EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 3: 73 - 81

DOI: https://doi.org/10.3724/j.fjyl.202408030430

Research

Generation of Spatial Structure of Urban Parks Based on Spatial Analysis of Agent-Based Models

  • KONG Huizi 1 ,
  • LIU Tianming 2 ,
  • LIAO Jiajie , 1 ,
  • CUI Liu , 1, *
Expand
  • 1. School of Landscape Architecture, Beijing Forestry University
  • 2. Bartlett Centre for Advanced Spatial Analysis, University College London

KONG Huizi is a master student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

LIU Tianming is a master student in Bartlett Faculty of the Built Environment, University College London. His research focuses on landscape planning and design, spatial analysis, and spatial measurement

LIAO Jiajie is a master student in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

CUI Liu, Ph.D., is an associate professor in the School of Landscape Architecture, Beijing Forestry University. Her research focuses on landscape planning and design

Received date: 2024-08-03

  Revised date: 2025-01-15

  Online published: 2025-12-12

Copyright

Copyright reserved © 2025.
Fold

Abstract

[Objective]

This research aims to leverage the advances of computer algorithms to provide scientific analytical methods for spatial simulation and offer a more objective approach to reflect the natural operational laws of interdependencies between elements in the real physical world for landscape design. Multi-source data characterized by high-density distribution can reflect urban features and spatial patterns at a macro scale. This research employs agent-based models (ABM) to simulate spatial information and explore the spatial function distribution of planned sites under urban spatial function penetration, thereby guiding the structural morphology of scheduled sites.

[Methods]

This research adopts a spatial network analysis design method using slime mold intelligence based on mapping point of interest (POI) data. Firstly, POI data and urban basic information data within the Yizhuang New City area of Beijing are obtained through the application programming interface (API) of Gaode Map to construct the spatial network foundation of the research area. The POI data are grouped into eight types: data on residential areas, hotel accommodations, road traffic, education and culture, medical care, business offices, commercial services, and green space tourism. Secondly, a slime mold agent model is constructed using the NetLogo platform, with the behavioral rules of cytoplasm agents, nuclei agents, and patch agents being defined to simulate the growth behavior of slime molds. By adjusting model parameters, the foraging paths of slime molds in the designed site are simulated, and their spatial function distribution is analyzed. The simulation environment is based on multi-source data analysis and involves setting particle growth points, food locations, and environmental obstacles. Six particle growth points represent the main entry points to the designed site, while food locations are placed at significant building entrances and preserved landscape nodes. The environmental obstacles consist of planned buildings and river channels. Finally, the model incorporates these elements (growth points, food locations, obstacles) to analyze and optimize spatial functions.

[Results]

The research results indicate that the design method for spatial network analysis using slime mold intelligence based on POI data mapping is highly feasible in the landscape design of small and medium-sized sites. The ABM simulation of slime mold growth behavior can effectively reflect the infiltration of surrounding functional information into the designed site, forming a spatial function zoning map with path texture. The path simulation results provide valuable insights into path connections, functional layouts, and crowd-gathering patterns, closely aligning with actual site usage requirements. Specifically, the simulation demonstrates how different functional areas and their respective uses can be distributed across the designed site, allowing for a more informed and responsive design process. Additionally, the simulation results show that the slime mold agent model can rapidly generate foraging networks in complex environments due to its efficient organization and structural resilience, as well as optimize path selection according to behavioral objectives.

[Conclusion]

ABM analysis, supported by advanced algorithms, considers the basic spatial information of the site and simulates individual behavior patterns using distributed computation rules, thereby providing a new paradigm for landscape design thinking. Integrating multi-source data allows ABM to simulate urban spaces' self-organizing behavior and enhance the matching between designed and actual site conditions. This method provides a scientific analytical approach for landscape design from macro to micro scales, helping form spatial structure optimization schemes based on bottom-up design concepts. The combined application of ABM and multi-source data will contribute to the paradigm shift in urban spatial planning, offering new theoretical and practical support for the design of urban park systems. Applying slime mold intelligence through ABM can provide a robust framework for analyzing and designing urban spaces. This approach allows for the simulation of complex spatial interactions and the emergence of spatial patterns that reflect the dynamicity of urban environments, which may, by leveraging multi-source data, offer a comprehensive tool for landscape architects to design functional, responsive, and sustainable urban spaces. The findings underscore the potential of ABM to transform urban landscape design by providing a detailed and data-driven understanding of spatial dynamics and functional distribution, thus helping make more informed and effective design decisions. This expanded approach underscores the feasibility of using slime mold intelligence in landscape design, demonstrating its potential to reshape traditional design methodologies. Integrating POI data with ABM can provide a high level of accuracy in reflecting real-world conditions and enhance the adaptability and sustainability of landscape design. As cities continue to evolve and expand, the methodologies explored in this research will become increasingly relevant, providing landscape architects with the tools necessary to create urban environments that are both functional and harmonious with their natural and social contexts. The research paves the way for future research and application in urban planning, emphasizing the importance of data-driven, adaptive design processes in creating resilient and livable urban spaces.

