基于粒子群的蔬菜种植茬口的安排方法

摘要

本发明提供一种基于粒子群的蔬菜种植茬口安排优化方法，该方法分析了蔬菜的品种、地域、种植模式和种植设施对蔬菜品质和产量的影响以及各种约束条件限制的基础上，以最小化蔬菜茬口数、最优化蔬菜品质和产量为优化目标，将蔬菜种植茬口安排映射为旅行商问题，并提出了一种结合禁忌搜索和模拟退火算法的粒子群最优化算法对模型进行求解。该方法能够实现蔬菜种植茬口安排的自动化和最优化，降低了排产人员的劳动强度，提高了排产计划的合理性，减少了蔬菜茬口数量，降低了管理的难度，提高了蔬菜的品质和产量，增加了经济效益并可起到节能降耗的作用。

说明书

技术领域

本发明涉及蔬菜生产安排领域，尤其涉及基于粒子群的蔬菜种植 茬口自动安排方法。

背景技术

以前蔬菜种植茬口安排计划完全由人工按个人经验进行编制，种 植茬口安排主要受劳动力、种植设施(露地、大棚等)、土地面积、种 植模式(撒播、点种、定植等)、区域、天气等因素的影响，在安排蔬 菜茬口时，即使有经验的管理者，也容易考虑不全面。因此，有必要 找到一种智能安排方法实现排产计划的自动编制，使其能够兼顾现有 资源、产量、品质和收成时间等诸方面的因素。

我们从最小化茬口数入手，提高蔬菜总体产量和品质等，量化各 类因素对排产计划的影响，从而用数学建模的方法将蔬菜排产计划映 射为带约束条件的旅行商问题。旅行商问题尽管在理论上能提供最优 解，但已被证明是一个NP难问题，求解时间随问题规模呈指数增长， 用常规方法很难得到问题的最优或次优解。近年来，为了解决这个问 题，国内外研究者基于途程构建法、途程改善法、合成启发法、神经 网络、遗传算法、群体智能等人工智能方法建立了旅行商问题的求解 方法。比如，Nan Xu提出了一种混沌神经网络的方法解决旅行商问题， 蔡荣英则提出了迭代改进蚁群优化算法，刘强用粒子群优化算法来解 决旅行商问题。上述方法极大地推动了旅行商问题的研究及实际工程 中的应用，但仍有不足之处。局部最优解和全局最优解的形式相对固 定容易陷入局部最优或导致收敛速度较慢，极大影响算法的准确度和 效率。

发明内容

(一)所要解决的技术问题

本发明的目的是提供一种基于粒子群的蔬菜种植茬口安排方法， 以最小化蔬菜茬口数，提高蔬菜整体产量和品质，减少蔬菜在地时间 为目标。

(二)技术方案

本发明提供了一种基于粒子群的蔬菜种植茬口的安排方法，该方 法包括：

S1、将所有蔬菜茬口一一映射为n个结点，并建立评价函数：

$p=\frac{k_1*\underset{i=0}{\overset{C}{\Sigma }}(z_i*a_i*\underset{j=0}{\overset{Q_i}{\Sigma }}\frac{m_{\mathrm{ij}}*q_{\mathrm{ij}}}{t_{\mathrm{ij}}})}{k_2*\underset{i=0}{\overset{C}{\Sigma }}{a}_i*z_i}$

其中，P是蔬菜的整体品质与产量，C是总茬口数，z_i是第i茬蔬菜的 种植设施的权重系数，a_i为第i茬蔬菜的种植面积，m_ij是第i茬蔬菜第 j种品质的产量，q_ij是第i茬蔬菜第j种品质的权重系数，Q_i是第i茬 蔬菜的品种数，t_ij是第i茬蔬菜第j种品质的在地时间。k₁，k₂是权重 系数；

