微粒群优化算法(PSO)是由Kennedy和Eberhart于1995年提出的一种基于迭代的优化算法,系统初始化为一组随机解,通过某种方式迭代寻找全局最优解。该算法与遗传算法(GA)相比,简单容易实现,没有交叉和变异操作,需调整的参数不多,收敛速度快。现已广泛应用于目标函数优化、动态环境优化、神经网络训练等诸多领域,并在IEEE进化计算年会(IEEE Annual Conference Of Evolutionary Computation,CEC)上作为一个独立的研究分枝。协同进化算法是近十几年来在协同进化论基础上发展起来的一类新的进化算法。协同进化算法与传统进化算法的区别在于:协同进化算法在进化算法的基础上,考虑了种群与种群之间、种群与环境之间在进化过程中的协调。由于协同进化算法具有诸多优越性,越来越多的学者对它进行了研究,协同进化已成为当前进化计算的一个热点问题。模拟退火算法是1982年由S.Kirkpatrick等人提出的一种模拟金属退火机理而建立的随机优化方法。它是源于对固体退火过程的直接简单模拟而建立的一种通用随机搜索技术,具有较强的局部搜索能力,并能避免陷入局部最优解。正是由于这种优势的存在,人们成功地将该思想引入组合优化理论,近年来该算法引起了大规模优化设计、数值分析、复杂布局等领域广泛的重视。城市化是当今发展中国家存在的一种普遍现象,它表现为新城镇的形成、旧城市的扩大和农业人口转变为非农业人口等,这样编制城市用地规划方案就成为规划师们经常需要面临的一项重要任务。怎样去产生城市用地规划方案和如何去评价并选择最好方案是他们要解决的具体问题之一。对于某个地区而言,可行的城市规划方案是很多的,我们一一找出这些方案是不可行的,也是不现实的。目前,规划师们常只能根据定性方法选取候选方案,选取的过程被称为是“黑箱”操作,结果是主观的、所得方案的数量是很少的。在实际中,或许存在更好的方案没有被发现,所以寻求有效的系统的方法是十分必要的、迫切的。城市用地规划,也就是城市土地的空间布局(或空间配置)问题属于资源分配问题,具有组合挑战。目前解决这类问题的方法主要有两类:精确算法(Exact Algorithms)和启发式算法(Heuristic Algorithms)。精确算法包括线性规划、0～1整数规划等;启发式算法有遗传算法(Genetic Algorithm,GA)、模拟退火算法(Simulated Annealing,SA)、禁忌算法(Tabu Search)和人工神经网络(Artificial Neural Networks)等。这些算法大多属于进化算法,所以说,城市用地规划问题发展到今天,进化计算方法已经成为最重要的规划方法之一。本文致力于研究将微粒群算法和协同进化算法、模拟退火算法相结合,建立一个基于模拟退火机制的多微粒群协同进化模型,并将其应用到城市土地空间布局中。本文的主要工作为:1.提出了一个基于模拟退火的多微粒群协同进化算法。传统的PSO算法简单且易于程序实现,具有良好的收敛性能,但也存在易陷入局部极值点,进化后期收敛慢,精度较差等缺点。为了克服这些缺点,本文将模拟退火思想和多微粒群协同进化思想有机地结合起来,提出基于模拟退火机制的多微粒群协同进化算法。仿真实例表明,该算法不仅能增强微粒群算法的全局收敛性,还能加快进化速度。2.构造了一个城市土地规划的多目标适应度函数。城市土地利用变迁是一个多变量、多目标、受多种因素影响制约的复杂过程。因此,土地利用优化是一个典型的多目标决策问题,以某一个单一目标作为其优化的方向,显然不合理。本文从土地功能协调性、土地比例协调性、各类城市用地在整体空间分布的协调等多个方面对城市的土地利用状况进行评价,据此分析土地利用结构分配模型,定义其目标函数。3.求解城市土地利用的优化方案。利用基于模拟退火的多微粒群协同进化算法对城市土地空间布局的目标函数进行优化,利用VC++.NET 2003在Windows XP平台上实验,生成了合理的布局方案,结果令人满意。