基于遺傳算法的冷鏈物流智能監(jiān)測及預警

金雨佳

（渤海大學 信息科學與技術(shù)學院，遼寧 錦州121013）

0 引言

經(jīng)濟在發(fā)展，時代在進步，人們對食品的安全要求也逐年提高.人們開始把關(guān)注的重心放在營養(yǎng)均衡上，作為一個農(nóng)業(yè)為主的大國，國民經(jīng)濟和社會發(fā)展的基礎就是農(nóng)業(yè)，能夠為人們提供更多的營養(yǎng)成分.由于產(chǎn)品對運輸?shù)臅r效性、保鮮性要求比較高，其對冷鏈物流的各個環(huán)節(jié)的共同作用要求更高，所以水產(chǎn)品的運輸與成本消耗密切相關(guān)，有效控制運輸成本，成為水產(chǎn)品運輸?shù)闹匾獑栴}.在國民經(jīng)濟的發(fā)展中，現(xiàn)在物流的進步是非常重要的一部分，在企業(yè)的生產(chǎn)生活中，物流則是降低成本提高生產(chǎn)率的“第三利潤源泉”［1］.人們的消費觀念也逐漸轉(zhuǎn)化為更新鮮的產(chǎn)品.但是由于國內(nèi)水產(chǎn)品的活體運輸技術(shù)存在著信息化、智能化程度低、監(jiān)控因素單一等問題［2］，導致產(chǎn)品忽高忽低，對食品安全來講，冷鏈物流的作用非常大，冷鏈物流貫穿水產(chǎn)品從捕撈到生產(chǎn)再到銷售的整個過程，冷鏈物流的運作情況影響行業(yè)的發(fā)展，企業(yè)的利益.但是在現(xiàn)在的水產(chǎn)品冷鏈物流中主要是針對水產(chǎn)品進行保鮮，很少有針對運輸過程中突發(fā)意外情況進行的報警.冷鏈物流要實施溫度的全程管理，必須依靠信息技術(shù).為了增加我國農(nóng)業(yè)的競爭力，水產(chǎn)品冷藏保鮮技術(shù)的物聯(lián)網(wǎng)開發(fā)應用刻不容緩.

1 冷鏈物流監(jiān)測及預警研究背景

目前，消費者對水產(chǎn)品的新鮮程度要求增高，在冷鏈方面的要求也隨之增高，冷鏈設備在進行水產(chǎn)品運輸中可以保證食品長期處在一個比較適宜的溫度，從而達到保鮮的效果，所以物流中產(chǎn)生了一個新的更有效的分支——冷鏈物流［3］，冷鏈物流是以低溫環(huán)境為核心的，以冷凍工藝學為基礎的低溫物流過程［4］.

冷鏈物流主要有以下節(jié)點：在冷鏈物流的上游中包含養(yǎng)殖基地、冷藏倉庫、生產(chǎn)加工基地等；冷鏈物流的中間環(huán)節(jié)有冷藏倉庫、物流、配送中心等［5］；冷鏈物流的下游中含有農(nóng)貿(mào)市場，超市等.本文主要針對的是冷鏈物流運輸中的中間環(huán)節(jié)的物流過程.

對冷鏈物流監(jiān)測與預警的研究中，傳統(tǒng)的方法有集成無線傳感網(wǎng)絡、人工智能技術(shù)的智能化冷鏈物流模型［6］；基于無線溫濕度傳感網(wǎng)絡和GPS系統(tǒng)的智能冷鏈物流跟蹤監(jiān)測系統(tǒng)［7］；基于云服務及組件集成技術(shù)的云服務系統(tǒng)方法［8］，這些系統(tǒng)通常存在對車內(nèi)冷藏產(chǎn)品進行實施監(jiān)測但無法對突發(fā)情況進行預警.為了解決這一問題，本文研究了一種基于GA的水產(chǎn)品冷鏈智能監(jiān)測與預警模型.

