基于遺傳算法的農(nóng)機服務資源優(yōu)化配置方法

摘要：

農(nóng)機作業(yè)作為一種涉及廣泛、技術性強的農(nóng)業(yè)生產(chǎn)活動，具有任務重、對象復雜、環(huán)境差和時效性強等特點。然而，當前農(nóng)機作業(yè)面臨調(diào)度水平差、資源配置不合理以及作業(yè)效率低等問題，為提高農(nóng)機作業(yè)的效率和服務水平，在綜合考慮運輸時間、最優(yōu)路徑、綜合成本、等待時間懲罰以及遲到時間懲罰的基礎上，結合農(nóng)機作業(yè)實際調(diào)度特點，建立多變量因子約束下的農(nóng)機調(diào)度模型。通過引入運輸時間、最優(yōu)路徑、綜合成本、等待時間懲罰、遲到時間懲罰等多個約束條件，經(jīng)相關實際算例驗證該模型及算法的有效性和可行性。結果表明，基于遺傳算法進行任務序列優(yōu)化，可以有效降低調(diào)度成本，優(yōu)化最優(yōu)路徑，提高農(nóng)機作業(yè)效率和農(nóng)機社會化服務水平。同時，算法的運行時間小于1 s，確保在各種復雜情況下，農(nóng)機調(diào)度能夠達到最優(yōu)狀態(tài)，滿足農(nóng)機作業(yè)的實時性和時效性要求。

關鍵詞：農(nóng)機調(diào)度；協(xié)同優(yōu)化；遺傳算法；任務分配；農(nóng)機服務；資源優(yōu)化配置

中圖分類號：S23-01

文獻標識碼：A

文章編號：2095-5553 （2025） 03-0323-05

收稿日期：2023年9月7日" 修回日期：2024年2月29日*

基金項目：河南省科技攻關項目（232102221028， 212102210340）

第一作者：梅運東，男，1981年生，河南永城人，碩士，副教授；研究方向為農(nóng)業(yè)機械自動化。E-mail： yundong1003@163.com

通訊作者：代軍，男，1983年生，河南夏邑人，博士，副教授；研究方向為農(nóng)業(yè)機械自動化及機器人自主導航。E-mail： daijun0922@hpu.edu.cn

Optimized allocation method of agricultural machinery service resources

based on genetic algorithm

Mei Yundong1， Liu Lina1， Dai Jun2， Liu Haina1， Tian Xiaoguang1

（1. School of Mechanical and Electrical Engineering， Huanghe Jiaotong University， Jiaozuo， 454950， China；

2. School of Mechanical and Power Engineering， Henan Polytechnic University， Jiaozuo， 454003， China）

Abstract：

Agricultural machinery operations， as extensive and highly technical agricultural production activities， are characterized by heavy tasks， complex targets， poor environments， and strong time sensitivity. However， current agricultural machinery operations face problems such as poor scheduling， unreasonable resource allocation， and low operational efficiency. To improve the efficiency and service level of agricultural machinery operations， this study establishes a scheduling model of agricultural machinery under multivariable constraints. The model incorporates factor such as transportation time， optimal path， total costs， waiting time penalties， and tardiness penalties， according to the practical scheduling characteristics of agricultural machinery operations. By introducing these various constraints， the effectiveness and feasibility of the model and algorithms are fully verified through relevant case studies. The result show that task sequence optimization based on a genetic algorithm effectively reduces scheduling costs， optimizes the path， and improves the operational efficiency and the quality of agricultural machinery social services. In addition， the running time of the algorithm is less than 1 s， which ensures that the agricultural machinery scheduling reaches the optimal state under various complex situations and meets the real-time and time-sensitive operational requirements.

Keywords：

agricultural machinery scheduling; collaborative optimization; genetic algorithm; task allocation; agricultural machinery service; optimal allocation of resources

0 引言

當前，我國農(nóng)業(yè)在現(xiàn)代化轉(zhuǎn)型過程中存在著一些問題。其中，與農(nóng)機有關的供需信息滯后、農(nóng)機資源調(diào)度不合理、農(nóng)機站和農(nóng)戶溝通效率低下、資源配置不合理及農(nóng)機作業(yè)效率低等問題，是制約智慧農(nóng)業(yè)前進步伐的關鍵因素，而農(nóng)業(yè)機械化水平對糧食生產(chǎn)有顯著影響［1］。為解決這些問題，需要通過創(chuàng)新科技手段，提高農(nóng)業(yè)生產(chǎn)的自動化程度，大力推廣并應用現(xiàn)代的智能裝備，借助物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等新一代信息技術，促進農(nóng)機智能化和數(shù)字化，以提升整個農(nóng)業(yè)生產(chǎn)鏈的效率和質(zhì)量［2］。

