领域知识驱动的土地利用空间优化配置与多情景模拟

As an important issue of spatial optimal allocation, land use spatial optimal allocation is a hot and difficult issue in the domain of geography and land science. The existing research mainly focuses on the improved intelligence algorithms and it’s adjusted parameters to solve the problems in land use spatial optimal allocation. However, these methods have some disadvantages include easy to fall into local optimum, inefficiency, unavailable results and other issues. Based on the classification of domain knowledge, we propose the model of acquisition and expression for domain knowledge, and put forward the formal description of domain knowledge-driven models for land use spatial optimal allocation. According to the characteristics and the requirements of land use spatial optimal allocation, the model of domain knowledge-driven for land use spatial optimal allocation is focused on the breakthrough of domain knowledge-driven, improved multi-objective clonal selection optimization algorithm using artificial endocrine system, designed the clonal selection operator with domain knowledge. This research studies the domain knowledge-driven model for land use spatial optimal allocation intensively, and its multi scenario simulation models are established by parallel algorithms based on the artificial immune system. This research can enrich the theory and methodology system of spatial optimal allocation. In terms of the prototype system designed in this project, we verify the scientificity and rationality of these models by experiments, and study the method to achieve the standardized and formalized model for general problems of domain knowledge-driven spatial optimal allocation. This study can contribute to solve the forefront problems of land use spatial optimal allocation, and can promote geographic information science changing from data-driven to model-driven and knowledge-driven. The scientific achievements of this project can promote intelligent decision support to a certain extent.

土地利用空间优化配置是当前地理学与土地科学研究的热点与难点问题。仅仅依靠智能算法的改进和参数调整来解决土地利用空间配置优化问题，容易陷入局部最优、执行效率不高，且可能导致优化结果的不可用等问题。本项目在对土地利用空间配置的领域知识进行分类的基础上，提出领域知识的获取与表达模型；形式化描述领域知识驱动的土地利用空间优化配置模型；通过知识驱动技术的突破，结合人工内分泌系统改进多目标克隆选择优化算法，重点研究领域知识驱动下的土地利用空间优化配置模型；构建基于人工免疫系统并行算法的多情景模拟模型，丰富空间优化配置的理论与方法体系；设计开发原型系统并开展实验研究，验证模型的科学性、有效性和泛化推广能力。该研究有助于解决土地利用空间优化配置这一难点问题，促进地理信息科学由数据驱动向模型驱动、领域知识驱动和决策支持转变。

土地利用空间优化配置是土地利用方式、社会经济发展和生态环境保护在空间上的投影，是一种典型的空间优化配置问题，是当前地理学与土地科学研究的热点与难点问题。土地利用数据的复杂性特征使得解决空间优化配置问题的算法具有更高的时空复杂度。解决不同目标需求的土地利用空间优化配置问题，仅仅依靠算法、参数的调整等模式，容易陷入局部最优、执行效率不高，且可能导致优化结果的不可用等问题，并不能很好的解决不同目标需求的土地利用空间优化配置问题，必须依赖领域知识的指导。.本项目主要研究了领域知识的获取模型，建立了土地利用空间优化配置的领域知识结构体系，实现了领域知识的表达和知识库；设计了领域知识驱动的土地利用空间优化配置模型的框架，，研究了领域知识驱动的土地利用空间优化配置模型的形式化表达，建立了土地利用空间优化配置的目标及约束体系；克服经典的人工免疫算法对土地利用单元间空间关系表征的不足，实现了土地利用优化的人工免疫系统空间化映射；基于领域知识改进克隆选择算子，包括抗体种群初始化、克隆选择、激素调节、变异操作、免疫补充、记忆抗体更新等，构建了可融合领域知识的土地利用克隆选择模型；构建了土地利用空间优化配置多情景模拟的目标及约束体系，研究了土地利用克隆选择优化并行算法对实验区进行实验研究，设计并开发了领域知识驱动的土地利用空间优化配置原型系统，验证了领域知识驱动的空间聚类模型的性能和效果，结果表明本项目所构建的模型能够较好的解决土地利用空间优化配置问题，与既有模型相比具有执行效率高、结果科学合理的特点。.本项目研究成果旨在解决土地利用空间优化配置这一难点问题，并探讨模型的泛化推广能力，面向一般空间优化配置问题，形成更为标准化和形式化的空间优化配置模型，丰富空间优化配置的理论与方法体系。在一定程度上促进地理信息科学由数据驱动向模型驱动、知识驱动和决策支持转变。