基于基因表達(dá)式編程(GEP)的多目標(biāo)空間優(yōu)化.pdf

1、隨著經(jīng)濟(jì)社會高速發(fā)展及城市化進(jìn)程不斷加快,諸如土地利用規(guī)劃、公共設(shè)施選址、交通路網(wǎng)優(yōu)化等資源優(yōu)化配置問題日益顯現(xiàn)。此類問題不僅涉及海量、高維的空間數(shù)據(jù),而且需要考慮社會、經(jīng)濟(jì)、環(huán)境等多種復(fù)雜因素,是典型的多目標(biāo)空間優(yōu)化決策問題。盡管傳統(tǒng)地理信息系統(tǒng)(Geographical Information System,GIS)具有較強(qiáng)的空間數(shù)據(jù)管理與分析能力,但是缺乏針對不確定性、非線性的復(fù)雜地理問題的建模與分析能力,在解決復(fù)雜的空間優(yōu)化決策

2、問題方面具有一定的局限性。因此,如何將有限的資源在不同的地理位置上進(jìn)行合理的分配,從而達(dá)到投入資金最小化、經(jīng)濟(jì)效益最大化、環(huán)境污染最小化、生態(tài)環(huán)境最優(yōu)化等最理想的狀態(tài),這已成為GIS當(dāng)前的一個重要研究方向。
　　 近年來,啟發(fā)式智能算法在多目標(biāo)空間優(yōu)化決策研究中取得了較好的成果,逐漸引起了地理學(xué)家的重視。但當(dāng)前的研究較為單一,缺乏系統(tǒng)性,研究多集中于解決簡單點(diǎn)狀地物空間優(yōu)化問題,而針對涉及更大、更復(fù)雜解空間的線狀和面狀地物空間優(yōu)

3、化研究仍存在不足,基于點(diǎn)、線、面狀地物的多目標(biāo)空間優(yōu)化的系統(tǒng)性研究亟待進(jìn)一步加強(qiáng)。此外,空間優(yōu)化決策問題多為NP-Hard問題,當(dāng)前模型方法難于有效發(fā)掘復(fù)雜的非線性空間模式、缺乏復(fù)雜空間決策支持能力,易出現(xiàn)早熟,陷入局部最優(yōu)而不能得到全局最優(yōu)解。因此,有必要尋求搜索能力強(qiáng)、精度高的智能算法,系統(tǒng)的開展多目標(biāo)空間優(yōu)化研究。
　　 基因表達(dá)式編程(Gene Expression Programming,GEP)是借鑒生物遺傳的基因表

4、達(dá)規(guī)律提出的一種新興進(jìn)化算法。具有結(jié)構(gòu)簡單、自適應(yīng)性好、搜索效率高、數(shù)據(jù)挖掘能力強(qiáng)等優(yōu)點(diǎn),特別適合于復(fù)雜數(shù)據(jù)挖掘問題。論文首次將GEP方法引入到空間優(yōu)化研究,通過對傳統(tǒng)GEP算法的改進(jìn),提出了一套較完整的基于點(diǎn)、線、面狀地物的Pareto多目標(biāo)空間優(yōu)化智能方法,并用于解決實(shí)際多目標(biāo)空間優(yōu)化問題。本文研究不僅是對傳統(tǒng)GEP算法在求解組合優(yōu)化問題方面的重要拓展,而且有助于彌補(bǔ)當(dāng)前多目標(biāo)空間優(yōu)化決策研究的不足,提高解決復(fù)雜多目標(biāo)空間優(yōu)化問題的

5、能力。
　　 論文內(nèi)容主要分為兩部分:第一部分主要介紹了當(dāng)前多目標(biāo)空間優(yōu)化研究的背景和意義,分析了國內(nèi)外多目標(biāo)空間優(yōu)化決策和基因表達(dá)式編程的研究現(xiàn)狀及問題,闡述了GEP及Pareto多目標(biāo)優(yōu)化技術(shù)特點(diǎn),并通過基本應(yīng)用實(shí)例說明GEP算法特征與本質(zhì)。第二部分對點(diǎn)狀、線狀及面狀地物多目標(biāo)空間優(yōu)化問題展開全面研究。通過對GEP算法的改進(jìn),分別構(gòu)建了基于點(diǎn)、線、面的多目標(biāo)空間優(yōu)化模型,同時與GA多目標(biāo)空間優(yōu)化模型進(jìn)行了對比分析,并最終將模