農(nóng)機調(diào)度模型是利用計算機技術，對農(nóng)業(yè)生產(chǎn)過程中的農(nóng)機作業(yè)進行科學合理的調(diào)度，保證在有限時間內(nèi)完成所有農(nóng)田作業(yè)點的任務，最大限度地提高農(nóng)機利用效率、降低作業(yè)成本，并達到優(yōu)化農(nóng)業(yè)生產(chǎn)管理的目的［3］。作業(yè)時間窗是在農(nóng)業(yè)生產(chǎn)中為獲取盡可能高產(chǎn)量的同時保證作物質(zhì)量和減少不良天氣帶來的影響所設置的時間段［4］。農(nóng)機調(diào)度模型與作業(yè)時間窗的有機結合能有效提高農(nóng)機的利用效率，從而為農(nóng)業(yè)生產(chǎn)管理提供科學、高效的解決方案。

在農(nóng)機調(diào)度模型與時間窗問題上，國內(nèi)外學者做了大量的研究。Pitakaso等［5］使用混合禁忌搜索算法，解決了聯(lián)合收割機分配與路徑相匹配的問題，在有限的收割機和時間內(nèi)，使得收割面積最大。劉婞韜等［6］開發(fā)的Android平臺的農(nóng)機助手APP，實現(xiàn)了對農(nóng)機機組監(jiān)測的精確管理。王文權［7］建立的帶時間窗農(nóng)機調(diào)度模型中，整合了多車庫、車輛異質(zhì)、時間窗、農(nóng)機作業(yè)匹配規(guī)劃，基于先聚類后調(diào)度的算法思想，采用遺傳算法進行求解，使得模型能夠適用于不同需求與規(guī)模的農(nóng)機作業(yè)場景。吳才聰?shù)龋?］建立的基于時間窗的農(nóng)機資源時空調(diào)度模型中，采用動態(tài)規(guī)劃的思想對決策過程進行分解并計算每個決策的最優(yōu)解。馬力等［9］綜合考慮動態(tài)訂單處理、作業(yè)機型選擇和緊急訂單插入等因素，建立的農(nóng)機調(diào)度混合整數(shù)線性規(guī)劃模型，提高農(nóng)機資源利用率。針對農(nóng)田動態(tài)環(huán)境中多機協(xié)同導航作業(yè)調(diào)度，曹如月等［10］利用蟻群算法建立農(nóng)機作業(yè)的任務序列規(guī)劃模型，降低路徑代價，提高作業(yè)效率。張帆等［11］建立時間窗農(nóng)機作業(yè)調(diào)度模型，使用改進多父輩遺傳算法對模型求解，調(diào)度的最優(yōu)時間和平均時間分別縮短2.47%和2.70%。王海琛等［12］建立了以無人拖拉機總轉(zhuǎn)彎距離最短為優(yōu)化模型，使用一種基于和聲搜索策略的改進蟻群算法進行求解，避免了傳統(tǒng)算法的缺點。Seyyedhasani等［13］使用禁忌搜索的優(yōu)化模型對傳統(tǒng)割草作業(yè)路徑進行了優(yōu)化，一定程度上提高了作業(yè)效率，但作業(yè)路線還存在重復。姚竟發(fā)等［14］使用多普勒與貪心策略模擬退火算法，從梯形農(nóng)田、矩形農(nóng)田和不同農(nóng)機3方面對作業(yè)路徑進行優(yōu)化，提高了農(nóng)業(yè)作業(yè)效率。

以上研究以提高農(nóng)機作業(yè)效率為最終目標對路線和時間進行規(guī)劃，卻未考慮綜合時間、任務完成度、相關路徑、綜合成本以及沒有在規(guī)定時間內(nèi)完成任務造成的損失等多因素協(xié)同優(yōu)化?；诖耍疚倪x用遺傳算法，綜合考慮上述影響因素，對農(nóng)機調(diào)度問題建立協(xié)同優(yōu)化模型并進行求解，得到最佳的運行參數(shù)，以達到提高運行效率、降低運行成本的目的。

