[發明專利]基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法

在審

• 申請號: 202110433496.1
• 申請日: 2021-04-19
• 公開（公告）號: CN113177354A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 劉明皓;李俊儀;陳思男;李婷
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/00;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法，其特征在于：包括以下步驟：

S1：通過K-means方法對研究區域進行分區；

S2：通過基于ANN-HPSO-CA模型得到每個分區的轉換規則；

S3：將ANN-HPSO-CA模型與異步元胞自動機模型耦合。

2.根據權利要求1所述的基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法，其特征在于：在所述步驟S1中，將基期年與末期年兩年的研究區域的數據進行疊加，得到土地利用變化數據，對所述土地利用變化數據與其他影響土地利用變化的驅動因子數據進行K-means空間聚類分析，聚類結果中的每一個類對應元胞空間的一個分區。

3.根據權利要求1所述的基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法，其特征在于：所述步驟S2具體包括以下步驟：

S21：基于人行為粒子群優化和元胞自動機的改進人工神經網絡ANN-HPSO-CA，在原粒子群優化算法PSO中引入全局最壞粒子，即在每次迭代中，整個種群中適應性最差的粒子，表示為Gworst：

Gworst(t)＝argmax{f(Pbest₁),f(Pbest₂),…,f(Pbest_N)}

f(·)代表對應粒子的適應度值；

引入服從標準正態分布的學習系數r3，即r3∈(0,1)，若r30，則認為是一個有推力的學習系數，有助于提高粒子的飛行速度；若r30，則認為是懲罰的學習系數，降低粒子的飛行速度；若r3＝0，表示這些壞習慣或行為對粒子沒有影響；將兩個加速度系數r1和r2分別替換為隨機學習系數r1和r2：

r1和r2是兩個值在[0,1]之間的隨機數，r1+r2＝1；對于一個粒子，在每一個d＝1,2,…,D中，r1、r2、r3的值是相同的，不同粒子的r1、r2、r3的值是不同的；如果溢出邊界，就將當前的值設置為邊界值；

S22：將S1得到的聚類的結果輸入到ANN-HPSO-CA中進行處理，得到每一個分區的轉換規則。

4.根據權利要求1-3任一所述的基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法，其特征在于：所述ANN-HPSO-CA為：在HPSO中引入CA，通過CA提高搜索能力來挖掘更多潛在搜索空間，使得粒子有更多的天賦來擺脫原來的軌跡；

在HPSO的第一層循環中，所有搜索空間中的粒子被放在一個給定的二維網格中，對于每一個粒子，CA計算找出當前粒子鄰域區域內的局部最好粒子和局部最壞粒子并設定為對應的初始值，然后計算當前粒子的適應度值，如果當前粒子的適應度值比局部最好粒子的適應度值更高，就根據CA轉換規則對當前粒子進行更新；

HPSO的第二層循環將ANN的權重和偏差參數初始化，賦值給粒子，在HPSO-CA中找出最優粒子；在計算粒子的適應度值時，將神經網絡中的代價函數應用于HPSO中的適應度函數，最后，全局最優粒子即為神經網絡中的最優權值和偏差。

5.根據權利要求1所述的基于改進ANN耦合異步元胞自動機的城市動態擴張模擬方法，其特征在于：所述S3具體包括以下步驟：

S31：首先通過基期年的土地利用數據與末期年的土地利用數據得到土地利用變化數據，然后通過標準格網劃分的方法將研究區域劃分為很多標準格網，得到一個速率格網；

S32：通過結合土地利用變化數據按照以下公式得到元胞轉換速率：

其中V_i為速率格網i中的元胞演化速率，C_i為速度格網i中發生變化的柵格(元胞)數目，S_i為速率格網i中非空柵格(元胞)的數目；

S33：通過下列公式計算元胞的演化間隔：

其中Interval_i即為速率格網V_i中的元胞演化間隔；

S34：定義最大元胞演化間隔MaxI，然后把所有元胞的演化間隔都控制在[1,MaxI]區間中，用下列的公式展示：

即，如果元胞的演化間隔大于MaxI，則該元胞的演化間隔就為MaxI，否則就為Interval_i；

S35：異步元胞自動機CA模型中每個元胞的總體轉換概率由五個部分組成：城市發展適宜性P_s、鄰域效應Ω、約束條件P_c、隨機因子RA以及通過元胞演化間隔得到的所述城市發展適宜性通過ANN-HPSO-CA模型計算得到；所述鄰域效應代表n×n鄰域范圍內的中心元胞與周邊元胞的相互作用；具體表現為中心元胞n×n鄰域范圍內城市元胞的密度；元胞i在時刻t的鄰域效應表示為：

其中表示元胞i在時刻t的狀態，con()是條件函數，當元胞狀態為城市時值為1，否則值為0；

限制因素約束了特殊土地利用類型向城市的轉換；限制因素表示為：

其中當元胞i在時刻t滿足擴張約束條件時，con()取值為1，否則取值為0；RA為0-1之間的隨機數；

如果元胞自動機的運行次數是該元胞的演化間隔Interval_i整數倍，則為1，否則為0；

元胞i在時刻t的總體轉換概率表示為：

在每次迭代中計算每個元胞的總體轉換概率，并根據概率值選擇最大的前N個非城市元胞進行轉換；根據基期年和末期年的土地利用變化數據得到城市擴張量M，模型迭代次數則為即達到實際城市擴張量時模型停止模擬，輸出模擬結果。