淡若清风1064 中南大学学报(自然科学版) 第42卷
映了基于MOSOLUA模型所得到的土地利用配置结果的总体资源节约与环境友好程度明显比基于普通遗传算法空间优化配置模型获取的土地利用配置结果好。此外，对于同一研究区域，基于相同的目标函数，为得到优化配置结果，MOSOLUA模型和普通遗传算法空间优化配置模型实际运行的总时间分别为8.57 h和3.31 h，MOSOLUA模型的运行效率比普通遗传算法空间优化配置模型的运行效率提高了61.38%。
表5 基于普通遗传算法空间优化配置模型的
(a)普通遗传算法空间优化配置模型的优化结果；
(b) MOSOLUA模型的优化结果
图4 MOSOLUA模型与普通遗传算法空间优化配置模型
的配置结果比较
Fig.4 Comparison of land use allocation results
using different allocation models
土地利用配置结果评价
Table 5 Evaluation on land use allocation results using
GA spatial optimization allocation model
用地类型 居住用地 工业用地 商业用地
DMPF
dMEN
IA
IE
1.008 140.976 66.803 0.689 1.412 158.74 40.257 0.694 1.208 141.53 60.445 0.723
4 结论
(1) “资源节约”与“环境友好”目标约束下，从模拟生物对环境的能动适应性和生物间竞争、协同关系出发，构建了多目标土地利用空间优化配置MOSOLUA模型，为土地资源的科学规划与管理问题的合理解决提供了新的有效方法。
(2) MOSOLUA模型与采用普通遗传算法的模型相比，收敛速度快，其运行效率与普通遗传算法空间优化配置模型相比提高了61.38%；采用该模型优化配置的土地利用空间格局从斑块紧凑度、邻接性、聚集度、环境兼容性、总体资源节约与环境友好程度方面均比采用普通遗传算法模型的配置结果优，并且模型的总体适应度与采用普通遗传算法的模型相比提高了
12.57%。上述研究结果验证了MOSOLUA模型的合理性与先进性。该模型可为政府和城市规划工作者制定用地政策提供定量的辅助决策依据。
(a) 普通遗传算法空间优化配置模型的收敛曲线；
(b) MOSOLUA模型的收敛曲线 图5 MOSOLUA模型与普通遗传算法空间
优化配置模型的收敛性比较
Fig.5 Comparison of convergence curves using different
allocation models
(3) 土地利用空间优化配置是一个复杂的多目标决策过程，尽管本研究考虑了资源节约与环境友好等目标，但是，在实际土地利用过程中，土地利用空间优化配置需考虑的目标往往更多或更复杂，如政策约束、资源约束、生态建设用地需求等；因此，在其他区域的应用中利用该模型时，应根据实际情况制定合适的目标体系。
