基于进化计算的地理空间优化选址模型及其并行化算法研究

Spatial location is an important issue in the field of GIS decision analysis. Due to nonlinear, high-dimensional and fuzzy characteristics of geographical information and complexity of influcence factors on location problems, most of spatial location problems are NP problems. Evolutionary computation models are more suitable for geographical optimization field based on their inherent parallel mechanism and global optimal properties. As the start point of combining evolutionary computing technique with geospatial knowledge, the project focuses on spatial multi-objective optimal location models based on Pareto evolutionary computation and studies global optimal or approximate optimal trade-off solutions under multiple mutually exclusive, conflicting optimization objectives and constraint conditions. Several key points are researched: Three Pareto multi-objective evolutionary models are firstly built including NSGA-Ⅱ, SPEA2 and PESA-Ⅱ which are integrated into GIS spatial structure and feature information. Parallel algorithms are designed based on CUDA architecture to accelerate computing speed of these models. Then, suitability of three models are studied and analysed for different types of facility location problems through two location cases, inculding emergency medical service and transit stop distribution optimization. Furthermore, optimizaing process, effect and performance of these models are also dymanically visually tracked, measured and evaluated. This project is a frontier, interdisciplinary, and basic research proposal about applying computaionalal intelligence to GIS optimization field, and it has important research value and significance for deenpening and extending GIS spatial optimization theories and mothods.

空间选址是GIS决策分析中的重要问题。大多数空间选址问题因地理信息和选址影响因素的复杂性，导致其属于NP问题。进化计算模型因其内在的并行机制及全局组合优化特性使其更适合于空间优化领域。 项目研究从进化计算和地理空间知识的结合出发，以基于Pareto进化算法的多目标优化选址模型为研究对象，研究在多个互斥、冲突的优化目标下，全局或接近全局最优的平衡选址方案，重点内容包括:建立融合GIS空间结构、特征信息的NSGA-Ⅱ、SPEA2、PESA-Ⅱ三种Pareto进化优化模型，建立基于CUDA架构的模型并行化算法，并拟采用应急医疗服务、公交站点布局优化两个应用问题对三种模型针对不同类型设施选址问题的的适用性进行研究，对模型优化过程、效果进行动态可视跟踪、分析和评价等。 本项目属于将智能计算技术应用于GIS空间优化领域的一项基础研究，对于深化和拓展GIS空间优化理论、方法等具有重要意义。

在人工智能技术深刻影响科学技术发展的大背景下，从空间数据挖掘技术与机器学习等人工智能技术相结合的GeoAI交叉领域出发，对地理空间优化智能模型及相关算法进行了研究。. 项目研究包括提出模型、发展方法、并行算法研究和系统集成四部分内容。在模型和算法方面：建立了融合空间信息的NSGA-II、SPEA2、PESA-II三种Pareto多目标优化选址进化模型，基于空间相关性对模型内部的进化策略进行了改进，实现了交叉、变异进化算子及适应度函数的CUDA并行计算；建立了融合空间相关性的支持向量机空间预测模型，采用输入端、内部函数、输出端三种方式在传统支持向量机模型中融入了空间信息，并基于CUDA架构实现了模型求解的并行算法；提出了基于多尺度最小二乘支持向量机优化的克里金空间插值方法，提高了空间数据插补精度；针对地理空间对象服务区域问题，提出了基于相互作用力的地理空间扫描统计方法，用于探测高风险聚集区的位置、范围和聚集程度；并在此基础上，在地理时空域内，进一步研究了基于遗传算法的地理时空异常探测方法。在应用方面：对基于路网可达性的城市加油站空间布局问题进行了研究；对油田井口、井场位置优选方案进行了设计与实施；在丰富空间数据源方面，针对轨迹数据，提出了以运动方向为主导的轨迹相似性度量方法，针对社交媒体数据，对微博文本数据地理情感空间和时空分布特征进行了挖掘；建立了相关模型、算法集成的软件原型系统。. 项目研究已发表学术论文12篇，申请国家发明专利8件，已授权4件，多次参加国内外学术会议和交流合作，培养毕业和在读博士、硕士19人。. 项目研究在空间优化、预测、插值、探测等空间和时空数据挖掘方面提出了多个具有创新性的模型和算法，对GeoAI领域的发展做出了贡献，研究成果具有理论和应用价值。