本文考慮了水產(chǎn)品在腐壞時釋放氣體的成分，對濃度進行了計算，利用遺傳算法進行了監(jiān)測及預警，一定程度上降低了因特殊情況下的腐壞導致水產(chǎn)品的浪費.

2 水產(chǎn)品冷鏈物流智能監(jiān)測及預警系統(tǒng)

本算法旨在克服現(xiàn)有技術(shù)不足，而提供一種可對水產(chǎn)品在運輸途中的腐化程度實時監(jiān)測，避免在長時間不間斷的冷鏈運輸途中，容易產(chǎn)生疏漏的情況.

2.1 遺傳算法

遺傳算法（genetic algorithm，GA）是一種在全局中進行優(yōu)化的算法，結(jié)合了遺傳學中的進化原理和隨機優(yōu)化原理［9］，遺傳算法起源于上世紀六十年代中期，這是一種以生物進化為思想建立的一種人工系統(tǒng)，是一種仿生的生物模型.遺傳算法是以達爾文進化論中的“適者生存”原則為基礎［10］，模擬生物體之間優(yōu)勝劣汰，勝者生存的原則，對種群進行反復的遺傳，直至最優(yōu)的個體出現(xiàn)，使種群進化的過程，是計算智能的重要組成部分［11］.簡單地來說，遺傳算法就是在所有的可能中尋找最符合該問題的一個最優(yōu)解.

2.2 小生境技術(shù)

在生物學上，小生境技術(shù)是指在特定環(huán)境下的一種組織結(jié)構(gòu).在自然界中，特征相似的物種相聚在一起，繁衍后代.由于其匹配時是隨機的，在后期的進化過程中，大量的個體聚集在某一極值點處，單純的利用遺傳算法求解多峰問題時，經(jīng)常找到局部最優(yōu)解，利用小生境技術(shù)我們可以找到全部的最優(yōu)解［12］.

小生境技術(shù)就是將一代種群劃分成若干個子種群，每個子種群中選出若干適應度較大的個體作為一類優(yōu)秀的代表種群，在優(yōu)秀的代表種群中進行雜交、變異產(chǎn)生新一代子種群［13］.這種融合小生境技術(shù)的遺傳算法可以更好地保持最優(yōu)解的多樣性，同時具有較高的全局尋優(yōu)能力和收斂速度［14］.

2.3 改進遺傳算法流程

隨機本次算法結(jié)合動態(tài)小生境共享算法進行遺傳算法的改進，具體步驟如下：

步驟一處理訓練數(shù)據(jù)，根據(jù)構(gòu)建的模擬方程格式構(gòu)建殘差.

步驟二適應度值計算并降序排列.

步驟三小生境選擇，將降序排列的第一個個體作為第一個小生境中心，分別計算其余個體與小生境中心的歐幾里得距離，若大于給定值L，且存在的小生境中心小于給定值K，則該個體成為新的小生境中心；若個體與小生境中心的距離小于定值L，則個體作為該小生境個體；若個體與小生境之間的距離大于L，且小生境中心個數(shù)大于等于K，則該個體成為獨立個體.

步驟四小生境處理，若處于某小生境的個體，其小生境數(shù)就是他所在的小生境擁有的個體的數(shù)量，小生境中心及獨立個體的小生境數(shù)規(guī)定為1.

步驟五計算共享后的適應度值.

步驟六進行種群自適應交叉操作.

步驟七進行種群自適應變異操作.

步驟八若滿足終止判斷條件，則輸出，不滿足終止條件跳轉(zhuǎn)到步驟二，循環(huán)運算，直至算法終止.

其中步驟一中的構(gòu)造差值是在模擬的隨機數(shù)x，y后，根據(jù)定義的多項式

將模擬好的隨機數(shù)x代入模擬的y中

構(gòu)造差值為：

式（1）中g(shù)為模擬出的函數(shù)，f為模擬函數(shù)的模板，a，b，...分別為模擬函數(shù)的系數(shù).