Key words： landscape architecture; agent-based models (ABM); POI data; spatial complexity; emergence

Cite this article

KONG Huizi , LIU Tianming , LIAO Jiajie , CUI Liu . Generation of Spatial Structure of Urban Parks Based on Spatial Analysis of Agent-Based Models[J]. Landscape Architecture, 2025 , 32(3) : 73 -81 . DOI: 10.3724/j.fjyl.202408030430

当代中国的城市化水平稳步提高，但城市的空间发展质量却不容乐观。国内早年单一的城市开发模式与在地人文的粗糙混合，经由时间作用呈现出混沌、繁杂且多元演化的公共空间景象，而此类特质无法完全凭借传统的空间分析进行描述与评价，对城市空间的规划设计也提出新的时代要求：在急速演化的城市进程中，对于兼具物质性、人文性双重性质的城市空间，设计者如何解释城市公共空间景观现象的发展机理？进而获取一种“自下而上”的空间设计关系，并引导设计实践？
借助多智能体模型（agent-based models, ABM）空间分析，设计者可以对多尺度复合场景下的人群行为进行分析模拟，为一些在现实生活中无法提前进行预演实验的社会、自然现象提供了绝佳的模拟平台。设计者可通过多智能体模型完成情景预演，并从不同发展维度对空间设计提出优化策略。陶海燕等[1]采用“自下而上”的多智能体方法构建了真实场景的居住决策模型，并分析了城市居住格局的形成和演变。龙瀛等[2]采用多智能体模型，建立了城市形态、交通能耗和环境的集成模型，对城市内空间要素的组织形式及其对环境的影响进行定量识别。Mas等[3]利用多智能体模型构建了海啸仿真模型，以日本宫城县Arahama村为模拟环境，完成了海啸疏散情境下的人群行为仿真。Liu等[4]在以中国新疆海拉尔区为对象塑造可持续乡土景观的过程中，通过对居民调查访谈，采用“自下而上”的设计方法，构建了智能体研究模型，开发了结合4种不同地方建设意愿与上位规划目标组合的复合场景，为乡土景观发展可持续性转型提供了新的思考路径。目前，多智能体模型已广泛应用于多个领域，但是在风景园林领域中，采用多智能体模型进行分析的研究较少。曲志华等[5]发现多智能体模型可以模拟景观空间与行人活动之间的相互影响，进而辅助景观规划设计，并详细阐述了基于多智能体技术的景观规划模型的基本原理、规则设定和参数依据，建构了一种新的景观规划思路。现有景观设计形态生成机制模拟研究较少关注复杂城市信息，更缺乏以数据分析为导向的空间设计形态衍生机制的研究。大数据时代，多源数据的获取能够定量揭示城市结构的复杂性、衍生性与空间迭代性。通过快速收集和处理大规模的城市数据，设计者可便捷地获得规划设计对象空间的结构特征，而宏观海量的信息数据是捕捉“自下而上”设计“力量”的有效途径，也是“在地性”空间秩序挖掘的核心依据。
本研究结合多源数据构建黏菌智能体空间信息模拟场景，对城市功能进行空间聚类分析，提升多智能体模型与场地匹配度，初步建立城市信息引导下的场地空间设计结构的生成逻辑，形成与城市功能信息适配的空间结构形态，并回答以下3个问题：如何促发城市公园空间的结构系统以衍生的方式纳入城市系统中？在空间结构生成的过程中如何促进城市公园功能与城市功能系统适配？如何促进未来城市中的集群行为以及场地功能的多元涌现（emergence）？

1 理论基础

1.1 多智能体模型是对空间集群行为的机理性描述

智能体的广义概念涵盖众多不同的计算实体，这些实体能够感知环境并作用于环境[6]。多智能体模型是一种用于描述复杂现象、研究复杂系统的计算机模型，通过“自下而上”的方法，分析系统内部要素，如智能体个体之间及智能体与所处环境之间的交互活动，进而理解由交互过程形成的系统整体特性[7]。智能体与环境的交互（图1）是多智能体模型最显著的特点[8]。在多智能体模型中，实体与环境之间的互动行为所产生的更高层次的新现象称之为涌现。多智能体模型模拟演化出的复杂结果便是由涌现生成。
图1 智能体与环境交互

Fig. 1 Interaction between agents and the environment

在自然界中，动物间普遍存在着集群行为，集群行为是指群居性生物群体中的诸多个体遵循简单的行为规则，与环境和邻近同伴间进行信息交互，适时改变自身的行为模式以适应动态变化着的环境。集群智能理论在20世纪80年代出现，是指由大量简单个体构成的群体按照简单的交互规则相互协作，完成其中任何一个个体不可能单独完成的复杂任务。通过对这些群体行为的研究，逐步形成集群智能理论[9]。
复杂现象是大量个体在相互作用下所表现出来的一种个体难以完成的集体行为，呈现复杂现象的系统称为复杂系统[6]。景观是一个复杂系统，其复杂性来源于景观元素特征、景观空间布局、景观生态格局方式等诸多因素[10]。在多智能体模型中，可以对空间的基本属性及影响空间变化的各个要素进行定义，模拟空间动态演绎的过程，该过程是相对客观且有逻辑可循的。空间动态演绎过程中的设计生成受真实场地中实际存在的客观因素决定，设计结果会随着各个元素之间的互动不断涌现变化，最后趋于稳定。多智能体模型的涌现现象可以通过简单系统之间的相互作用来描述复杂系统[11]，从而模拟空间集群行为。

