一种基于粒子群算法的林分空间结构优化模型建立方法

摘要

本发明公开了一种基于粒子群算法的林分空间结构优化模型建立方法，包括以下步骤：测量林分面积，对林分内胸径大于5厘米的属于顶极群组成树种和过渡性群落树种的林木进行测量，获得每株林木空间坐标、树种、混交度、竞争指数、角尺度、林层指数、空间密度指数、开阔比数；采取粒子群算法，以林分空间结构所包括的混交度、竞争指数、角尺度、林层指数、空间密度指数、开阔比数为优化目标，建立林分层面的森林空间结构多目标优化模型，根据模型输出的目标树以及四周近邻木构成的空间结构单元确定林分内需要调控的林木及空间结构单元，调整林分空间结构，使森林结构趋于合理状态，恢复生态系统功能。

主权项

1.一种基于粒子群算法的林分空间结构优化模型建立方法，其特征在于，包括以下步骤：步骤一、测量林分面积，对林分内胸径大于5厘米的属于顶极群组成树种和过渡性群落树种的林木进行测量，（在林学领域，哪些树种属于顶极群组成树种，哪些树种属于过渡性群落树种为公知常识）并获得以下参数：每株林木空间坐标、树种、混交度、竞争指数、角尺度、林层指数、空间密度指数、开阔比数、林分内胸径大于5厘米的属于顶极群组成树种和过渡性群落树种中林木的总数N，林分内胸径大于5厘米的属于顶极群组成树种和过渡性群落树种中的距边线距离大于5米的林木总数M；步骤二、采取粒子群算法，找出林分内需要调控的林木；随机抽取林分内胸径大于5厘米的属于顶极群组成树种和过渡性群落树种中的距边线距离大于5米的林木总数的10%作为初始粒子群体，将其中每一株林木作为一个粒子，林木在林分内的空间坐标作为粒子在解空间中的位置，首先计算每个粒子的适应度函数：$\min \mathrm{imize}{M}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}{v}_{\mathrm{ij}}$$\max \mathrm{imize}{\mathrm{CI}}_i=\underset{j=1}{\overset{n}{\Sigma }}\frac{d_j}{d_i·L_{\mathrm{ij}}}$$\max \mathrm{imize}{W}_i=|\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}{z}_{\mathrm{ij}}-0.5|$$\min \mathrm{imize}{S}_i=\frac{c_i}{3}*\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}{s}_{\mathrm{ij}}$$\max \mathrm{imize}{D}_i=1-\frac{r_i}{r_{\max }}$$\min \mathrm{imize}{\mathrm{OP}}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}{t}_{\mathrm{ij}}$式中，minimize表示求最小值，maximize表示求最大值，M_i是每个粒子对应林木i的混交度，v_ij是混交度的取值变量，当参照树i与第j株相邻木非同种时v_ij=1，反之，v_ij=0；CI_i是每个粒子对应林木i的竞争指数，L_ij是每个粒子对应林木i与相邻木j之间的距离，d_i是每个粒子对应林木i的胸径，d_j为相邻木j的胸径；W_i为每个粒子对应林木i的角尺度，z_ij为角尺度取值变量；S_i是每个粒子对应林木i的林层指数，c_i为每个粒子对应林木i的林层数，s_ij是林层取值变量，当每个粒子对应林木i与第j株相邻木不属同一层时s_ij=1，反之，s_ij=0；D_i是每个粒子对应林木i的空间密度指数，r_i为每个粒子对应林木i与其最近相邻木的距离；r_max为在林分中相邻两株林木的最大距离；OP_i是每个粒子对应林木i的开阔比数，t_ij是开阔数取值，当每个粒子对应林木i与相邻木j的水平距离大于每个粒子对应林木i与相邻木j的树高之差时，t_ij=1，反之，t_ij=0，相邻木为与每个粒子对应林木i距离最近的4株林木，n＝4，i＝1,2,…,M×0.1，；再根据适应度函数求取每个粒子的适应值函数F_i,i＝1,...,M×0.1：$F_i=1/\left(\frac{\frac{1+M_i}{{\sigma }_{M_i}}·\frac{1+{\mathrm{OP}}_i}{{\sigma }_{{\mathrm{OP}}_i}}·\frac{1+S_i}{{\sigma }_{S_i}}}{(1+{\mathrm{CI}}_i)·{\sigma }_{{\mathrm{CI}}_i}·(1+D_i)·{\sigma }_{D_i}·(1+W_i)·{\sigma }_{W_i}}\right)$式中为混交度标准差；为开阔比数标准差；为林层指数标准差；为竞争指数标准差；为空间密度指数标准差；为角尺度标准差；然后将适应值函数F_i,i＝1,...,M×0.1最小的粒子的位置作为粒子群体最优位置p_g的初始值，第i个粒子自身的位置作为第i个粒子的最优位置p_ib的初始值，对每个粒子进行如下迭代更新：v_id(t+1)＝ωv_id(t)+c₁u₁[p_ib-x_id(t)]+c₂u₂[p_g-x_id(t)]x_id'(t+1)＝x_id(t)+v_id(t+1)x_id(t+1)＝x_id(t)+v_id(t+1)+d_min(x_id'(t+1),y_jd)式中，t为当前迭代代数，t=1，v_id为第i个粒子的第d维的速度，x_id'为第i个粒子更新后第d维的位置，x_id为第i个粒子更新后对应的林木的第d维的位置，y_jd为第i个粒子更新后的位置的第j株相邻木的第d维的位置，d_min(x_id'(t+1),y_jd)为第i个粒子更新后第d维的位置与4株相邻木第d维的位置的欧氏距离的最小值，j＝1,2,3,4，i＝1,2,…,M×0.1，d＝1,2，u₁和u₂是[0,1]区间内服从均匀分布的随机数，c₁和c₂为加速因子，p_ib为第i个粒子的最优位置，p_g为粒子群体的最优位置，ω为惯性因子，用如下线性递减公式进行迭代更新：ω(t)＝ω_max-t·(ω_max-ω_min)/T式中，ω_max为惯性因子最大值，ω_min为惯性因子最小值，T为最大迭代次数，迭代更新后，将第i个粒子更新后对应的林木的第d维的位置作为第i个粒子更新后第d维的位置，每迭代更新一次，计算一次每个粒子的适应值函数F_i，将适应值函数F_i最小的粒子的位置更新为粒子群体最优位置p_g，同时如果每一个粒子的适应值函数F_i小于迭代更新前的适应值函数F_i，则将第i个粒子更新后对应的林木的位置更新为第i个粒子的最优位置p_ib，否则，仍以迭代更新前的第i个粒子自身的位置作为第i个粒子的最优位置p_ib；经过T次迭代更新后，每一个粒子的最优位置p_ib所对应的林木即为需要调控的林木；步骤三、对步骤二中确定需要调控的林木进行如下调整：如果该林木的角尺度大于林分角尺度均值并且该林木的空间密度指数小于林分空间密度指数均值，则砍伐一株该林木的相邻木中的非稀有树种；如果该林木的角尺度大于林分角尺度均值并且该林木的空间密度指数大于林分空间密度指数均值，则砍伐一株该林木的相邻木，在该林木相对被砍伐林木的另一边补种一株顶极群组成树种；如果该林木的角尺度小于林分角尺度均值并且该林木的空间密度指数小于林分空间密度指数均值，同时该林木不是林分内该类树种中唯一的一株，则将该林木砍伐；如果该林木不属于上述三种情况，则不对该林木进行调控。