基于CKRPSO算法的空间优化选址方法研究
空间优化选址问题指的是在一定的地理区域范围内为空间对象选定一个或多个空间位置，使其综合指标达到最大的过程。空间优化选址常常涉及到高维地理空间、海量数据、多个互相冲突的目标和多个约束条件，是典型的组合优化难题，而近年来兴起的智能启发式算法能有效地解决这一类问题。本文通过对智能启发式算法之一的粒子群算法进行改进，提出一种带有压缩因子的K均值聚类随机粒子群(CKRPSO)算法，并结合GIS的空间分析和可视化等功能进行空间优化选址。 针对粒子群算法本身易陷入局部最优点的缺点，考虑多个种群更有可能找到全局最优解，便结合K-Means聚类算法来增强种群的多样性，进一步提高算法的运行效率，通过添加压缩因子来调节全局最优解、局部最优解和子群最优解三者之间的关系，并引进全局搜索能力最好的均匀变异粒子群算法来增强算法的寻优能力，最终形成CKRPSO算法。经对比实验发现，该算法鲁棒性更强，时间复杂度更低，求解速度更快。 最后，利用MATLAB和C#进行混合编程实现CKRPSO算法，并对武汉市江汉区商场的选址进行应用实践，表明该方法切实可行。通过粒子群算法与CKRPSO算法的应用对比实验表明CKRPSO算法具有更强的全局寻优能力和更快的求解速度，耗费时间相对较少。
空间优化选址;粒子群算法;K均值聚类;压缩因子;地理信息系统
辽宁工程技术大学
硕士
地图制图学与地理信息工程
朱翊
2017
中文
TP301.6
65
2018-12-11（万方平台首次上网日期，不代表论文的发表时间）