其中步驟三中的歐幾里得距離計算公式如下：

步驟五中重新計算適應度值的公式如下：

其中S(x)為共享函數(shù)，Ω(x i)為數(shù)據(jù)與數(shù)據(jù)之間的歐幾里得距離，在本算法中就是小生境數(shù).由于實驗中存在很多相似的數(shù)據(jù)，所以通過計算數(shù)據(jù)與數(shù)據(jù)之間的歐幾里得距離，找相似的數(shù)據(jù)，在對數(shù)據(jù)重新計算適應度值后，可對相似的數(shù)據(jù)進行適應度值縮小處理，可以減少數(shù)據(jù)中的相似數(shù)據(jù)，從而增加數(shù)據(jù)的多樣性，避免陷入局部最優(yōu)解［15］.

在步驟六及步驟七中，傳統(tǒng)的遺傳算法為固定值，自適應遺傳算法交叉及變異的概率如下：

其中pc、pm分別為進行交叉、變異操作的概率；fmax為群體中最大的適應度值；f avg為群體的平均適應度值；f為要進行交叉操作個體的適應度值；f'為要進行變異操作的適應度值；k1、k2、k3、k4為常數(shù)，在結(jié)合sigmoid函數(shù)改進后的交叉及變異的概率如下：

以自適應遺傳算法進行交叉的概率為例，當個體適應度值小于種群平均的適應值時，交叉的概率為定值，在改進的自適應遺傳算法中，種群個體的交叉概率會根據(jù)種群個體的適應度值進行改變，種群個體的適應度值越小，進行交叉的概率越大.

當種群個體的適應度值大于平均適應度值時

而改進的算法進行交叉的概率為：

因為F（x）≤0，所以在改進的自適應遺傳算法中，當個體的適應度值大于平均適應度值時，改進的自適應遺傳算法較傳統(tǒng)的自適應遺傳算法相比可以降低交叉變異的概率，從而保存?zhèn)€體的完整性，并個體的適應度值大于平均適應度值根據(jù)適應度值變化而改變變異概率，增加種群收斂速度.

傳統(tǒng)的遺傳算法存在搜索能力較弱，容易陷入局部最優(yōu)解的特點，在改進的自適應遺傳算法采用sigmoid函數(shù)進行創(chuàng)新，根據(jù)個體的適應度值計算交叉變異的概率，使交叉及變異概率具有較高的收斂速度，從而加快算法全局尋優(yōu)的能力.

通過產(chǎn)生的差值進行遺傳算法的尋優(yōu)處理，再利用遺傳算法進行選優(yōu)處理，在遺傳算法中選取種群大小（size_pop）為50，最大迭代次數(shù)（max_iter）為200，交叉概率常數(shù)取值為1.0，變異概率常數(shù)為0.01.

2.4 水產(chǎn)品冷鏈物流監(jiān)測與預警算法流程

為了實現(xiàn)上述過程，本算法按如下步驟進行：

第一階段：

步驟1采集一組水產(chǎn)品腐化參考數(shù)據(jù)；

步驟2對步驟2所得水產(chǎn)品腐化參考數(shù)據(jù)進行圖像模擬；

步驟3使用遺傳算法對腐化參考數(shù)據(jù)進行多項式擬合，形成模擬腐化函數(shù)；

第二階段：

步驟4實時采集一組水產(chǎn)品腐化環(huán)境數(shù)據(jù)；

步驟5將采集時間代入模擬腐化方程；

步驟6將步驟4所得環(huán)境數(shù)據(jù)與模擬腐化函數(shù)值進行對比，若差距達到設定閥值，則啟動報警器，進行報警.

2.5 報警值設定

在步驟2中已經(jīng)模擬出的腐化函數(shù)，將時間代入，得出理想的腐化函數(shù)值，將理想的腐化函數(shù)值與新測量的實際腐化值，結(jié)合水產(chǎn)品的腐化實驗參考濃度進行對比設定報警值，表1為報警參考程度表

表1 報警參考程度表

3 實驗結(jié)果與分析

實驗環(huán)境：Inter（R）Core（TM）i7 CPU@1.80GHz 2.00 GHz，操作系統(tǒng)為：Windows10，硬盤位256 G+1 T，算法在pycharm 2019.1.3 x64開發(fā)環(huán)境下運行.