1 問題描述

為能更好地描述上述問題，需要定義的參數(shù)及含義如表1所示。

3個供銷社的運輸使用載重為Q的貨車，所需肥料的耕地總數(shù)為N塊，耕地對肥料的需求為w，并且w≤Q。所有的貨車都要在規(guī)定的時間內(nèi)抵達，如果提前抵達，會造成等候損失；如果未在規(guī)定時間內(nèi)到達，則會受到相應的延誤處罰。為此，必須解決以下問題：耕地地塊總數(shù)量N，每個貨車的載重Q（t/輛），每個農(nóng)田的化肥需求量qi（t），每個貨車的裝載（或卸貨）時間si（h）和每個貨車要啟動和完成的時間［ai， bi］。假定貨車的行駛時間與貨車的距離成比例，則貨車的平均車速即單次運輸?shù)男旭偹俣葀（km/h），可得到最小的貨車運營成本和最短的貨車運營路線，同時還可以盡可能地把肥料運送到目的地。

2 數(shù)學模型建立

2.1 確定車輛數(shù)量

假如配送中心需要向N個農(nóng)田送貨，每個農(nóng)田的化肥需求量為qi（i＝1，2，…N），每輛配送車的載重量為Q，且qi lt;Q。

為安排路線，需要對要使用的車輛數(shù)有一個估計。實際情況中，化肥裝（卸）車越復雜，約束條件越多，一輛車的實際載貨量就越小。因此，在配送之前確定需要的車輛數(shù)m，如式（1）所示。

3 遺傳算法設計

遺傳算法是受到達爾文進化論的開發(fā)和啟示，根據(jù)自然選擇與自然演化的規(guī)律，對自然界中的生物演化進行仿真，從而發(fā)展出來的一種最優(yōu)解法［11］。

1）" 編碼。運用自然數(shù)編碼，即序數(shù)編碼。農(nóng)田的化肥運輸路線設置為長度為N+M的染色體（0，i11，i12，…，0，i21，i22，…，0，iM1，iM2，…，iMk，）；其中imk表示某一運輸車配送任何一個農(nóng)田的化肥，M表示完成任務所需的最小車輛數(shù)。

2）" 產(chǎn)生初始群體。群體的最初是隨機產(chǎn)生。也就是生成N個肥料運輸任務點的排列，如i1，i2，i3，i4，…，iN。如果∑S－1j=1qij≤Q，且∑Sj=1qijgt;Q。將S至N的數(shù)向后移動一位，將0插入第S位。之后持續(xù)進行上述操作，直至M個0全部插入為止，從而形成一個最初的染色體。通過這樣的方式來構建一個種群的染色體。這個代碼在插入0后，例如一組數(shù)據(jù)原為983721546變?yōu)?983072105460，這意味著要有3臺農(nóng)業(yè)運輸車來完成分配工作。第1個車輛的行進路徑是09830，即從庫房依次到9號農(nóng)田，8號農(nóng)田和3號農(nóng)田，再返回到化肥供銷社；第2部車輛的行進路徑是07210，以此類推，第三部車輛的行進路徑是05460。

3）" 適應度函數(shù)。適應度函數(shù)fk=bz′zk，其中fk為染色體vk的適應度；b為常數(shù)；z′為初始種群中最好的染色體的運輸成本；zk為染色體vk對應的運輸成本。

4）" 遺傳算子。運算步驟如下：（1）在兩條染色體相交部位，如果兩條基因均為0，則可以直接進行連續(xù)的相交操作。（2）如果一個染色體相交點上的基因不完全是0，那么將相交點向左（向右）移動，直至兩個相交點上的基因全部是0，然后進行連續(xù)的交叉操作。

5）" 算法的執(zhí)行過程：第1步：利用自然數(shù)碼法，構建了1條代表可能行駛車輛路徑的染色體；第2步：設定交叉率Pc=0.8、變異率Pm=0.3、群體規(guī)模n=100；初始化參數(shù)指標。第3步：對原始種群進行初始化，使得d=0，在該初始化過程中，隨機生成一個包含n個染色體的原始種群p（0），每條種群分別對應一條運輸路線。第4步：命令i=1。第5步：把種群中p（d）的第i個染色體作為運輸路徑。第6步：評估適合度。第7步：當達到算法的結束標準時，該程序就會結束，反之，該程序就會繼續(xù)。第8步：i=i+1。第9步：如果i≤n，則返回第5步，反之則繼續(xù)。第10步：執(zhí)行最大保留交叉、基礎位的突變以及反位運算。第11步：d=d+1。第12步：當符合該算法的結束條件時，結束該算法，否則繼續(xù)進行第4步。