1.2 城市公共空间呈现出多智能体系统特质

城市系统要素组成复杂，包括建筑、设施、人口等物质要素，以及经济、社会、生态、制度、信息等非物质要素，城市空间会随不同要素及其所在环境基底的相互作用不断调整，在某段时间呈现出相对稳定的状态。这种状态是城市要素从底层向上衍发的自组织过程的阶段性描述，是微观个体集群智能结果的展现，即城市是涌现的结果[12]。
多智能体系统（multi-agent systems, MAS）可用于解决分布式的、涉及多个不同能力的智能体任务。这些智能体会协作、合作，甚至有时会竞争，从而以最有效的方式完成给定任务[9]。在不同领域，多智能体模型有着不同的定义，在城市景观空间中，每一个影响景观空间的决策主体都可以视为一个智能体。空间生形过程是大规模的、复杂的空间决策主体的自组织行为，传统的空间分析以及单一智能体并不能有效解释自组织行为的过程，因此需要借助多智能体协作计算，从而对城市景观空间形态的生成与演绎进行自组织行为的空间映射。

1.3 多源数据支撑下的城市景观空间模拟

多源数据是对数据来源、关注视角、研究手段各异的不同数据的总称，也是差异化描述空间特征的数据集合。伴随着多源数据统计分析方法与算法的升级，使用多源数据对城市信息进行挖掘，能更好地揭示城市景观空间结构的复杂性、多样性与迭代性，能更精准地理解数据的内在关联与规律。通过多智能体模型的空间算法模拟，完成城市尺度到场地尺度设计关系的空间映射，构建空间分析的数据接口，为多智能体模型空间模拟提供场地数据要素的特征统计，从而全面精确地获取城市系统中场地空间的模拟结果。综上，多源数据可实现对设计场地周边区域城市特征的挖掘，协同接入的多智能体模型进行区域城市特征数据分析，最终获取一个带有场地周边功能信息的空间自组织肌理（图2），以此为场地路径连接、功能布局等提供设计指导。
图2 带有场地周边功能信息的空间自组织肌理

Fig. 2 Spatial self-organizing texture carrying surrounding functional information

2 研究区域与数据来源

2.1 研究区域

本研究为亦庄新城“亦城之心”市民中心城市设计方案征集项目（概念性）城市设计的前策研究，包含亦庄新城全域（225 km2）与精细化城市设计“亦城之心”市民中心片区（101.04 hm2）2个尺度的地块。项目宏观目标为将亦庄新城打造成具有全球影响力的创新型产业集群和科技服务中心，刚性传导《北京城市总体规划（2016—2035）》和《亦庄新城规划（国土空间规划）（2017—2035年）》[13]的相关要求，补齐区域公共文化、体育设施短板，引导空间形态和城市风貌，指导规划区内具体项目的落地实施，推动亦庄新城发展。项目任务书中明确提出：“将新建剧院、博物馆、体育馆、商业中心、城市酒店及高品质再生水厂等建筑设施，其设计目标为城市公园与建筑综合体功能同构，协同亦庄新城国土空间规划，将该场地由城市几何中心设计转向为具备城市发展驱动力与发展机制力的新城文化中心。”因此，本研究聚焦于亦庄新城功能系统协同发展的上位需求，对场地与其周边城市关系的功能渗透、场地公共建筑服务空间功能的城市性衔接展开研究（图3）。
图3 设计场地区位

Fig. 3 Design site location

2.2 数据来源

本研究使用的数据包括兴趣点（point of interest, POI）数据、建筑矢量数据和路网数据3类，均于2022年6月通过高德地图应用程序编程接口（application programming interface, API）获取。依据GB 50137—2011《城市用地分类与规划建设用地标准》，对POI类型进行重新梳理，包括生活居住、酒店住宿、道路交通、科教文化、卫生医疗、商务办公、商业服务、绿地观光8种类型。采集北京市域范围内的建筑矢数据（包含建筑层数、各形状角点纬度、建筑功能等属性）与路网数据（包含道路名称、长度、车道数、车行方向等属性）作为城市数据分析的空间基底。

