色女郎

地盘资源是东谈主类分娩行为最基本的物资资源，合理当用成心于促进社会经济发展、保险食粮安全以及保护生态环境.东谈主口增长和城市化程度的加速，带来了发展与保护的双重负务、资源应用与生态保护的双重压力[1]色酷色，导致地盘资源的供需矛盾越发特出.在我国，地盘资源的分歧理当用依然酿成了严重的社会和环境问题，成为制约可合手续发展的“瓶颈”[2-3].因此，优化地盘应用配置，杀青地盘的可合手续应用和社会的可合手续发展，是摆在国东谈主眼前的重要任务.

蚁群优化算法(ant colony optimization，ACO)是受当然界中蚂蚁觅食行动的启发而建立的一种启发式算法[4]，最早由意大利学者DORIGO等[5]提议，并马上发展为一种通用的优化才智.ACO最早用于处置旅行商问题[5-6](traveling salesman problem，TSP)，后期发展出了MMAS、EAS、AS等多种改造花样，并被庸俗用于处置各类组合优化问题，如刘建华等[7]提议了基于势场蚁群算法的挪动机器东谈主旅途筹办才智，可灵验加速机器东谈主的旅途寻优速率并普及搜索才智，而李倩等[8]和高晋凯等[9]鉴别将蚁群算法应用于推广经管P-中位和图像分割问题，均得到了致密的优化效果.

av网

在地盘应用优化配置方面，国表里学者已进行了比较多的探索，从优化配置的才智来看，主要分为2种：DAS等[10]、徐磊等[11]、黄海[12]鉴别接收线性筹办、系统能源学和粒子群算法等对区域地盘应用的结构和数目进行优化；CHEN等[13]、袁满等[14]和LIU等[15]则鉴别接收模拟退火、多智能体遗传算法和粒子群算法进行地盘应用优化配置，处置了地盘应用的空间布局优化问题.另外，高小永[1]建立了基于多地方蚁群算法的地盘应用优化配置模子，并与GIS系统和谐，杀青了模子在骨子场景下的应用.以上才智均是在特定地方体系下进行的酌量，而地盘应用优化配置是一个复杂的多地方优化问题，不可变的地方体系无法对特定例划地方给出优化决议，不成骄矜试验场景中复杂的多地方需求，从而按捺了模子的践诺应用.

本文将基本的单地方蚁群算法与多地方体系相和谐，针对多地方决策技能与地盘应用空间布局优化的特质，提议基于可推广多地方蚁群算法的地盘应用优化配置模子，并收用杭州市萧山区为酌量区域，在不同的多地方体系下进行地盘应用的优化配置，通过比较不同多地方体系下的优化效果，考据模子的灵验性.

1 基于可推广多地方蚁群算法的地盘应用优化配置模子

在模子中，将酌量区域处理为I行J列的二维格网矩阵，每个格网暗意长、宽均为L m的地盘单位；共分K种地盘应用类型，需要分拨的地盘应用类型有耕地、绿地、确立用地、林地和未应用地5种.每只蚂蚁ant包含禁忌表(tabu)、配置决议(tours)和各地方函数值(targs).由于每只蚂蚁对应一种优化配置决议，因此，搜索优化配置决议解集的过程，即为细则蚂蚁代表的配置决议为Pareto最优解的过程.

1.1 酌量念念路

建立基于可推广多地方蚁群算法的地盘应用优化配置模子，最初建立基本的多地方体系，对地方进行抽象建模，建立可推广的多地方体系；其次将蚁群算法与多地方体系相和谐，须对基本蚁群算法的中枢函数进行改造，使其骄矜多地方优化的要求；终末将改造后的多地方蚁群算法与地盘应用优化配置相和谐，凭据地盘应用优化配置的多地方体系与经管体系，完成模子的构建.

1.2 可推广多地方体系的构建

地盘应用优化配置是一个复杂的多地方优化问题，而指引优化的多地方体系是一个动态推广的体系.从历史来看，地盘应用优化配置早期仅计议区位经济地方，而如今冉冉推广，依然涵盖了社会地方和生态地方，因此多地方体系会随社会发展而渐渐推广.在试验条目下，由于地盘应用优化配置触及多个行业和部门的利益，不错通过不同的策画来暗意其用地需求，这些策画种类丰富而难以充分涵盖，可能随时期而增多或减少，因此需要多地方体系以动态、生动地安妥这种需求.

