本文關(guān)鍵詞：基于蜂群智能的地理元胞自動機轉(zhuǎn)換規(guī)則挖掘方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：地理空間過程建模與模擬是地理學(xué)研究的重點問題之一。地理空間系統(tǒng)是一個多要素共同作用的整體開放的復(fù)雜巨系統(tǒng),傳統(tǒng)地理學(xué)的研究方法和技術(shù)手段難以有效的解釋地理空間系統(tǒng)的復(fù)雜規(guī)律,也難以模擬地理空間系統(tǒng)復(fù)雜的演化過程。鑒于此,GIS與元胞自動機(cellular automata, CA)耦合的地理元胞自動機(地理CA)被提出,并逐步成為地理空間過程模擬的重要手段。 地理CA包含元胞、鄰域、狀態(tài)與轉(zhuǎn)換規(guī)則四個基本要素,其中轉(zhuǎn)換規(guī)則是元胞自動機的核心要素,是演化過程邏輯關(guān)系的表達,決定了元胞狀態(tài)的轉(zhuǎn)換。轉(zhuǎn)換規(guī)則是一個地理CA模型有效與否的關(guān)鍵。因此,如何有效的獲取轉(zhuǎn)換規(guī)則是利用地理CA模型進行地理空間過程模擬的核心工作。鑒于此,本文探索基于一種新的仿生智能優(yōu)化—蜂群智能優(yōu)化(Bee Colony Optimization, BCO)——的地理CA轉(zhuǎn)換規(guī)則挖掘算法(BCO-CA),研究了BCO-CA算法的數(shù)學(xué)模型、關(guān)鍵算子與實現(xiàn)方法,并以具體實例論證分析了BCO-CA算法的模擬精度、有效性及相比與現(xiàn)有方法的優(yōu)勢。 本文的主要研究內(nèi)容和結(jié)論如下： 1、研究設(shè)計基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘算法模型 以蜂群智能與CA的基本理論為基礎(chǔ),研究設(shè)計一種基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘算法(BCO-CA)。重點研究了BCO-CA算法的核心算法思想、數(shù)學(xué)模型及關(guān)鍵算子等問題,完成了BCO-CA轉(zhuǎn)換規(guī)則挖掘算法的設(shè)計與實現(xiàn)。 2、設(shè)計實現(xiàn)一種基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘軟件工具 在VS2010集成開發(fā)環(huán)境下,利用C#程序設(shè)計語言設(shè)計實現(xiàn)了一種基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘軟件工具。該工具的面向一種簡單數(shù)據(jù)格式而非特定的地理模擬問題,可用于多種地理CA的轉(zhuǎn)換規(guī)則挖掘。 3、基于BCO-CA算法的南京市市轄區(qū)城市生長動態(tài)模擬的實證研究 利用BCO-CA算法進行南京市市轄區(qū)城市發(fā)展元胞自動機轉(zhuǎn)換規(guī)則的挖掘,并以此為基礎(chǔ)構(gòu)建了城市動態(tài)發(fā)展元胞自動機模型(城市CA),實現(xiàn)了城市動態(tài)發(fā)展的模擬。此外,為驗證BCO-CA算法挖掘規(guī)則的能力,本研究進一步引入與蜂群智能優(yōu)化具有較高相似性的粒子群優(yōu)化方法以及經(jīng)典的城市CA轉(zhuǎn)換規(guī)則獲取方法——Logistic回歸分析方法——進行對比論證研究。設(shè)計一種基于粒子群優(yōu)化(Particles swarm Optimization, PSO)的地理CA規(guī)則挖掘算法(PSO-CA),利用PSO-CA算法與Logistic回歸分析方法進行南京市城市生長的轉(zhuǎn)換規(guī)則挖掘,利用挖掘到的轉(zhuǎn)換規(guī)則實現(xiàn)城市動態(tài)模擬。實證研究結(jié)果表明,相比于Logistic回歸分析方法和PSO-CA算法,基于BCO-CA算法的模擬結(jié)果在城市用地分布特征、模擬精度及空間格局特征等方面都更加的接近真實情況。
【關(guān)鍵詞】：蜂群智能 地理元胞自動機 CA 轉(zhuǎn)換規(guī)則 規(guī)則挖掘
【學(xué)位授予單位】：南京師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：P208
【目錄】：