3 研究方法

3.1 城市POI数据功能属性统计与街道功能识别

本研究采用基于POI的城市街道功能精细辨识技术，构建对研究区域内街道类型的宏观认知，并辅助设计场地边界的街道类型的精细研究，以期为后续设计场地边界的街道类型划分与智能体模型属性设置之间的衔接提供依据，为场地尺度空间形态推演提供宏观数据支持。本研究选用基于格网的划分方式，通过城市数据整合与分析，对研究区域内街道类型及其空间分布进行判别，并将城市属性统计信息图显于与设计场地信息相关联的红线边界上（图2）。对数据进行统一清洗后，共筛选出研究区域内12 817条POI数据。将研究区域以100 m×100 m的规则格网进行划分，并基于格网计算POI频数密度（frequency density, FD）以及POI类型比例（category ratio, CR）2个指标[14]，完成对各网格功能属性的统计。计算式
$ {F}_{i}=\frac{{n}_{i}}{{N}_{i}}，i=1\text{，}2\text{，}...\text{，}8 \text{；} $
$ {C}_{i}=\frac{{F}_{i}}{{\displaystyle\sum }_{i=1}^{8}{F}_{i}} \times 100{\text{%}}，i=1\text{，}2\text{，}...\text{，}8\text{。} $
式中，$ {F}_{i} $为频数密度，表示一类POI数据占该单类的比例；i为POI类型编号；$ {n}_{i} $为格网内部第i类POI的数量；$ {N}_{i} $为数据集中第i类POI的数量；$ {C}_{i} $为第i类POI的频数密度占所有类型POI频数密度总和的比例。对所有街道线段创建100 m的缓冲区，统计与缓冲区重叠的格网及重叠面积。将重叠格网内各类POI的数量占比按照重叠面积进行加权求和（图4），得到街道缓冲区功能属性识别指标的数值，即各类POI的数量占比。将POI的数量占比作为街道功能类型划分标准（表1）。
图4 POI数据筛选与处理流程

Fig. 4 Procedures for POI data screening and processing flowchart

表1 街道功能类型划分标准

Table 1 Criteria for classification of street function types

功能类型 划分标准 划分依据
单一功能主导型 某类POI数量占比 ≥ 50% 取POI数量占比≥50%的类型作为该街道的主要功能
混合功能型 某类POI数量占比＜50% 取POI数量占比前2位的类型作为该街道的主要及次要功能

3.2 黏菌智能体空间模拟

本研究以黏菌在生长和觅食过程中表现出来的复杂行为——涌现为研究原型。黏菌的觅食行为具有很强的组织性、高效性与结构韧性，可以快速构建复杂区域的觅食网络，并基于行为目的对路径进行最优选择。多智能体模型的研究理论与黏菌生长所展现出的集群智能的空间行为机制极为相似，均将多量个体定义为“行为主体”，将个体与个体之间、个体及其活动环境之间的行为关系制定行为规则，从而获得多量个体的集群效应，具体表现为定义个体在集群整体的行为轨迹中呈现出有组织、有秩序的复杂现象。2007年，Tero等[15]通过迷宫实验验证了黏菌在路径搜寻方面的突出表现。2010年，Tero等[16]提出一个能够模拟黏菌生长肌理的数学模型，初步实现了对黏菌路径寻优能力的复现；Jones[17]于2010年提出借助多智能体模型完成黏菌肌理生长过程模拟，并对智能体属性定义、运行规则等进行了具体介绍，相关研究对黏菌肌理所体现的张力效应、网络最小化行为、网络修复性能等特征进行了深入剖析。后续的相关研究以黏菌生长机制为基础，在一些多智能体模型运行平台中，对此算法进行了还原度较高的模型复现。
本研究利用NetLogo平台构建多智能体模型，对黏菌生长所表现出的集群行为进行模拟复现，以大量智能体粒子模拟人群在设计场地空间中的行为映射，通过空间算法控制，逐渐形成智能体粒子相对稳态的空间“游走”与“聚集”的行为轨迹，进而以 “捕捉”的轨迹，即附带城市信息的场地空间的肌理结构为基础，探索不同功能类型的空间节点间的网络关联，构建高效、灵活、流动性强的自组织网络。
黏菌网络模型（slime mold network）包括3个智能体类型，分别为核智能体（nuclei agent）、流智能体（cytoplasm agent）以及NetLogo运行环境自带的块智能体（patch agent）。其中，核智能体是流智能体产生的起点，在研究中被赋予城市功能属性，并用核智能体点位编号示意不同的场地功能类型。流智能体由核智能体产生，是黏菌进行肌理生长、环境探索的主要执行者。在景观空间结构生形的模拟过程中，大量的流智能体粒子可以看作具有不同功能需求的人群。块智能体代表着黏菌生长的具体环境，由规则的空间格网组成，在模型中主要负责对流智能体所携带的信号值进行记录，是不同流智能体之间进行信息传递的环境载体。在模拟环境中，本研究将场地中的出入口、建筑出入口与场地内主要景观节点设为行为目标点，吸引由核智能体产生的流智能体到达，流智能体接触到带有目标属性的块智能体便会携带目标信号，目标信号的概念可以理解为场地出入口、建筑、景观节点等要素对人群的吸引力；当带有目标属性的流智能体接触到携带边界、障碍的非目标信号时，流智能体会减少，甚至消亡。通过模拟Netlogo信息环境中块智能体与流智能体之间，以及流智能体与流智能体之间进行大量的信息交互，从而实现不同需求的人与环境之间的交互分析（图5）。
图5 智能体运行规则

