自人类世开始以来（Keys et al., 2019），土地利用转变、基础设施扩张和资源开发对自然生态系统造成了日益增长的压力，导致栖息地丧失、碎片化和生物多样性下降（P?rtner et al., 2023; Schooler and Belant, 2025）。因此，保护区已成为生物多样性保护和生态系统维持的基础性策略。科学设计和有效管理的保护区可以减少栖息地碎片化、缓解人为干扰（Cristiano et al., 2025; Stoudmann et al., 2025），并在不同空间尺度上改善保护成效（Border et al., 2025; Li et al., 2024b; Simkins et al., 2025）。
国家公园是保护区体系的核心，强调对具有高保护价值的大规模生态系统的整体保护、生态恢复和综合治理（Chen et al., 2023; Jiang et al., 2024）。除生物多样性保护外，国家公园还被期望维持生态完整性、支持关键生态过程，并在不断增大的人类压力下增强生态系统韧性。在中国，国家公园系统旨在将代表性、重要性和关键性生态系统纳入统一的保护框架，并建立以国家公园为主体的保护区体系（Cao et al., 2025b; Zang et al., 2022; Zhang et al., 2023）。在此背景下，边界划定决定了国家公园的空间范围和组成，直接影响保护成效和长期管理结果。
国家公园边界划定不仅仅是识别生态价值高的区域的过程，而是耦合人类-自然系统中多目标空间配置问题。它需要在非线性权衡下平衡生态效益、人类活动冲突和空间整合（He et al., 2018）。现有的保护优先方法主要依赖空间叠加和基于阈值的提取方法（Jiang et al., 2022; Wang et al., 2023, 2024）。然而，这些方法对预定义的权重和阈值很敏感，并且捕捉生态效益、人类约束和空间过程之间交互作用的能力有限（Ma et al., 2022）。因此，边界优化需要能够超越静态优先映射，同时解决多个目标和空间结构约束的方法。
优化模型越来越多地被应用于涉及多目标和空间约束的保护规划问题（Li et al., 2025）。在这些方法中，多目标进化算法，特别是非支配排序遗传算法II（NSGA-II）和非支配排序遗传算法III（NSGA-III），在识别权衡和近似生态空间优化的Pareto最优解方面表现出强大的能力（Feng et al., 2022; Luan et al., 2024; Sun et al., 2024）。NSGA-III通过参考点机制进一步提高了解决方案的多样性，使其适用于涉及多个目标的复杂问题（Deb and Jain, 2014; Jain and Deb, 2014）。然而，进化优化方法主要关注搜索最优解，并不固有地保证空间连贯的边界配置。基于栅格单元的编码也可能增加搜索复杂性并产生碎片化模式（Wang et al., 2026a）。种子区域生长通过从初始种子单元扩展，基于邻域规则，提供了空间生成机制，能够在面积约束下创建聚合的空间对象（Jiao et al., 2018; Mehnert and Jackway, 1997; Xu et al., 2024）。因此，将进化优化与区域生长机制相结合可能为生成连续且与管理相关的国家公园边界提供了一种有前途的方法。
阿尔泰山具有复杂的生态格局、显著的生态梯度和丰富的生物多样性，是复杂山地景观中国家公园建设的代表性候选区域。同时，畜牧业、旅游业和相关基础设施的持续扩张对栖息地连续性和生态过程稳定性造成了日益增长的压力（An et al., 2023; Wang et al., 2025）。以候选阿尔泰山国家公园为案例研究，本研究在耦合人类-自然系统中开发了由NSGA-III引导的生成式边界优化框架。该框架通过种子配置和生长偏好参数来表示边界配置，这些参数在固定面积约束下调节多种子边界生长过程。候选边界使用三个目标（代表生态价值、人类活动强度和空间集聚度）进行优化。在10%至90%的面积情景范围内，该框架确定了非支配边界配置并考察了空间模式和目标权衡的变化。本研究旨在将国家公园边界划定从优先区域识别推进到边界生长过程的生成式优化，为复杂山地景观中的保护规划和保护区整合提供方法学支持。