表面上讲，百行万企最基础的物资资源是地盘资源，它们对不同地盘应用类型的用地需求，可通过不同的策画表征，这些策画共同组成地盘应用优化配置的地方体系，因此，均可成为推广地方.但是，在刻下阶段，由于策画的复杂性，通过多地方体系难以准确模拟社会的真的情况，则凭据优化配置观点遴荐推广地方较为合理，常见的推广地方有生态劳动价值地方、碳排放量地方等，具有针对性的地方还有地盘退化评价地方、景不雅生态安全评价地方等.

可推广的多地方体系，由基本的多地方体系和推广地方体系共同组成.其中基本多地方体系由地盘安妥性地方、空间积存地方和最小筹办老本地方3个基本地方共同组成，统筹兼顾.凭据格网数据结构和地盘应用类型，参考3种基本地方，建立相应的推广地方模子，进而将不同策画按照模子完成建模，并凭据骨子需要加入推广地方体系，行将推广地方文献放入地方体系所在的目次.本文统统地方均以L暗意.

基本的多地方体系由地盘安妥性地方、空间积存地方和最小堆老本地方组成，基本地方的建立如下所述：

(1) 地盘安妥性地方L1

由于地盘单位具有空间异质性，即使是归并地盘单位，对不同的地类也具有不同的安妥度，因此在全面分析地盘景象的基础上进行地盘安妥性评价，并以此为基础进行地盘应用优化配置，是地盘应用优化配置的科学基础，亦然地盘应用空间布局优化杀青的保证.本文接收AHP才智得到酌量区域内每个格网对耕地、绿地、丛林和确立用地的安妥度，并界说地方函数为

$ {F_S} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {S_k^{ij}}， } $ (1)

其中Skij暗意格网(i， j)处地盘应用类型k的地盘安妥度.

(2) 空间积存地方L2

凭据经济地舆学的积存效应，将疏通地类的地盘尽可能积存在沿路，杀青资源、因素和经济行为在空间中的积存，不错裁减老本，创造更高的经济效益[16]，因此普及区域地类的积存程度，应该行为地盘应用优化配置的一项优化地方.凭据格网i， j处地盘应用类型是否为k，界说二值函数：

$ p_k^{ij} = \left\{ \begin{array}{l} 1， \;\;{u_{ij}} = k， \\ 0， \;\;{u_{ij}} \ne k， \end{array} \right. $ (2)

其中uij为格网(i， j)处的地盘应用类型，则(i， j)处地盘应用类型k的邻域归并性指数为

$ U_k^{ij} = \sum\limits_{s = i-1}^{i + 1} {\sum\limits_{t = j-1}^{j + 1} {p_k^{st}， } } $ (3)

其中(i， j)≠(s， t)，这里接收八邻域行为窗口，则空间积存地方函数界说为

$ {F_U} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {\frac{{U_k^{ij}}}{8}} .} $ (4)

(3) 最小筹办老本地方L3

在地盘应用优化配置过程中，地盘单位的类型因从头配置而发生调治，从而产生调治代价，以最小的代价取得最高的详细效益符总筹办观点，因此最小化筹办老本应该行为优化配置的地方之一.

由于不同地盘应用类型之间的调治老本难以获取，本文通过AHP才智细则不同地盘应用类型之间的调治因子，对调治因子进行归一化处理.由于最小筹办老本为最小化问题，这里计议将其转为最大化问题.因此，在最小筹办老本地方下，(i， j)处的地盘单位从地盘应用类型k转为类型p的地方函数为

$ C_{kp}^{ij} = 1-{C_{kp}}， $ (5)

其中Ckp暗意从地类k转动为地类p的老本，则最小筹办老本地方函数：

$ {F_C} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {C_{kp}^{ij}} .} $ (6)

在推广多地方体系中，由于可能的推广地方种类多而难以揣测，因此从格网的数据结构动身，抽象出3种可能的推广地方模子如下：

(1) 安妥度类型推广地方L4

安妥度类型推广地方是用单因子地方或多因子详细地方在对酌量区域进行评价的基础上，对区域内统统的地盘单位鉴别计算不同地类的安妥度.这种推广地方在每个格网的各个地类上均有相应的安妥度，因此是最详备的地方类型，不错从空间上对地盘应用配置进行优化指引.地盘安妥度评价地方是安妥度类型推广地方的基础模子.每个地盘单位上的安妥度类型推广地方的属性结构如表 1所示.

表 1 安妥度类型推广地方的结构 Table 1 Structure of extensible target of suitability type

其地方函数接收雷同安妥度评价的地方函数，界说为

$ {F_{{\rm{ES}}}} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {{\rm{ES}}_k^{ij}}， } $ (7)

其中ESkij为格网(i， j)处地盘应用类型k的安妥度.