Fig. 5 Agent operating rules

2020年，Li等[18]基于自然界黏菌觅食行为，提出黏菌觅食算法（slime mould algorithm, SMA），数学模型和计算式见式（3）~（5）。
1）寻找目标阶段（approach food）。流智能体可以根据空间中的信号接近目标，式（3）描述了流智能体向目标逼近的行为。
$ \;\overrightarrow{{X}（t+1）}=\left\{ \begin{array}{l}\overrightarrow{{X}_{b}（t）}+ \\ \overrightarrow{vb}\cdot （\overrightarrow{W}\cdot \overrightarrow{{X}_{A} （t）}-\overrightarrow{{X}_{B} （t）} ） ， r < p，\\ \overrightarrow{vc}\cdot \overrightarrow{X（t）}，r\geqslant p；\end{array}\right. $
$ p=\text{tan}h\left|S（i）-\mathrm{D}\mathrm{F}\right|， $
式中，$ \overrightarrow{vb} $表示在[−a，a]之间震荡的向量；$ \overrightarrow{vc} $从1到0线性递减；t代表当前迭代次数；$ \overrightarrow{{X}_{b}} $代表当前发现的目标浓度最高的位置；$ \overrightarrow{X} $表示黏菌位置；$ \overrightarrow{{X}_{A}} $和$ \overrightarrow{{X}_{B}} $表示随机选择的2个黏菌个体；$ \overrightarrow{W} $表示黏菌权重；i为索引变量，表示当前迭代中的黏菌个体的编号，i =1，2，…，n；$ S（i） $表示$ \overrightarrow{X} $的适应度；$ \mathrm{D}\mathrm{F} $表示迭代中的最佳适应度；r为[0，1]中的随机值；p为动态阈值，决定流智能体的行为选择；tanh为双曲正切函数，可使p的取值在[–1，1]之间。
2）包围目标阶段（wrap food）。目标浓度越高的位置权重越大，流智能体向其逼近的趋势越强烈，当目标浓度较低时，流智能体会转向探索其他区域，式（5）反映了流智能体流向趋势和目标浓度之间的正负反馈。
$ \;\overrightarrow{{X}^{*}}=\left\{ \begin{array}{l}\mathrm{rand}\cdot （\mathrm{U}\mathrm{B}-\mathrm{L}\mathrm{B}）+\mathrm{L}\mathrm{B}，\mathrm{rand} < z；\\\overrightarrow{{X}_{b} （ t ）}+\overrightarrow{vb}\cdot （\overrightarrow{W}\cdot \overrightarrow{{X}_{A} （ t ）}-\overrightarrow{{X}_{B} （ t ）} ） ，r < p；\\\overrightarrow{vc}\cdot \overrightarrow{X（ t ）}，r\geqslant p。\end{array}\right. $
式中，$\overrightarrow{{X}^{*}}$表示流智能体的位置；LB和UB分别表示搜索范围的下限和上限；rand和r均为[0，1]中的随机值；z为[0，0.1]之间的参数，根据实际应用情况调整取值；p为动态阈值，决定流智能体的行为选择；$ \overrightarrow{vb} $表示在[−a，a]之间震荡的向量；$ \overrightarrow{vc} $从1到0线性递减；t代表当前迭代次数；$ \overrightarrow{{X}_{b}} $代表当前发现的目标浓度最高的位置；$ \overrightarrow{X} $表示黏菌位置；$ \overrightarrow{{X}_{A}} $和$ \overrightarrow{{X}_{B}} $表示随机选择的2个黏菌个体；$ \overrightarrow{W} $表示黏菌权重。
3）振荡阶段（oscillation）。黏菌主要依靠生物振荡器产生的传波来改变通路中的胞质流动，使它们始终向更高的目标浓度位置移动，为了使流智能体能准确模拟黏菌通道宽度的变化，利用$ \overrightarrow{W} $、$ \overrightarrow{vb} $和$ \overrightarrow{vc} $实现振荡变化。

4 研究结果与分析

4.1 亦庄新城街道类型识别与空间分布

基于场地多源数据分类统计方法，选取设计场地5 km范围内的城市街道进行聚类分析与类型判别，并为后续多智能体模型的粒子空间分析提供数据依据。从空间分布角度来看，单一功能主导型街道主要分布在场地西侧，以绿地观光、科教文化、商务办公功能为主。从用地现状来看，周边街区分布着较多的科研机构、国际学校，与分析结论吻合。此外，场地北侧均为科技研发街区，该街区为亦庄新城依托北京经济技术开发区发展的核心区域，科技产业发展水平较高，街区建设情况良好。混合功能主导型街道主要以生活居住、科教文化、商务办公、商业服务为主导功能。场地北侧混合功能街道的主要功能均为商务办公，次要功能为生活居住。由此可见，场地北侧多为职住平衡良好的街区自组团。场地东侧的街道多与马驹桥镇区进行连接，功能上大多以生活居住为主。东侧部分街道生活居住与商业服务功能紧密结合，另有部分街道的生活居住主要依托中学、小学等设施分布。场地西侧分布着大量工业厂房（图6）。通过对上述2种类型街道的判别与分析，将与设计场地相邻的博兴三路、西环南路、漷马路、凉水河二街4条主要道路总结为6种边界类型（表2）。其中场地北侧西环南路以及场地南侧的凉水河二街在不同路段体现出不同的功能属性，因此分别梳理成2种边界类型。
图6 场地周边单一（6-1）、混合（6-2）功能主导型街道分布