4 實例分析

根據(jù)第3章節(jié)建立的模型，設計每輛車化肥的最大載量為40 t，每輛車的速度為50km/h，3個倉庫的坐標設定為（22，75）、（75.8，80.1）、（53.4，59.9），每個倉庫的配送車輛為5臺進行模擬計算。

圖1為目標函數(shù)值隨遺傳代數(shù)的變化趨勢，若值越小，則算法性能越好，若值越大，則算法性能越差。可以看出，在迭代100次時，目標函數(shù)值已經(jīng)收斂，說明該算法的有效性和可行性。在后續(xù)的計算中，將迭代次數(shù)設定為100就可以滿足要求。

為驗證算法的有效性，分別對交叉率、變異率、群體規(guī)模的值進行設定去計算最優(yōu)成本。交叉率、變異率和群體規(guī)模設定值如表2所示。

由表2可知，當交叉率為0.8、變異率為0.3、群體規(guī)模為100時，計算出的成本最小，為172元。選用交叉率為0.8、變異率為0.3、群體規(guī)模為100，對農(nóng)機庫分配調(diào)度方案進行優(yōu)化。圖2為3個農(nóng)機庫分配調(diào)度的最優(yōu)方案路線圖，計算完成后，得到最優(yōu)組合一共使用15輛車，運輸總次數(shù)為60次。

為驗證遺傳算法的優(yōu)越性，使用免疫算法對該路徑進行優(yōu)化。免疫算法是一種基于免疫學原理的新型智能計算技術，通過進化算法中的生物多樣性生成與維護機理，使種群在進化中的種群數(shù)量不斷增加，避免了常規(guī)優(yōu)化算法特別是多峰值優(yōu)化算法中“早熟”的問題。

圖3為免疫算法的迭代次數(shù)設置為100時最終的優(yōu)化結果，考慮配送時間和需求量，通過優(yōu)化計算結果，最低成本達到235元。與遺傳算法相比，免疫算法的成本較高。

5 結論

1） 通過分析多變量因子約束下協(xié)同優(yōu)化作業(yè)問題，綜合考慮運輸時間、等待時間、遲到時間懲罰、最優(yōu)路徑等因素，以綜合成本最小為最優(yōu)化目標，建立任務分配模型。

2） 提出基于遺傳算法的任務規(guī)劃方案，并利用MATLAB對遺傳算法進行仿真。在給定的實例中，通過計算可知，當交叉率為0.8、變異率為0.3、群體規(guī)模為100時，遺傳算法計算出的成本最小，為172元。同時，得到3個農(nóng)機庫分配調(diào)度的最優(yōu)方案路線圖，最優(yōu)組合一共使用15輛車，運輸總次數(shù)為60次。而免疫算法的優(yōu)化計算結果，最低成本也達到235元。

3）" 用免疫算法與遺傳算法進行對比，結果表明，遺傳算法與免疫算法相比，不僅沒有增加車輛的使用，而且能在很大程度上滿足客戶對于時間的要求，配送成本顯著降低，同時可以優(yōu)化最優(yōu)路徑，提高農(nóng)機作業(yè)效率，且算法運行時間小于1 s，能滿足時效性需求。

參 考 文 獻

［1］ 謝冬梅， 汪希成， 伍駿騫. 農(nóng)業(yè)機械化水平對中國糧食生產(chǎn)技術效率的空間溢出效應研究——基于農(nóng)機跨區(qū)作業(yè)視角［J］. 中國農(nóng)機化學報， 2023， 44（3）： 223-231.

Xie Dongmei， Wang Xicheng， Wu Junqian. Research on the spatial spillover effect of the level of agricultural mechanization on the technical efficiency of grain production in China： Based on the perspective of agricultural machinery cross-regional operation ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（3）： 223-231.

［2］ 閆美君， 李建堂， 文麗， 等. 基于多區(qū)域協(xié)調(diào)模式的大型農(nóng)機調(diào)度研究［J］. 農(nóng)業(yè)展望， 2021， 17（12）： 107-113.