(2) 调治类型推广地方L5

调治类型推广地方是对不同地盘应用类型之间的调治给地方带来促进或遏制的定量表情.遐想条目下，任何地方王人不错在空间上指引地盘应用的优化配置，但是，在试验场景下，许多地方频频因为数据难以获取或难以量化等原因，无法对每个格网上的地盘应用类型调治王人进行定量表情，而只可从合座上，对不同地盘应用类型之间的调治进行模拟，而最小筹办老本即是调治类型推广地方的基础模子.这种类型的推广地方的属性结构如表 2所示.

表 2 调治类型推广地方的结构 Table 2 Structure of extensible target of transform type

调治类型推广地方的函数界说为

$ {F_{{\rm{EC}}}} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {{\rm{EC}}_{kp}^{ij}}， } $ (8)

其中ECkpij需要凭据地方的情况，进行归一化处理，并处理为最大化问题需要的花样.

(3) 价值类型推广地方L6

雷同地，价值类型推广地方也无法为每个地盘单位的不同地盘应用类型提供量化表情，只可对酌量区域内每种地盘应用类型在合座上进行定量表情，这种价值可能是正价值，也可能是负价值，因此价值类型推广地方可能是最小化问题，需要先将地方处理为最大化问题，并作念归一化处理.这种类型的推广地方莫得出当今基本地方中，但行为一种可能出现的地方类型，应该对其进行抽象建模.价值类型推广地方的属性结构如表 3所示.

表 3 价值类型推广地方的结构

因此，价值类型推广地方的函数界说为

$ {F_{{\rm{EV}}}} = \sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {{\rm{EV}}_k^{ij}}， } $ (9)

其中EVkij进行归一化处理，并处理为最大化问题的花样.

1.3 蚁群算法与多地方体系的和会

将多地方体系与蚁群算法相和谐，需要改造蚁群算法的中枢函数，主要包括启发信息函数η(t)、信息素开释函数Δτ(t)和概率鼎新函数p(t).

(1) 启发信息函数

设在第t次迭代时，第a只蚂蚁在格网(i， j)处将地类从k转为p，在单地方L下的启发信息函数为η(t)，则地方L在(i， j)处的地方函数值fL有

$ {f_L} = \left\{ \begin{array}{l} S_p^{ij}， L = L1， \\ C_{kp}^{ij}， L = L3， \\ {\rm{ES}}_p^{ij}， L = L4， \\ {\rm{EC}}_{kp}^{ij}， L = L5， \\ {\rm{EV}}_p^{ij}， L = L6. \end{array} \right. $ (10)

计议到地类的空间积存效应，在计算地方L的启发信息函数时，与空间积存地方L2的启发函数Upij和谐，因此地方L的启发信息函数界说为

$ \eta _{kp}^{ij}\left( t \right) = sp \times {f_L} + \left( {1-sp} \right) \times U_p^{ij}， $ (11)

其中sp为地方L与L2的均衡所有这个词.因此，在多地方体系下，启发信息函数界说为

$ \eta = \prod\limits_{l = 1}^n {{\eta _l}\left( t \right)， \;\;\;l \ne 2.} $ (12)

(2) 信息素更新函数

GOSS等[17]的酌量标明，蚂蚁会在经过的旅途上留住信息素，疏通时间内，较短的旅途上信息素蒸发较少，而蚂蚁倾向于遴荐信息素浓度高、旅途短的旅途，从而杀青蚁群的正反馈机制.模拟这一正反馈机制的算法即为蚁群算法.其中的缺欠函数即是信息素更新函数τ(t)和信息素开释函数Δτ(t).蚁群算法与多地方体系和谐时，信息素开释函数界说为

$ \Delta \tau _{kp}^{ij}\left( t \right) = Q\left( t \right) \times \eta _{kp}^{ij}， $ (13)

其中Δτkpij暗意迭代次数为t时，格网(i， j)从地类k调治为地类p过程中蚂蚁开释的信息素，Q(t)为信息素强度因子.此时，算法的信息素更新函数界说为

$ {\tau _{ij}}\left( {t + 1} \right) = \left( {1-\rho } \right) \cdot {\tau _{ij}}\left( t \right) + \sum\limits_{n = 1}^N {\Delta \tau _{kp}^{ij}\left( t \right)， } $ (14)

其中，ρ为信息素蒸发因子，N为蚁群界限.