Fig. 6 Distribution of single-function dominant streets (6-1) in the vicinity of the designed site and mixed-function dominant streets (6-2) in the vicinity of the designed site

表2 设计场地边界信息

Table 2 Boundary information of the designed site

代表道路 功能类型 边界类型 包含的核智能体点位编号
博兴三路 单一功能主导型 绿地观光 3、5
凉水河二街西路段 单一功能主导型 科教文化 5
凉水河二街东路段 混合功能型 商务办公、科教文化 0、1
西环南路西路段 混合功能型 商务办公、生活居住 2、3
西环南路东路段 混合功能型 商务办公、科教文化 2、4
漷马路 混合功能型 商业服务、生活居住 4

4.2 黏菌智能体空间肌理生成模拟

将多源数据分析结果导入设计红线边界作为智能体运行环境，根据分析结果，设置粒子生长起点、目标点以及环境障碍。粒子生长起点的核智能体代表人流来源，目标点位代表人群吸引点。本次模拟共设置6个粒子生长起点，即设置6个核智能体，分别位于场地的4个路口，以及南北两侧城市道路的路口处。目标点位布置于规划建筑的主要入口处，以及保留的一处景观节点处。环境障碍主要由两部分组成，分别是场地规划建筑以及凉水河、新凤河河道（图7）。
图7 智能体运行环境

Fig. 7 The agent operation environment

基于上述环境设定、目标设定、核智能体设定（即入口设定），通过NetLogo平台完成对黏菌生长肌理的控制与选择，得到场地路径模拟结果。场地路径模拟结果即流智能体在场地中的行动轨迹，每个携带不同场地周边信息的核智能体会产生流智能体，流智能体形成的轨迹代表着周边城市信息在空间中的渗透结果，该路径的模拟结果带有城市信息的功能属性。6个粒子生长起点分别代表着不同的场地环境信息，通过分析单个粒子生长起点产生的流智能体的活动轨迹，可判断出该粒子所代表功能在场地中的核心功能点位，通过运算叠加即可有效生成带有路径肌理的场地空间功能分布。
场地空间的路径设计即为人群游走的空间“依据”，是建构场地与人群行为的空间要素基础，也是场地空间组织（人群因素）的重要载体，承担着大部分公园空间的结构功能。通常路径设计一般依据功能分区、交通需求、景观本底条件等综合确定，但更多依赖设计师的经验直觉与主观判断。设计过程缺少理性的路径成因解释，难以界定城市信息对场地空间结构时间作用下的控制力与改造力，更不必说由于城市信息流通与人群活动行为组构下场地空间的多维功能涌现。智能体空间算法有效整合了带有城市信息的粒子个体行为，对粒子群行为的空间自组织现象进行了肌理复现，携带城市信息的多智能体模型在场地中演化生成的空间结构，反映了场地外部功能对场地未来发展的密切影响，有助于后续场地设计中的路径连接、功能布局，以及人群集聚等空间规律以生形演化的方式进行记录与表达。

4.3 空间肌理生成的景观性解读

4.3.1 街道功能类型信息于公园场地中的空间映射

本研究选取包含10 914个流智能体的模拟结果，并对不同核智能体所产生的流智能体在空间模拟结构中的个体分布进行研究。在模拟过程中，通过参数调节得到各点位在不同时段的模拟结果（图8），并从中筛选出稳定的生形结构进行空间结构的设计分析。可将智能体空间模拟分为3个阶段：阶段1是流智能体在场地中探索的形态，阶段2为流智能体受到环境扰动后的反馈变化的形态，阶段3是流智能体筛选后稳定的形态。模拟结果可以直观反映出场地中流智能体的运动路径、聚集区域与粒子不稳定游走的扩散区域，以此判断出不同功能需求人群最适合活动的区域以及到达该区域的最优路径。分析后期将各核智能体的模拟结果整合，每一个核智能体产生的流智能体的空间运动轨迹形成的复杂的网络路径，代表了对应功能类型在设计场地中的渗透情况。经过参数调整验证得到稳定结果后，将6个点位的粒子分布情况进行叠加，最终得到场地路径生成与功能渗透后的场地空间的肌理结构（图9）。
图8 多智能体模型运行过程及分析

