摘 要

蚁群算法是一种新型的仿真进化算法，它是从对蚁群觅食行为的研究中产生的，具有正反馈、分布式计算以及贪婪的启发式搜索等特点，这些特点为更好地解决复杂的组合优化问题提供了可能。实验表明，在求解土地覆盖变化规律则时，蚁群算法与其它算法相比更具优势。现在已有很多学者采用蚁群算法对土地覆盖变化问题进行了深入的研究，然而这些算法仍然存在易陷入局部较优解、随机性较大等缺点，因此，本文针对这些问题对蚁群算法的随机性进行了分析，提出了相应的解决方案，希望能够达到提高算法的性能和收敛速度的最终目的。

以基本的蚁群算法理论为基础，综合了多蚁群算法和并行蚁群算法的特点，本详细阐述了利用蚁群算法解决土地覆盖变化趋势预测的问题，并且提出了算法中随机性的来源，以及相应的解决方法。

基于北京局部地区的高光谱遥感影像，验证了在研究过程中编写的蚁群算法，同时经过实际验证表明：蚁群算法适用于矢量元胞转换规则的挖掘。但是不可否认的是它具有一定的局限性，仍然面对着结果的随机性和局部收敛等不易解决的难题。

关键字：蚁群算法；随机性；土地覆盖；变化趋势

Abstract

Ant colony algorithm is a novel simulated evolutionary algorithm, which is generated from the study of ant colony foraging behavior of having a positive feedback, distributed computing, and greedy heuristic search and other features, which better address complex combinatorial optimization problem possible. Experiments show that, in solving land cover changes of the time, ant colony optimization algorithm compared with other advantages. Many scholars have now adopted land cover change issues in-depth study, but these algorithms are still easy to fall into partial optimum solution, randomness and other shortcomings, therefore, this paper analyzed these problems especially ant colony algorithm randomness, and provided solutions, hoping to improve the performance of the algorithm and the convergence rate of the ultimate goal.

With basic ant colony algorithm based on the theory that combines features of multiple ant colony algorithm and parallel ant colony algorithm, this paper elaborates the ant colony algorithm to solve land-cover trends predict problems, and proposed algorithms randomness origin, and the corresponding solutions.

Hyper spectral Imagery Beijing-based local area verified the study prepared by the ant colony algorithm, at the same time proved that: ant colony algorithm is applicable to tap vector cellular transformation rules. But it is undeniable that it has some limitations, the results are still faced with the randomness and local convergence which is not easy to be solved.

Key words: ant colony algorithm；randomness；land cover；trends

目 录

摘要 I

Abstract II

第1章 绪论 1

1.1 选题背景与研究意义 1

1.2 国内外研究现状 1

1.2.1蚁群算法的研究现状 1

1.2.2土地覆盖变化研究现状 2

1.3研究内容和组织结构安排 2

1.4研究方法与技术路线 3

1.4.1研究目标 3

1.4.2研究路线 3

第2章 研究区域的数据预处理 5

2.1 研究区概况 5

2.2 专题层的制作 5

2.3 基于专题层的影像分割 6

2.4 各个地类最佳分割尺度的确定 9

2.5 影像分类 13

2.6分类数据和拓扑检查 16

第3章 基于蚁群算法的分类转化规则获取 18

3.1 样本数据的最终确定 18

3.1.1计算元胞邻域 18

3.1.2计算元胞转化类型 19

3.2 设计算法提取转化规则 21

3.2.1初始化信息素 21

3.2.2建立规则 21

3.2.3启发函数的设定 21

3.2.4规则修剪 22

3.2.5信息素更新 22

3.2.6空节点策略的引入 23

3.2.7算法运行流程 25

3.2.8 算法定义类图介绍 27

3.3规则集形式 28

3.4误差矩阵判断精度 28

第4章 蚁群算法随机性分析 30

4.1 随机性的表现 30

4.2随机性的来源分析 32

4.3 随机性的解决方案 33

第5章 总结与展望 35

参考文献 36

致 谢 37

1. 绪论

1.1 选题背景与研究意义

伴随着全球变化研究的普遍性和活跃性的增加，以及越来越现实的人口-资源-环境问题的迫近，土地覆盖变化研究已经成为了全球环境变化研究的重中之重。所以长期以来，对于土地覆盖变化的未来预测领域里，人们从不同的角度出发，构建了大量的模型，对土地覆盖变化的研究起到了积极地推动作用，而其中地理元胞自动机模型相较于传统的地理学模型，具有较好的时空动态性，可以模拟非线性复杂系统的突现、混沌、进化等特征，是模拟城市土地利用变化等多种高度复杂的地理现象的有力工具^[1]。在此基础上，本文选择使用蚁群智能算法对矢量元胞进行转换规则挖掘，进而在元胞自动机的模型基础上建立一个完整的、具有具体规则的自动模型。蚁群算法对于土地覆盖变化的预测来说有它相应的健壮性和高效性，将矢量元胞和蚁群算法结合，更能够解决动态多变的复杂的地理问题，但是蚁群算法在此方面的应用上仍然具有随机性较高等缺点

所以针对这个问题，本文采用了基础的面向对象遥感分析技术，首先针对不同土地覆盖类型的相异特点，地理元胞是选取了在各个地类的最佳分类尺度上提取的矢量遥感影像对象，然后再根据土地覆盖分类的标准对上述提取的地理元胞进行分类。最后采用蚁群算法对得出的矢量元胞自动机模型进行规则的提取，得出成型的较为稳定的转换规则，然后将实体数据导入算法进行验证。在此，本文选用其他成熟的第三方算法作为校准标准对比，分析蚁群算法的随机性来源和提出解决方法。