6、型應(yīng)用于廣州市實(shí)際空間優(yōu)化問題。論文的主要研究成果如下:
　　 (1)提出了一種基于傳統(tǒng)GEP算法的人口預(yù)測新方法。研究發(fā)現(xiàn):GEP算法具備優(yōu)秀的數(shù)據(jù)挖掘能力,能夠很好地發(fā)掘人口發(fā)展的復(fù)雜非線性模式。與灰色系統(tǒng)預(yù)測模型及徑向基人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比,GEP模型能夠有效防止過度擬合現(xiàn)象的發(fā)生,提供更為準(zhǔn)確、合理的擬合及預(yù)測結(jié)果。但同時發(fā)現(xiàn):傳統(tǒng)GEP算法采用與數(shù)學(xué)表達(dá)式相關(guān)的編碼方式,主要用于解決規(guī)則提取相關(guān)領(lǐng)域的問題,而地學(xué)領(lǐng)

7、域的空間優(yōu)化問題多屬于組合優(yōu)化問題,直接應(yīng)用傳統(tǒng)GEP算法并不適合,需要加以改進(jìn)。
　　 (2)構(gòu)建了基于GEP的點(diǎn)狀地物Pareto多目標(biāo)空間優(yōu)化模型。重新定義了傳統(tǒng)GEP基因編碼頭部和尾部之間的函數(shù)關(guān)系,改進(jìn)了變異、重組及插串算子。通過典型Bohachevsky函數(shù)和Shubert函數(shù)實(shí)驗(yàn)發(fā)現(xiàn):對于單峰和多峰函數(shù),GEP模型均可搜索到全局最優(yōu)解,而GA模型存在搜索性能不高、陷入局部最優(yōu)等缺陷。GEP模型更適于解決復(fù)雜多峰優(yōu)化

8、問題。最后將GEP模型應(yīng)用于廣州市醫(yī)院選址問題:GEP模型可為規(guī)劃選址提供多種偏好情況下的選址方案,選址點(diǎn)較為均勻的分布于廣州市人口稠密區(qū),實(shí)驗(yàn)結(jié)果合理。
　　 (3)構(gòu)建了基于GEP的線狀地物Pareto多目標(biāo)空間優(yōu)化模型。設(shè)計了變長GEP多基因族編碼方式及相應(yīng)GEP遺傳操作算子。其中,改進(jìn)的重組算子能夠有效避免傳統(tǒng)GA模型在交叉操作中出現(xiàn)的非法路徑；新引入的插串算子及倒置遺傳算子能夠分別針對“最短路徑”和“最優(yōu)覆蓋路徑”展開

9、有效搜索。研究表明:在搜索范圍更大、搜索空間呈復(fù)雜多峰特征的對比實(shí)驗(yàn)中,GEP方法較GA方法能夠搜索到更優(yōu)的路徑,更適于解決復(fù)雜背景下的路徑優(yōu)化問題。在廣州城市軌道路徑優(yōu)化實(shí)際問題中,GEP模型能夠提供多種規(guī)劃情境下的最優(yōu)路徑方案,決策者可以很方便的審視Pareto最優(yōu)解集中所有最優(yōu)方案的特點(diǎn),并從中選出符合自身偏好的最優(yōu)決策方案,提高了決策效率和質(zhì)量。
　　 (4)構(gòu)建了基于GEP的面狀地物Pareto多目標(biāo)空間優(yōu)化模型。提出

10、了面狀地物的GEP線性編碼及樹狀編碼新方法及相應(yīng)的遺傳操作算子。模型實(shí)現(xiàn)了以簡潔的編碼描述面狀地物復(fù)雜的鄰接關(guān)系,以高效的操作執(zhí)行面狀地物復(fù)雜的搜索過程。通過典型Deformed sombrero函數(shù)實(shí)驗(yàn)及廣州市房地產(chǎn)開發(fā)選址實(shí)際應(yīng)用可知:GEP面狀地物選址模型可有效解決復(fù)雜(多峰、多島)背景下的面狀地物形狀優(yōu)化和位置優(yōu)化問題,與傳統(tǒng)GA選址模型相比,GEP選址模型能夠在一定程度上可以避免早熟、局部最優(yōu)的問題。此外,模型有效解決了傳統(tǒng)基