Yan Meijun， Li Jiantang， Wen Li， et al. Research on large-scale agricultural machinery scheduling based on multi-region coordination mode ［J］. Agricultural Outlook， 2021， 17（12）： 107-113.

［3］ 楊昊天， 王良民， 劉路， 等. 基于區(qū)塊鏈的農(nóng)機跨區(qū)域調(diào)度模型構建與應用［J］. 農(nóng)業(yè)工程學報， 2022， 38（11）：31-40.

Yang Haotian， Wang Liangmin， Liu Lu， et al. Model construction and application of agricultural machinery cross-region scheduling based on blockchain ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（11）： 31-40.

［4］ 黃凰， 陳燕燕， 陳鵬宇， 等. 基于時間窗的農(nóng)機調(diào)度技術研究進展［J］. 中國農(nóng)業(yè)科技導報， 2022， 24（4）： 93-106.

Huang Feng， Chen Yanyan， Chen Pengyu， et al. Research progress of agricultural machinery scheduling technology based on time window ［J］. Journal of Agricultural Science and Technology， 2022， 24（4）： 93-106.

［5］

Pitakaso R， Sethanan K. Adaptive large neighborhood search for scheduling sugarcane inbound logistics equipment and machinery under a sharing infield resource system ［J］. Computers and Electronics in Agriculture， 2019， 158： 313-325.

［6］ 劉婞韜， 李小龍， 吳才聰， 等. 基于二維碼的農(nóng)機機組作業(yè)監(jiān)測方法研究與試驗［J］. 中國農(nóng)機化學報， 2021， 42（4）： 163-169.

Liu Xingtao， Li Xiaolong， Wu Caicong， et.al. Research and experiment of farm machinery fleet operation monitoring method based on QR code ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（4）： 163-169.

［7］ 王文權. 帶時間窗農(nóng)機調(diào)度問題模型及算法研究［D］. 杭州： 浙江大學， 2019.

［8］ 吳才聰， 蔡亞平， 羅夢佳， 等. 基于時間窗的農(nóng)機資源時空調(diào)度模型［J］. 農(nóng)業(yè)機械學報， 2013， 44（5）： 237-241， 231.

Wu Caicong， Cai Yaping， Luo Mengjia， et al. Time-windows based temporal and spatial scheduling model for agricultural machinery resources ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（5）： 237-241， 231.

［9］ 馬力， 辛明翰， 季芷萱， 等. 一種基于訂單資源共享和農(nóng)機資源共用的農(nóng)機調(diào)度方法［P］. 中國專利： 202210251605.2， 2022-03-15.

［10］ 曹如月， 李世超， 季宇寒， 等. 基于蟻群算法的多機協(xié)同作業(yè)任務規(guī)劃［J］. 農(nóng)業(yè)機械學報， 2019， 50（S1）： 34-39.

Cao Ruyue， Li Shichao， Ji Yuhan， et al. Multi-machine collaborative task planning based on ant colony algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（S1）： 34-39.

［11］

張帆， 羅錫文， 張智剛， 等. 基于改進多父輩遺傳算法的農(nóng)機調(diào)度優(yōu)化方法［J］. 農(nóng)業(yè)工程學報， 2021， 37（9）：192-198.

Zhang Fan， Luo Xiwen， Zhang Zhigang， et al. Agricultural machinery scheduling optimization method based on improved multi-parents genetic algorithm ［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 192-198.

［12］ 王海琛， 吳華瑞， 朱華吉， 等. 基于改進蟻群算法的蔬菜大田無人農(nóng)機路徑優(yōu)化［J］. 中國農(nóng)機化學報， 2023， 44（4）： 188-194.

Wang Haichen， Wu Huarui， Zhu Huaji，et al. Path optimization of unmanned agricultural machinery in vegetable field based on improved ant colony algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（4）： 188-194.

［13］ Seyyedhasani H， Dvorak J S. Reducing field work time using fleet routing optimization ［J］. Biosystems Engineering， 2018， 169： 1-10.

［14］ 姚竟發(fā)， 劉靜， 張璠， 等. 基于多普勒與貪心策略的農(nóng)機作業(yè)路徑優(yōu)化研究［J］. 中國農(nóng)機化學報， 2020， 41（4）： 130-137.

Yao Jingfa， Liu Jing， Zhang Fan， et al. Optimization of agricultural machinery operation path based on doppler and greedy strategy ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（4）： 130-137.