(3) 概率鼎新函数

在地盘应用优化配置过程中，刻下地盘单位配置为其他类型时，仅在刻下地盘单位发生，而不会酿成邻域的地盘单位也发生类型调治，因此只需计议刻下格网从刻下地类转为其他地类的概率即可，其概率鼎新函数为

$ P_{kp}^{aij}\left( t \right) = \left\{ \begin{array}{l} \frac{{{{\left| {\tau _p^{ij}\left( t \right)} \right|}^\alpha } \cdot {{\left| {\eta _{kp}^{aij}\left( t \right)} \right|}^\beta }}}{{\sum\limits_{k \in K} {{{\left| {\tau _s^{ij}\left( t \right)} \right|}^\alpha } \cdot {{\left| {\eta _{ks}^{aij}\left( t \right)} \right|}^\beta }} }}， \;\;\left( {i， j} \right) \notin {\rm{tab}}{{\rm{u}}_a}， \\ 0， \;\;\;\left( {i， j} \right) \in {\rm{tab}}{{\rm{u}}_a}， \end{array} \right. $ (15)

其中，Pkpaij(t)暗意迭代次数为t时，第a只蚂蚁在格网(i， j)处从地类k调治为地类p的概率，tabua暗意第a只蚂蚁依然打听过的地盘单位，α暗意信息启发因子，β暗意盼愿启发因子.

1.4 构建基于可推广多地方蚁群算法的地盘应用优化配置模子

本文对多地方体系进行抽象建模，建立了可推广的多地方体系，将其与蚁群算法和谐，舔逼应用于地盘应用优化配置，建立了基于可推广多地方蚁群算法的地盘应用优化配置模子.模子经由如图 1所示.

图 1 基于多地方蚁群算法的地盘应用优化配置模子经由图[18] Fig. 1 Flow chart of land use optimizing allocation based on multi-objective ant colony algorithm

在模子基础上，本文使用JAVA话语完成了模子的杀青，模子经由的伪代码如下:

Opti opti= new Opti ();

//读取数据

opti.instance = opti.inOut.read_data(path);

//开动化蚁群和参数

opti.init ();

while (判断断绝条目) {

    //蚁群构造优化配置决议

  if (opti.simulateAnts()){

    //遴荐最优解，更新信息素

    opti.updatePheros ();

    //从头开动化蚁群

    opti.restartAnts ();

  }

}

//输出Pareto最优解集

opti.inOut.output();

在上述伪代码中，详细计议性能和优化效果，设立断绝条目为最少80次迭代周期，同期要求在终末的20次迭代中最优解无更新.

在蚁群算法与多地方体系和会的过程中，启发信息函数是和会的缺欠，蚂蚁a在格网p处将地盘应用类型配置为type，计算启发信息函数地方的伪代码如下：

if (判断是否安妥经管限定) {

    double res = 1.0;

    for (遍历统统地方) {

        //计算地方在位置p的启发信息值

        res *=e.getValue().eta(p， type， grids);

    }

    //更新配置决议在p处类型type的启发信息

    grids[p.x][p.y].exp.replace(type， res);

    return res;

} else {

    return 0;

}

在构建的模子中，信息素更新是蚁群算法正反馈机制的缺欠，模子中信息素更新和蚁群信息素开释的伪代码如下：

//遍历通盘格网和不同地类，更新信息素

for (int l=0;l < lu.size(); l++){

    //信息素蒸发

  ph.pheroVolat(i， j， l);

  for(int k=0;k < ants.size(); k++){

        if(蚂蚁转变了格网的地类类型){

            蚂蚁开释信息素

        }

    }

}

2 实例考据与效果分析

可推广多地方体系的生动性，在于对不同地方的优化或对不同策画进行遴荐时，不错独处构建、添加或删除具有针对性的推广地方，而不需要对多地方体系的其他部分进行诊疗.

本文以杭州市萧山区为酌量区域，进行实例考据.在完成模子的构建后，最初在传统无推广地方的基本多地方体系(简称M1)下进行实验考据.由于可推广多地方体系的生动性，本文单独构建了调治类型的碳排放量地方和价值类型的生态劳动价值地方，从而形成4种不同的多地方体系，鉴别为添加碳排放量的多地方体系M2、添加生态劳动价值的多地方体系M3和添加碳排放量与生态劳动价值的详细多地方体系M4.然后，在不同的多地方体系下鉴别进行实验，终末对优化配置决议进行对比，考据模子的灵验性.