Fig. 8 ABM operation process and analysis

图9 多智能体模型运行结果及分析

Fig. 9 ABM operation results and analysis

4.3.2 场地空间结构预设

城市形态要素间关系复杂，总体可划分为空间关系、距离关系、方位关系和相似关系，其下可详细划分为多种拓扑关系[19]，黏菌肌理网络是城市景观空间中各要素关系交互下空间关系的延伸。对携带不同城市信息的流智能体粒子的场地空间分布进行叠加分析，可以获得场地空间不同功能组群的空间结构。基于多智能体模型空间结构模拟生成的肌理成果，对生成的场地肌理进行组合与筛选，从而获取稳定、简洁的网络结构作为初期结构基础。筛选关键路径的网络结构对路径进行补充，并对整体路径框架进行优化，综合考虑上位规划与场地功能布局模拟，最终获得场地空间结构形态优化方案（图10）。该结构借助智能体实现了“自下而上”场地设计的功能性结构复现，从而实现了城市信息流动导向下的功能体系对城市公园场地系统的结构性整合，也是城市公园以系统的方式介入城市功能系统关系耦合的设计前提。
图10 路径框架优化

Fig. 10 Path framework optimization

5 结论

多智能体模型是“自下而上”的空间力量的一种设计媒介，其原理为通过模拟个体（智能体）在特定环境中的行为模式及其相互作用，揭示复杂空间系统的演化机制，通过定义局部规则，产生整体的复杂行为。此外，如若想获取更为复杂的空间性质，多智能体模型可以通过引入地理空间数据、POI数据、社交媒体数据等多源信息，以更高的精度还原空间信息要素环境，增强模型的现实感与可靠性。在常规的空间设计中，设计师往往采用“自上而下”的设计方法，从宏观层面划分空间类型，再置入活动对象，这种方式较为主观且使用静态视角，容易忽略空间系统本身时空运行的发展机理。景观空间本身并非孤立系统，它依附于要素而存在，这些要素渗透在自然、社会、人文诸多方面。要素之间复杂的相互作用产生了不可预见的宏观行为，这种产生过程不依赖于外界的控制，仅依靠设计师的主观判断很难把握，而多智能体模型分析能借助场地信息模拟场地空间个体间、个体与环境间的行为，并通过分布式运算的算法逻辑生成个体的行为轨迹，进而整合场地空间内外的空间结构，为生成式场地空间设计带来新的思考范式。
此外，多智能体模型也是对设计本质的另一种空间探索，合理地使用多智能体模型进行辅助设计，能使场地设计到场地规划都有迹可循。归根结底，景观空间有人参与、进入才发生空间意义，是一种“自下而上”结合城市信息与个体目的的复合动态空间系统，具备强演化性与复杂性，多智能体模型所模拟的设计结构生成，是通过“自下而上”的方式去探索场地内部功能与外部环境之间的运行机制，可以激发场地内外的空间信息联动，通过模拟联动信息的空间肌理，将场地的演化机制性呈现在设计师面前。
虽然NetLogo平台提供了丰富的编程语言和建模环境，但对于初学者或没有编程经验的研究人员来说，构建复杂的模型仍然是一项挑战。特别是当模型需要涉及多个智能体、多变量和复杂的逻辑关系时，编程和调试的难度可能会显著增加。本研究只是对多智能体模型在城市公园设计设计结构生成过程中的初步探索。在使用NetLogo平台进行仿真模拟时，结果的解释和验证是一个复杂的过程。由于模型中的智能体行为是并行且异步更新的，因此理解每个智能体的行为以及它们之间的相互作用对研究人员来说亦是一项挑战。
城市的数字化发展转型已经成为未来城市新质生产力发展的重要基础与依据。多智能体模型分析不仅能够有效模拟城市空间的自组织行为，还能通过整合多源数据提升设计与实际场地的匹配度。该方法为景观设计提供了一种从宏观到微观的科学分析手段，有助于形成基于“自下而上”设计思路的空间结构优化方案。未来，多智能体模型与多源数据的结合应用将有助于推动城市空间规划范式的变革，为城市公园系统设计提供新的理论与实践支持。

文中图表均由作者绘制，其中图3亦庄新城边界来源于《亦庄新城规划（国土空间规划）（2017—2035年）》。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陶海燕, 黎夏, 陈晓翔. 基于多智能体的居住空间格局演变的真实场景模拟[J]. 地理学报, 2009, 64(6): 665-676.

DOI

TAO H Y, LI X, CHEN X X. Simulation for Evolvement of Residential Spatial Patterns in Real Scene Based on Multi-agent[J]. Acta Geographica Sinica, 2009, 64(6): 665-676.

DOI

[2]
龙瀛, 毛其智, 杨东峰, 等. 城市形态、交通能耗和环境影响集成的多智能体模型[J]. 地理学报, 2011, 66(8): 1033-1044.

DOI

LONG Y, MAO Q Z, YANG D F, et al. A Multi-agent Model for Urban Form, Transportation Energy Consumption and Environmental Impact Integrated Simulation[J]. Acta Geographica Sinica, 2011, 66(8): 1033-1044.

