基于蜂群智能的地理元胞自动机转换规则挖掘方法研究

发布时间：2017-04-26 10:04

  本文关键词：基于蜂群智能的地理元胞自动机转换规则挖掘方法研究，，由笔耕文化传播整理发布。

【摘要】：地理空间过程建模与模拟是地理学研究的重点问题之一。地理空间系统是一个多要素共同作用的整体开放的复杂巨系统,传统地理学的研究方法和技术手段难以有效的解释地理空间系统的复杂规律,也难以模拟地理空间系统复杂的演化过程。鉴于此,GIS与元胞自动机(cellular automata, CA)耦合的地理元胞自动机(地理CA)被提出,并逐步成为地理空间过程模拟的重要手段。 地理CA包含元胞、邻域、状态与转换规则四个基本要素,其中转换规则是元胞自动机的核心要素,是演化过程逻辑关系的表达,决定了元胞状态的转换。转换规则是一个地理CA模型有效与否的关键。因此,如何有效的获取转换规则是利用地理CA模型进行地理空间过程模拟的核心工作。鉴于此,本文探索基于一种新的仿生智能优化—蜂群智能优化(Bee Colony Optimization, BCO)——的地理CA转换规则挖掘算法(BCO-CA),研究了BCO-CA算法的数学模型、关键算子与实现方法,并以具体实例论证分析了BCO-CA算法的模拟精度、有效性及相比与现有方法的优势。 本文的主要研究内容和结论如下： 1、研究设计基于蜂群智能的地理CA转换规则挖掘算法模型 以蜂群智能与CA的基本理论为基础,研究设计一种基于蜂群智能的地理CA转换规则挖掘算法(BCO-CA)。重点研究了BCO-CA算法的核心算法思想、数学模型及关键算子等问题,完成了BCO-CA转换规则挖掘算法的设计与实现。 2、设计实现一种基于蜂群智能的地理CA转换规则挖掘软件工具 在VS2010集成开发环境下,利用C#程序设计语言设计实现了一种基于蜂群智能的地理CA转换规则挖掘软件工具。该工具的面向一种简单数据格式而非特定的地理模拟问题,可用于多种地理CA的转换规则挖掘。 3、基于BCO-CA算法的南京市市辖区城市生长动态模拟的实证研究 利用BCO-CA算法进行南京市市辖区城市发展元胞自动机转换规则的挖掘,并以此为基础构建了城市动态发展元胞自动机模型(城市CA),实现了城市动态发展的模拟。此外,为验证BCO-CA算法挖掘规则的能力,本研究进一步引入与蜂群智能优化具有较高相似性的粒子群优化方法以及经典的城市CA转换规则获取方法——Logistic回归分析方法——进行对比论证研究。设计一种基于粒子群优化(Particles swarm Optimization, PSO)的地理CA规则挖掘算法(PSO-CA),利用PSO-CA算法与Logistic回归分析方法进行南京市城市生长的转换规则挖掘,利用挖掘到的转换规则实现城市动态模拟。实证研究结果表明,相比于Logistic回归分析方法和PSO-CA算法,基于BCO-CA算法的模拟结果在城市用地分布特征、模拟精度及空间格局特征等方面都更加的接近真实情况。
【关键词】：蜂群智能 地理元胞自动机 CA 转换规则 规则挖掘
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P208
【目录】：

• 资助项目4-5
• 摘要5-7
• Abstract7-13
• 第1章 绪论13-20
• 1.1 选题背景及研究意义13-15
• 1.1.1 选题背景13-15
• 1.1.2 研究意义15
• 1.2 国内外研究进展15-18
• 1.2.1 元胞自动机规则挖掘研究15-16
• 1.2.2 蜂群智能优化算法研究16-17
• 1.2.3 研究现状小结17-18
• 1.3 研究目标、内容及关键问题18-19
• 1.3.1 研究目标18
• 1.3.2 研究内容18
• 1.3.3 关键问题18-19
• 1.4 论文组织19-20
• 第2章 研究基础20-26
• 2.1 实验样区与实验数据20-23
• 2.1.1 实验样区20-21
• 2.1.2 实验数据21-23
• 2.2 研究方法与技术路线23-25
• 2.2.1 研究方法23
• 2.2.2 实验平台23
• 2.2.3 技术路线23-25
• 2.3 本章小结25-26
• 第3章 基于蜂群智能的地理CA转换规则挖掘算法研究26-43
• 3.1 蜂群智能优化与地理CA基本原理26-30
• 3.1.1 地理CA基本原理26-29
• 3.1.2 蜂群智能优化基本原理29-30
• 3.2 基于蜂群智能的地理CA转换规则挖掘算法30-40
• 3.2.1 地理CA转换规则构造与表达31-33
• 3.2.2 BCO-CA转换规则挖掘算法设计33-34
• 3.2.3 BCO-CA算法核心数学模型34-37
• 3.2.4 BCO-CA算法的关键算子与实现37-40
• 3.3 BCO-CA转换规则挖掘工具设计与实现40-42
• 3.4 本章小结42-43
• 第4章 基于蜂群智能的地理CA转换规则挖掘算法实证研究43-69
• 4.1 数据预处理与采样43-45
• 4.2 城市动态演化模拟45-57
• 4.2.1 基于BCO-CA的城市动态模拟47-49
• 4.2.2 基于PSO-CA的城市动态模拟49-54
• 4.2.3 基于Logistic-CA的城市动态模拟54-57
• 4.3 模拟结果验证与对比分析57-68
• 4.3.1 视觉验证分析57-64
• 4.3.2 模拟精度量化分析64-66
• 4.3.3 模拟结果空间格局的验证分析66-68
• 4.4 本章小结68-69
• 第5章 结论与展望69-71
• 5.1 主要工作及结论69-70
• 5.2 存在的不足及研究展望70-71
• 参考文献71-76
• 在读期间发表的学术论文及科研成果76-77
• 致谢77

【参考文献】

中国期刊全文数据库 前10条

1 刘小平;黎夏;;从高维特征空间中获取元胞自动机的非线性转换规则[J];地理学报;2006年06期

2 刘妙龙,李乔,罗敏;地理计算——数量地理学的新发展[J];地球科学进展;2000年06期

3 李志强;陈子q

本文编号：328202