2.1 酌量区域先容

萧山区位于杭州市南部，2001年3月撤市设区，西北临钱塘江，地舆坐标为120°04′22″E~120°43′46″E，29°50′54″N~30°23′47″N.萧山区下辖15个镇，11个街谈，辖区总面积1 420.22 km2.南部以低山丘陵为主，中北部主要为平原，地区内平原约占66%，平地约占17%.属亚热带季风性风景，雨量充沛.为止2014年末，户籍登记东谈主口125.54万，分娩总值1 728.32亿元，三大产业结构比例为3.5:54.1:42.4，东谈主均GDP达到138 309元.

2.2 数据集会与多地方体系设立

酌量区域数据有统计数据、遥感数据、空间数据3类.统计数据，主要包括2014年各城镇、街谈的常住东谈主口、自营出口额，来自萧山区统计年鉴；遥感数据，主要包括SRTM DEM数据、DMSP/OLS灯光数据；空间数据为2015年萧山区1:10 000地盘应用数据.通过ArcMap软件，将数据处理为200 m×200 m的格网，共计35 335个.并凭据数据索取地形、经济和当然因子，形成地盘安妥性因子评价表，最终得到统统格网的地盘安妥性评价效果.

关于最小筹办老本地方，由于不同地盘应用类型之间的调治老本难以平直获取，则参考文献[3]提议的用地盘应用类型调治所有这个词来障碍响应调治老本，终末不同地盘应用类型之间的调治老本如表 4所示.

表 4 最小筹办老本中的地类调治因子 Table 4 Conversion factor between land use types in minimum planning cost target

关于碳排放量推广地方，凭据文献[19-20]对不同生态系统与碳排放量络续的酌量，得到不同地盘应用类型的碳排放/接纳所有这个词，处理得到不同地盘应用类型调治过程中引起的碳排放/接纳量矩阵，如表 5所示.

表 5 碳排放量地方中的地类调治因子 Table 5 Conversion factor between land use types in carbon emission target

凭据文献[21]的酌量，得到不同地盘应用类型代表的生态劳动价值，如表 6所示.

表 6 生态劳动价值地方中的地类价值因子 Table 6 Value factor of land use type in ecological service value target 2.3 蚁群算法参数设立

模子中蚁群算法的重要参数均为基本蚁群算法的参数，其取值与地盘应用优化配置无关，本文凭据屡次检会的模拟优化配置效果，参数设立如表 7所示.

表 7 蚁群算法参数设立 Table 7 Parameter setting of ant colony algorithm 2.4 效果与分析

在不同的多地方体系下进行地盘应用优化配置，鉴别得到相应的优化配置解集，并收用解蚁合任一优化配置决议，与其他多地方体系下的优化决议作念对比分析.

2.4.1 地方函数分析

在M1、M2、M3、M4四种不同的多地方体系优化配置决议下的各个地方函数的经管情况如图 2所示.可知，在不同的多地方体系下，各个地方函数王人能在迭代过程中冉冉优化，在搜索初期优化速率较快，后期则较慢，如M4下的空间积存地方，初期以较快的速率优化，在迭代30次后，优化速率较着放慢，其地盘安妥性地方也具有雷同特质.

图 2 M1/M2/M3/M4中各地方函数的优化弧线 Fig. 2 Optimizing curves of all targets in M1/M2/M3/M4 注  横坐标为迭代次数，纵坐标为对应地方值.

不同的多地方体系下，各地方函数在优化过程中，对每次优化的孝敬不同，这是由蚁群搜索过程中随即遴荐待优化格网酿成的.同期，不同的优化配置决议，经管到最大值的迭代次数不同，在M1和M4中，基本王人在第40次迭代时完成经管，而在M2和M3中，则在第60次迭代时才完成经管.另外，在不同的多地方体系下，即使地方疏通，最终经管到的最大值也不疏通，如碳排放量地方，在M2和M4中，终末经管到的最大值鉴别为0.044 3和0.025 6.

2.4.2 地盘应用数目结构分析

在不同的多地方体系下进行优化配置，得到不同的地盘应用类型调治矩阵，如表 8~11所示.