S2、初始化评价函数的参数；定义适应度函数f(L，G)和最大迭代次数并 初始化粒子群的规模、粒子的位置和速度；

S3、基于评价函数，从初始化的粒子群中选择局部最优解、次优解和 全局最优解、次优解；

S4、利用模拟退火算法，初始化温度和退火系数；

S5、判断局部/全局最优解、次优解是否互为邻域解，若是则执行步骤 S6；否则接受适应度最好的解为当前新状态，直接执行步骤S7；

S6、在邻域外随机生成两个新的解S_L，S_G，并且S_L，S_G不在各自对应 的禁忌表中；计算S_L，S_G得到的新粒子的适应度f(S_L，S_G)是否好于当前 任意解f(L，G)，若是则接受S_L，S_G计算得到的新粒子为当前新状态， 并将S_L，S_G放入对应禁忌表中，并初始化禁忌时间，同时，扫描禁忌 表，将超过禁忌时间的状态从禁忌表中释放，否则以概率a接受S_L， S_G计算得到的新粒子为当前新状态，以概率(1-a)接受有最好适应度的 最优、次优解计算得到的新粒子为当前状态；

S7、计算粒子的新速度和新位置；

S8、降低温度T，并判断T是否小于0，若是，则基于上述新速度和位 置，更新局部最优、次优解和全局最优、次优解，执行步骤S9，否则 执行步骤S5；

S9、判断是否达到最大迭代次数，若是，则输出最优路径，否则执行 步骤S4。

优选的，所述步骤S1中将所有蔬菜茬口按照种植设施、种植模式 和品种一一映射为n个结点。

优选的，步骤S2中所述适应度函数f(L，G)定义为：

f(L，G)＝arg max_(L，G)p(X(L，G))

在迭代中，

X^t+1(L，G)＝ω*X^t(L，G)+c₁*rand()*(L-X^t(L，G))+c₂*rand()*(G-X^t(L，G))

t为迭代次数，L∈{局部最优解，局部次优解}，G∈{全局最优解，全局 次优解}，ω、c₁、c₂为权系数，rand()为随机函数。

优选的，所述步骤S5中否则接受适应度最好的解为当前新状态具 体包括；

将局部最优、次优解和全局最优、次优解分别放入适应度函数中， 计算所得新位置的适应度，选择适应度最好的全局解和局部解组合；

优选的，所述步骤S6中将局部最优、次优解和全局最优、次优解 分别放入适应度函数中，分别计算新粒子的适应度，选取适应度最优 的f(L，G)，并且概率a＝exp(-(p(S_L，S_G)-p(L，G))/T)。

(三)有益效果

在分析了当前种植条件(总面积、在地面积、种植设施)、劳动力、 种植区域和物资对所种植品种的影响的基础上，以最小化蔬菜茬口数， 提高蔬菜整体产量和品质，减少在地天数为优化目标，建立了蔬菜种 植茬口自动安排的优化数学模型，并提出了一种结合禁忌搜索和模拟 退火算法的基于粒子群的蔬菜种植茬口自动安排算法对模型进行求 解。

该方法能够实现蔬菜种植茬口的自动安排，降低了排产人员的劳 动强度，利用智能优化算法，通过量化蔬菜整体产量和品质，合理安 排生产，既提高了产量和品质，又保持了土壤肥力和土地的可持续生 产力，同时兼顾劳动力的合理使用和保证土地的轮种。

附图说明

图1为本发明所提供方法的步骤流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

本发明将蔬菜种植茬口安排映射为旅行商问题，并提出了一种结 合禁忌搜索和模拟退火算法的粒子群最优化算法对目标函数进行求 解。如图1所示，为本发明的步骤流程图：

S1、将所有蔬菜茬口一一映射为n个结点，并建立评价函数：

$p=\frac{k_1*\underset{i=0}{\overset{C}{\Sigma }}(z_i*a_i*\underset{j=0}{\overset{Q_i}{\Sigma }}\frac{m_{\mathrm{ij}}*q_{\mathrm{ij}}}{t_{\mathrm{ij}}})}{k_2*\underset{i=0}{\overset{C}{\Sigma }}{a}_i*z_i}$

其中，P是蔬菜的整体品质与产量，C是总茬口数，z_i是第i茬蔬菜的 种植设施的权重系数，a_i为第i茬蔬菜的种植面积，m_ij是第i茬蔬菜第 j种品质的产量，q_ij是第i茬蔬菜第j种品质的权重系数，Q_i是第i茬 蔬菜的品种数，t_ij是第i茬蔬菜第j种品质的在地时间。k₁，k₂是权重 系数；