DOI

[3]
MAS E, SUPPASRI A, IMAMURA F, et al. Agent-Based Simulation of the 2011 Great East Japan Earthquake/Tsunami Evacuation: An Integrated Model of Tsunami Inundation and Evacuation[J]. Journal of Natural Disaster Science, 2012, 34(1): 41-57.

DOI

[4]
LIU J, ZHANG M, NIKITA N. Agent-Based Design Research to Explore the Effectiveness of Bottom-Up Organizational Design in Shaping Sustainable Vernacular Landscapes: A Case in Hailar, China[J]. Landscape and Urban Planning, 2021, 205: 103961.

DOI

[5]
曲志华, 蔡正春. 基于多智能体技术的景观规划模型建构[J]. 建筑与文化, 2015(2): 124-125.

DOI

QU Z H, CAI Z C. The Landscape Planning Model Based on Multi-agent Technology Construction[J]. Architecture & Culture, 2015(2): 124-125.

DOI

[6]
LIU.多智能体原理与技术[M].靳小龙, 译.北京: 清华大学出版社, 2003: 1-2.

LIU J M. Autonomous Agents and Multi-agent Systems[M]. JIN X L, translated. Beijing: Tsinghua University Press, 2003: 1-2.

[7]
GRIMM V, RAILSBACK S F. Individual-based Modeling and Ecology[M]. Princeton: Princeton University Press, 2005.

[8]
GIMBLETT HR, SKOV-PETERSON H. Monitoring, Simulation, and Management of Visitor Landscapes[M]. Arizona: University of Arizona Press, 2008: 411.

[9]
申海.集群智能及其应用[M].北京: 科学出版社, 2019.

SHEN H. Swarm Intelligence and Its Application[M]. Beijing: Science Press, 2019.

[10]
曲志华.景观空间复杂系统模型: 基于智能体技术的游人活动模型研究[D].南京: 东南大学, 2014: 19.

QU Z H. Landscape Spatial Models of Complex Systems-Tourist Activities Based on Agent Technology Research Model[D]. Nanjing: Southeast University, 2014: 19.

[11]
霍兰.涌现: 从混沌到有序[M].陈禹, 译.上海: 上海科学技术出版社, 2006: 15.

HOLLAND J. Emergence: From Chaos to Order[M]. CHEN Y, translated. Shanghai: Shanghai Scientific & Technical Publishers, 2006: 15.

[12]
里奇, 斯努克斯.集群智能: 多智能体系统建筑[M].宋刚, 译.上海: 同济大学出版社, 2017: 81.

LEACH N, SNOOKS R. Swarm Intelligence: Architectures of Multi-agent Systems[M]. SONG G, translated. Shanghai: Tongji University Press, 2017: 81.

[13]
北京市规划和自然资源委员会.亦庄新城规划（国土空间规划）（2017—2035年）[EB/OL].（2020-02-14）[2024-08-03].https://ghzrzyw.beijing.gov.cn/zhengwuxinxi/ghcg/fqgh/202002/t20200213_1630030.html.

Beijing Municipal Commission of Planning and Natural Resources. Yizhuang New City Plan (Territorial Space Plan) (2017−2035)[EB/OL]. (2020-02-14)[2024-08-03]. https://ghzrzyw.beijing.gov.cn/zhengwuxinxi/ghcg/fqgh/202002/t20200213_1630030.html.

[14]
骆少华, 刘扬, 高思岩, 等. 基于空间格网的城市功能区定量识别[J]. 测绘通报, 2020(S1): 214-217.

LUO S H, LIU Y, GAO S Y, et al. Quantitative Identification of Urban Functional Areas Based on Spatial Grid[J]. Bulletin of Surveying and Mapping, 2020(S1): 214-217.

[15]
TERO A, KOBAYASHI R, NAKAGAKI T. A Mathematical Model for Adaptive Transport Network in Path Finding by True Slime Mold[J]. Journal of Theoretical Biology, 2007, 244(4): 553-564.

DOI

[16]
TERO A, TAKAGI S, SAIGUSA T, et al. Rules for Biologically Inspired Adaptive Network Design[J]. Science, 2010, 327(5964): 439-442.

DOI

[17]
JONES J. Characteristics of Pattern Formation and Evolution in Approximations of Physarum Transport Networks[J]. Artificial Life, 2010, 16(2): 127-153.

DOI

[18]
LI S, CHEN H, WANG M, et al. Slime Mould Algorithm: A New Method for Stochastic Optimization[J]. Future Generation Computer Systems, 2020, 111: 300-323.

DOI

[19]
杨俊宴, 邵典, 汪鹏, 等. 集成·拓扑·转译: 一种基于知识图谱的城市形态深度解析方法[J]. 城市规划, 2023, 47(6): 57-67.

YANG J Y, SHAO D, WANG P, et al. Integration, Topology, and Translation: An In-Depth Analysis Method of Urban Form Based on Knowledge Map[J]. City Planning Review, 2023, 47(6): 57-67.

Options
Outlines

/

〈 〉