本文在使用pycharm對算法進行實現(xiàn)，采用UCI數(shù)據(jù)集官網(wǎng)中的數(shù)據(jù)集Gas Turbine CO and NOx Emission數(shù)據(jù)集對改進的遺傳算法進行曲線擬合進行驗證，選用數(shù)據(jù)集中屬性信息AT（溫度），CO（一氧化碳濃度）進行實驗模擬.在實驗第一階段，由于魚類腐化的特性，分別對溫度、氣體濃度進行降序排列，利用AT分別和CO利用改進的遺傳算法進行三次多項式的模擬，多項式結(jié)構(gòu)如下，模擬結(jié)果如圖所示.

圖1 溫度-CO模擬函數(shù)圖像

在對遺傳算法應用在水產(chǎn)品冷鏈物流自動監(jiān)測與預警系統(tǒng)模擬中，第一階段中初始環(huán)境數(shù)據(jù)選取一組不定量增長的隨機數(shù)，本文中選取的隨機數(shù)為增長范圍在0到0.5之間一組增長的數(shù)值，本文數(shù)據(jù)集定量100個數(shù)值，每個數(shù)值精確到小數(shù)點后3位，遺傳算法中選取種群大?。╯ize_pop）為50，最大迭代次數(shù)（max_iter）為200，變異概率（prob_mut）為0.001.利用擬合算法遺傳算法將時間作為自變量（x=1，2，3，...，100），將模擬出的初始環(huán)境數(shù)據(jù)作為因變量y模擬出水產(chǎn)品腐化參考函數(shù)，圖2為模擬腐化函數(shù)圖像，其中包含環(huán)境數(shù)據(jù)y值，時間數(shù)據(jù)x值以及模擬腐化函數(shù)方程函數(shù)圖像.

圖2 第一階段模擬腐化函數(shù)圖像

圖3 第二階段新的數(shù)據(jù)點圖與腐化函數(shù)的擬合情況

第一階段的模擬腐化函數(shù)的方程如下：

在第二階段中重新生成一組增長范圍為0至0.5之間的隨機數(shù)作為水產(chǎn)品實時參考環(huán)境數(shù)據(jù)，精度為0.001，數(shù)據(jù)集同樣是100個數(shù)據(jù)，并對其中部分數(shù)據(jù)進行放大處理，模擬特殊情況下的腐壞值，將采集時間代入階段一中模擬出的腐化函數(shù)方程，得出實時的理想腐化函數(shù)值，將理想腐化函數(shù)值與實時腐化函數(shù)值進行對比，在到達閥值時進行報警，函數(shù)圖形模擬如圖3所示，在控制臺中13分鐘進行中度報警，在第73分鐘進行高度報警.

通過預測值與模擬函數(shù)的模擬值進行實時監(jiān)測可以很好地對數(shù)據(jù)進行控制，在數(shù)據(jù)超出預計范圍時，可以很好地進行預警.該模型在水產(chǎn)品運輸中，可以先將溫度分別于氨氣、二氧化碳的濃度進行函數(shù)的模擬，作為參考值，在實時運輸中，將模擬的氣體濃度值與實際的濃度值進行實時對比，在預測超出正常范圍時，及時進行報警，以防止產(chǎn)品的加速損壞.

4 總結(jié)

水產(chǎn)品自動冷鏈運輸條件下，易存在突發(fā)狀況導致水產(chǎn)品新鮮程度嚴重受損，本文綜合水產(chǎn)品在運輸途中實施監(jiān)測和預警的方法，通過對已有的數(shù)據(jù)進行分析并對傳統(tǒng)的遺傳算法進行改進，采用改進的遺傳算法進行曲線擬合的方法，對水產(chǎn)品腐壞進行了模擬，得出腐化方程，并在實時監(jiān)測中進行自動監(jiān)測和突發(fā)狀況預警.通過實驗，分析水產(chǎn)品的腐化過程，并在突發(fā)狀況進行了預警，驗證了算法的有效性.