S2、初始化评价函数的参数；定义适应度函数f(L，G)和最大迭代次数并 初始化粒子群的规模、粒子的位置和速度；

S3、基于评价函数，从初始化的粒子群中选择局部最优解、次优解和 全局最优解、次优解；其中，局部/全局解为一系列的位置，即遍历结 点的路径。

S4、利用模拟退火算法，初始化温度T和退火系数；

S5、判断局部/全局最优解、次优解是否互为邻域解，若是则执行步骤 S6；否则接受适应度最好的解为当前新状态，直接执行步骤S7；

S6、在邻域外随机生成两个新的解S_L，S_G，并且S_L，S_G不在各自对应 的禁忌表中；计算S_L，S_G得到的新粒子的适应度f(S_L，S_G)是否好于当前 任意解f(L，G)，若是则接受S_L，S_G计算得到的新粒子为当前新状态， 并将S_L，S_G放入对应禁忌表中，并初始化禁忌时间，同时，扫描禁忌 表，将超过禁忌时间的状态从禁忌表中释放，否则以概率a接受S_L， S_G计算得到的新粒子为当前新状态，以概率(1-a)接受有最好适应度的 最优、次优解计算得到的新粒子为当前状态；

这里运用了禁忌搜索算法和模拟退火算法的思想，禁忌表代表：

局部最优解和次优解不能互为邻域，如果他们互为邻域，则需要绕过， 重新选择；全局最优和次优解也一样；应用禁忌表缩短了搜索时间， 以一定概率选择当前状态，则能跳出局部最优解。

S7、计算粒子的新速度和新位置；

S8、降低温度T，并判断T是否小于0，若是，则基于上述新速度和位 置，更新局部最优、次优解和全局最优、次优解，执行步骤S9，否则 执行步骤S5；

S9、判断是否达到最大迭代次数，若是，则输出最优路径，否则执行 步骤S4。

优选的，所述步骤S1中将所有蔬菜茬口按照种植设施、种植模式 和品种一一映射为n个结点。

优选的，步骤S2中所述适应度函数f(L，G)定义为：

f(L，G)＝arg max_(L，G)p(X(L，G))

在迭代中，

X^t+1(L，G)＝ω*X^t(L，G)+c₁*rand()*(L-X^t(L，G))+c₂*rand()*(G-X^t(L，G))

t为迭代次数，L∈{局部最优解，局部次优解}，G∈{全局最优解，全局 次优解}，ω、c₁、c₂为权系数，rand()为随机函数。该函数决定了粒子 的适应值。

优选的，所述步骤S5中否则接受适应度最好的解为当前新状态具 体包括；

将局部最优、次优解和全局最优、次优解分别放入适应度函数中， 计算所得新位置的适应度，选择适应度最好的全局解和局部解组合；

优选的，所述步骤S6中将局部最优、次优解和全局最优、次优解 分别放入适应度函数中，分别计算新粒子的适应度，选取适应度最优 的f(L，G)，并且概率a＝exp(-(p(S_L，S_G)-p(L，G))/T)。

具体的计算及步骤：

(1)将所有蔬菜茬口按照种植设施、种植模式和品种一一映射为n个 结点，用统一的评价函数量化蔬菜整体品质与产量，评价函数式为：

$p=\frac{k_1*\underset{i=0}{\overset{C}{\Sigma }}(z_i*a_i*\underset{j=0}{\overset{Q_i}{\Sigma }}\frac{m_{\mathrm{ij}}*q_{\mathrm{ij}}}{t_{\mathrm{ij}}})}{k_2*\underset{i=0}{\overset{C}{\Sigma }}{a}_i*z_i}$

其中，C是总茬口数，z_i是第i茬菜的种植设施的权重系数，a_i为 第i茬菜的种植面积，m_ij是第i茬菜第j种品质的产量，q_ij是第i茬菜 第j种品质的权重系数，Q_i是第i茬菜的品种数，t_ij是第i茬菜第j种 品质的在地时间。k₁，k₂是权重系数，在本实施例中取值分别为1.1和 0.9，对评价函数具体求解为：