表 8 M1中的地盘应用类型调治矩阵 Table 8 Transform matrix of land use types in M1 表 9 M2中的地盘应用类型调治矩阵 Table 9 Transform matrix of land use types in M2 表 10 M3中的地盘应用类型调治矩阵 Table 10 Transform matrix of land use types in M3 表 11 M4中的地盘应用类型调治矩阵 Table 11 Transform matrix of land use types in M4

由以上4表可知，在M1中，耕地有较着转为确立用地和林地的趋势，鉴别有984个地盘单位的耕地被确立用地占用，另有436个耕地单位退耕还林.因此在基本多地方体系下，萧山区地盘应用优化配置，以确立用地占用耕地和退耕还林为主.M2的优化配置决议与M1特殊雷同，其中确立用地占用耕地的面积险些疏通，但持重到加入碳排放量地方后，林地与耕地碳排放量的各别，使得M2中退耕还林趋势比M1更较着，合座上M2中林地比M1多90个单位.与M1比拟，M3增多了生态劳动价值地方，因此M3与M1的优化配置效果比拟，确立用地占用耕地的趋势在M3中被阻扰，而况出现大界限退耕还林风景，因此M3中确立用地单位比M1减少了1 076个地盘单位，而林地则比M1增多了726个单位.M4详细了M2与M3的特质，持重到M4的优化配置效果与M3特殊雷同，但相对而言，M4的耕大地积比M3略多，而林大地积有小数减少.因此，M4与M1的各别中起主要作用的是生态劳动价值地方，碳排放量地方起次要作用.

不同多地方体系下，地盘应用优化效果与优化前地盘应用结构对比，如表 12所示.

表 12 不同多地方体系优化后的地盘应用结构对比 Table 12 Comparison of land use structures after different multi-objective system's optimizing

由不同多地方体系下的优化效果与优化前的对比可知，合座上阐扬为耕大地积占用比例减少，林地和确立用地占用比例增多的趋势，另外未应用地占用比例也有所减少，地盘应用率有所普及.

持重到M1与M2、M3与M4中各地类比例通常，但两者之间各别较大.其中M2与M1优化后的比例结构通常，与M1比拟，M2的耕地比例较小，而林地和确立用地比例有所增多；而M3与M4优化后的比例结构通常，但M4中耕地和确立用地的比例比M3中有所增多，而林地比例有所着落.因此觉得在推广地方中，生态劳动价值起主要作用，而碳排放量起次要作用，由M3与M4的各别可知，碳排放量地方对生态劳动价值地方有一定的遏制作用.

要而论之，在不同的多地方体系下，模子能对萧山区的地盘应用结构进行诊疗优化.

2.4.3 地盘应用空间布局分析

对不同多地方体系下的地盘应用优化效果进行地盘景不雅容貌分析，鉴别从斑块密度、景不雅分离度指数和景不雅花样指数3个方面来评价优化配置效果的空间布局情况，如表 13所示.

表 13 不同多地方体系优化后的各地类景不雅指数统计对比 Table 13 Comparison of landscape indices of land use types after different multi-objective system's optimizing

由表 13可知，在不同的多地方体系下，优化后的耕地、确立用地、林地在斑块密度、分离度指数、花样指数3个策画上合座呈较着的减小趋势，标明优化配置后耕地、确立用地和林地的斑块花样愈加限定，脱落度更小，在空间中愈加积存.因此，不同的多地方体系下的模子王人不错改善萧山区的地盘应用景象，使地盘应用空间布局愈加合理.

在M1和M2中，确立用地积存效应更为较着，体现了集约用地的要求，更成心于阐扬地盘的积存效应，对经济发展愈加成心，M2中碳排放量地方的存在，使得M2更侧重于发展和保护生态环境，而确立用地积存程度较M1略小；在M3和M4中，更强调生态劳动价值地方的作用，使得林地愈加积存，更成心于保护生态环境，改善区域的当然条目.

3 论断与商讨

分析了地盘应用优化配置中基本多地方的花样，将可能的地方分为3种基本类型，由此建立了可推广的多地方体系，将其与蚁群算法和谐，构建了基于可推广多地方蚁群算法的地盘应用优化配置模子，并收用杭州市萧山区为酌量区域，张开实例考据.

检会效果标明，基于可推广多地方蚁群算法的地盘应用优化配置模子约略生动地适当不同的多地方体系，对区域内的地盘应用布局进行合理配置，普及区域内的地盘应用率，促进地盘的可合手续发展.刻下的模子将地盘应用类型分为5类比较节略，因此下一步酌量要细化模子的地盘应用类型，提供更细腻的地盘应用分类，普及模子的试验可靠性；另外，地盘应用优化配置地方特殊复杂色酷色，且相互之间并非线性络续，因此改日须对可推广多地方体系中各个地方的权重计谋进行深切酌量，加强可推广多地方体系对地盘应用优化配置的指引作用.