基于灰狼优化算法的元胞自动机转换规则智能获取方法

摘要

元胞自动机(Cellular Automata，CA)是一种时间和空间都离散系统动力学模型，主要包含元胞、状态、邻域、转换规则、时间五部分，是描述、认识和模拟复杂地理系统的有效方法，尤其在城市扩展建模中，有广泛的应用。转换规则是CA的核心，直接决定了元胞的转换过程。
　　元胞自动机转换规则智能获取的方法主要有:蚁群算法、神经网络算法、层次分析法、决策树、粒子群算法、布谷乌算法、蜂群算法等。其中，生物智能算法能在很大程度上获取较优的CA转换规则，能智能获取空间变量与城市扩展之间的非线性关系，且通过“If-Then”格式表达CA转换规则，能更清晰，且易于理解城市扩展过程。智能算法在CA转换规则挖掘上表现出一定的优势，但也存在相应的不足，例如不能很好地保证同时达到局部和全局最优。灰狼优化算法(Grey Wolf Optimization，GWO)作为一种新型的生物群智能优化算法，具备较强的全局勘探与局部寻优能力。
　　本文以城市扩展建模为应用案例，探索了一种基于灰狼优化算法(GWO)的元胞自动机(CA)转换规则智能获取方法(GWO-CA)。研究了GWO-CA算法的数学模型、整体框架、具体算子，设计并实现了GWO-CA方法的转换规则获取工具。以南京市城市扩展模拟为案例，验证了GWO-CA算法在城市CA动态模拟中的应用，并与决策树、Logistic回归方法进行对比验证分析。
　　本文主要研究内容和结论如下:
　　(1)总结梳理了灰狼优化算法和元胞自动机的表达方法
　　文章首先对灰狼优化算法的概念、数学原理、模型框架、优化过程进行整理说明，其次对现有的元胞自动机模型进行分类与总结，验证灰狼优化方法与元胞自动机方法在模型实现方法上具有自下而上的相似性和一致性，构建灰狼优化算法的CA转换规则表达方法，为后续研究开展提供理论与技术支撑。
　　(2)提出了基于灰狼优化算法的元胞自动机转换规则智能获取方法
　　本文以灰狼优化算法和元胞自动机的基本理论框架为基础，构建灰狼优化的元胞自动机转换规则，定义了面向元胞自动机转换规则的灰狼优化目标向量和目标函数，设计了面向元胞自动机转换规则挖掘的灰狼优化关键算子。
　　(3)设计并实现了元胞自动机转换规则灰狼智能挖掘工具
　　采用MATLAB程序设计语言，设计并开发了元胞自动机转换规则的灰狼智能挖掘工具，该工具具有普适性，不仅限于城市扩展中元胞自动机转换规则的智能获取，也可用于一般的地理元胞自动机转换规则的灰狼智能获取，为元胞自动机转换规则的智能获取提供新的工具。
　　(4)构建了集成灰狼优化算法和元胞自动机的GWO-CA模型
　　以城市扩展建模为应用案例，构建集成灰狼优化算法和元胞自动机的GWO-CA模型，应用灰狼优化算法所挖掘的CA转换规则，实现南京市城市扩展建模，并与NULL模型、逻辑回归方法(Logistic-CA)、决策树方法(DT-CA)进行比较，结果证明了CA转换规则灰狼智能获取方法的正确性和可行性。

目录

声明

论文说明

摘要

图目录

表目录

1．1选题背景及研究意义

1．1．1选题背景

1．1．2研究意义

1．2．1元胞自动机转换规则获取方法研究

1．2．2灰狼优化算法研究

1．2．3研究现状小结

1．3研究目标、内容及关键问题

1．3．1研究目标

1．3．2研究内容

1．3．3关键问题

1．4论文组织结构

第2章研究基础

2．1研究样区与实验数据

2．1．1研究样区

2．1．2实验数据

2．2研究方法与技术路线

2．2．1研究方法

2．2．2实验平台

2．2．3技术路线

2．3本章小结

第3章元胞自动机转换规则的灰狼挖掘方法

3．1元胞自动机与灰狼优化算法的基本原理

3．1．1元胞自动机的基本原理

3．1．2灰狼优化算法的基本原理

3．2 GWO-CA转换规则智能获取方法模型构建

3．2．1元胞自动机转换规则智能获取方法的构造与表达

3．2．2 GWO-CA转换规则智能获取算法的整体框架

3．2．3 GWO-CA转换规则获取核心算法设计

3．2．4 GWO-CA转换规则智能获取算法模型参数

3．2．5 GWO-CA转换规则智能获取算法的关键算子与实现

3．2．6 GWO-CA规则智能获取算法的实现

3．3 GWO-CA转换规则智能获取工具的设计与实现

3．4本章小结

第4章元胞自动机转换规则智能获取方法实例研究

4．1数据预处理与采样

4．1．1数据预处理

4．1．2数据采样

4．2灰狼优化算法的元胞自动机城市扩展建模

4．2．1灰狼优化算法的元胞自动机城市扩张动态扩展

4．2．2灰狼优化算法的元胞自动机模型验证

4．3逻辑回归方法的元胞自动机城市动态扩展

4．3．1逻辑回归方法的元胞自动机模拟方法构建

4．3．2逻辑回归方法的元胞自动机模型验证

4．4决策树方法的元胞自动机城市动态扩展

4．4．1决策树方法的元胞自动机模型原理

4．4．2决策树方法的元胞自动机模型验证

4．5城市扩展模拟结果验证与对比分析

4．5．1视觉感知验证分析

4．5．2模拟精度量化分析

4．5．3空间格局验证分析

4．6本章小结

第5章结论与展望

5．1结论

5．2不足与展望

参考文献

在读期间发表的学术论文及科研成果

致谢