(2)初始化参数，定义适应度函数f(L，G)和最大迭代次数为100次， 并初始化粒子群，包括规模及粒子的位置和速度；

其中，适应度函数f(L，G)定义为：

f(L，G)＝argmax_(L，G)p(X(L，G))

X^t+1(L，G)用来表示函数X(L，G)通过迭代计算得到，L∈{L₁，L₂}为局 部最优、次优解集，G∈{G₁，G₂}全局最优、次优解集，t表示迭代次数， rand()为随机函数；

X^t+1(L，G)＝ω*X^t(L，G)+c₁*rand()*(L-X^t(L，G))+c₂*rand()*(G-X^t(L，G)) (3)基于评价函数，从初始化的粒子群中选择局部最优解L₁、次优解 L₂和全局最优解G₁、次优解G₂；

(4)利用模拟退火算法，初始化温度为1000；退火系数为0.95；

(5)判断局部/全局最优、次优解是否互为邻域，若是则执行(6)，反 之则接受适应度最好的解为当前新状态，直接执行(7)；

其中，当前新状态为上一结点的转移状态即转移的目标位置，如果 两个解是八邻域连通的，则认为两个解互为邻域解；将局部最优、次 优解和全局最优、次优解分别放入适应度函数中，计算所得新位置的 适应度，选择适应度最好的全局解和局部解组合；

(6)在邻域外随机生成两个新的结点S_L，S_G，并且S_L，S_G不在各自对 应的禁忌表中；利用禁忌搜索，禁忌表代表：局部最优解和次优解不 能互为邻域，如果他们互为邻域，则需要绕过，重新选择；全局最优 和次优解也一样；

判断S_L，S_G计算得到的新粒子的适应度f(S_L，S_G)是否好于当前任意 解f(L，G)，即判断适应度差值Δu＝f(S_L，S_G)-max(f(G1)，f(G2))；

若Δu＞0则接受S_L，S_G计算得到的新粒子为当前新状态，并将S_L， S_G放入对应禁忌表中，并初始化禁忌时间，同时，扫描禁忌表，将超 过禁忌时间的状态从禁忌表中释放；反之则以概率a接受S_L，S_G计算 得到的新粒子为当前新状态，以概率(1-a)接受有最大适应度的最优、 次优解计算得到的新粒子为当前状态；

新位置S_L与L₁和L₂都不互为邻域，S_G与G₁和G₂不互为邻域； 具体的计算为，将S_L和S_G放入下式计算得到新的粒子位置：

X^t+1(L，G)＝ω*X^t(L，G)+c₁*rand()*(L-X^t(L，G))+c₂*rand()*(G-X^t(L，G))；ω 为0.5，c₁为0.3，c₂为0.2；

然后计算新粒子的评价度f(S_L，S_G)，同理，将局部最优、次优解和 全局最优、次优解分别放入上式中，然后分别计算出新粒子的评价度， 并选取评价度最优的f(L，G)，如果f(S_L，S_G)＞f(L，G)，则接受S_L和S_G计 算得到的粒子为当前新状态；否则，以概率a＝exp(-(f(S_L，S_G)-f(L，G))/T) 接受S_L和S_G计算得到的粒子为当前新状态，以概率1-a＝(1- exp(-(f(S_L，S_G)-f(L，G))/T))接受f(L，G)计算得到的粒子为当前新状态；

(7)计算粒子的新速度和新位置；

步骤S6计算得到的粒子的当前位置作为粒子的新位置，新速度则 为v^t+1＝X^t+1-X^t；

(8)执行退火操作，降低温度T，并判断T是否小于0，若是，则基 于上述新速度和位置，更新局部最优、次优解和全局最优、次优解， 执行步骤(9)，否则执行步骤(5)；

其中，退火公式为T＝0.95*T，，使温度T在过程中逐渐减小，只有 在一次生产计划安排完成后，通过计算粒子的当前适应度更新局部最 优、次优解，并结合所有粒子的局部最优、次优解，更新全局最优、 次优解。

(9)如果达到最大迭代次数，则输出最优路径，否则转(4)；

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领 域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以 做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。