及约束条件的形式化表达方式，模型包括土地适宜性、连片性、稳定性三个子目标函数，同时考虑保护区面积、土地用途、地形基础条件、城镇边界4类约束知识，阐述了算法的编码及初始化方式、粒子位置速度更新机制、适应度函数设计、混合免疫改进策略、整体流程等内容，选取河南省浚县为研究区域，根据目标偏好不同设置对照实验。结果表明，本项目提出的空间选址模型在永久基本农田划定工作中具有可操作性，避免划定过程中主观因素带来的不利影响，改进后的混合粒子群算法在三个子目标上的优化性能分别提高了3.36%, 5.04% and 4.68%。通过本模型可以为决策者提供多情景的永久基本农田布局方案，促进永久基本农田划定结果的科学合理性以及可操作性。