• 資助項目4-5
• 摘要5-7
• Abstract7-13
• 第1章 緒論13-20
• 1.1 選題背景及研究意義13-15
• 1.1.1 選題背景13-15
• 1.1.2 研究意義15
• 1.2 國內(nèi)外研究進展15-18
• 1.2.1 元胞自動機規(guī)則挖掘研究15-16
• 1.2.2 蜂群智能優(yōu)化算法研究16-17
• 1.2.3 研究現(xiàn)狀小結(jié)17-18
• 1.3 研究目標、內(nèi)容及關(guān)鍵問題18-19
• 1.3.1 研究目標18
• 1.3.2 研究內(nèi)容18
• 1.3.3 關(guān)鍵問題18-19
• 1.4 論文組織19-20
• 第2章 研究基礎(chǔ)20-26
• 2.1 實驗樣區(qū)與實驗數(shù)據(jù)20-23
• 2.1.1 實驗樣區(qū)20-21
• 2.1.2 實驗數(shù)據(jù)21-23
• 2.2 研究方法與技術(shù)路線23-25
• 2.2.1 研究方法23
• 2.2.2 實驗平臺23
• 2.2.3 技術(shù)路線23-25
• 2.3 本章小結(jié)25-26
• 第3章 基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘算法研究26-43
• 3.1 蜂群智能優(yōu)化與地理CA基本原理26-30
• 3.1.1 地理CA基本原理26-29
• 3.1.2 蜂群智能優(yōu)化基本原理29-30
• 3.2 基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘算法30-40
• 3.2.1 地理CA轉(zhuǎn)換規(guī)則構(gòu)造與表達31-33
• 3.2.2 BCO-CA轉(zhuǎn)換規(guī)則挖掘算法設(shè)計33-34
• 3.2.3 BCO-CA算法核心數(shù)學(xué)模型34-37
• 3.2.4 BCO-CA算法的關(guān)鍵算子與實現(xiàn)37-40
• 3.3 BCO-CA轉(zhuǎn)換規(guī)則挖掘工具設(shè)計與實現(xiàn)40-42
• 3.4 本章小結(jié)42-43
• 第4章 基于蜂群智能的地理CA轉(zhuǎn)換規(guī)則挖掘算法實證研究43-69
• 4.1 數(shù)據(jù)預(yù)處理與采樣43-45
• 4.2 城市動態(tài)演化模擬45-57
• 4.2.1 基于BCO-CA的城市動態(tài)模擬47-49
• 4.2.2 基于PSO-CA的城市動態(tài)模擬49-54
• 4.2.3 基于Logistic-CA的城市動態(tài)模擬54-57
• 4.3 模擬結(jié)果驗證與對比分析57-68
• 4.3.1 視覺驗證分析57-64
• 4.3.2 模擬精度量化分析64-66
• 4.3.3 模擬結(jié)果空間格局的驗證分析66-68
• 4.4 本章小結(jié)68-69
• 第5章 結(jié)論與展望69-71
• 5.1 主要工作及結(jié)論69-70
• 5.2 存在的不足及研究展望70-71
• 參考文獻71-76
• 在讀期間發(fā)表的學(xué)術(shù)論文及科研成果76-77
• 致謝77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉小平;黎夏;;從高維特征空間中獲取元胞自動機的非線性轉(zhuǎn)換規(guī)則[J];地理學(xué)報;2006年06期

2 劉妙龍,李喬,羅敏;地理計算——數(shù)量地理學(xué)的新發(fā)展[J];地球科學(xué)進展;2000年06期

3 李志強;陳子q

本文編號：328202