CN107832892A - 一种基于组合优化的多块地选种决策优化方法 - Google Patents
一种基于组合优化的多块地选种决策优化方法 Download PDFInfo
- Publication number
- CN107832892A CN107832892A CN201711143224.8A CN201711143224A CN107832892A CN 107832892 A CN107832892 A CN 107832892A CN 201711143224 A CN201711143224 A CN 201711143224A CN 107832892 A CN107832892 A CN 107832892A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munderover
- mtd
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 3
- 239000002689 soil Substances 0.000 claims description 47
- 230000007935 neutral effect Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003306 harvesting Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 17
- 238000009313 farming Methods 0.000 abstract description 5
- 235000013339 cereals Nutrition 0.000 description 29
- 241000196324 Embryophyta Species 0.000 description 16
- 244000068988 Glycine max Species 0.000 description 14
- 235000010469 Glycine max Nutrition 0.000 description 14
- 238000012271 agricultural production Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 6
- 241000209140 Triticum Species 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 229910017053 inorganic salt Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- IXSZQYVWNJNRAL-UHFFFAOYSA-N etoxazole Chemical compound CCOC1=CC(C(C)(C)C)=CC=C1C1N=C(C=2C(=CC=CC=2F)F)OC1 IXSZQYVWNJNRAL-UHFFFAOYSA-N 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于组合优化的多块地选种决策优化方法,针对多块地选种决策问题,构建基于组合优化理论方法的多块地粮食选种决策模型,实现对多块地选种进行决策优化;包括:构建训练样本集;获取影响产量的关键因素;构建神经网络模型并训练;构建训练测试集;通过训练好的神经网络模型得到地块的产量预测值及方差;构建基于组合优化的多块地粮食选种决策优化模型;采用分解式算法求解最优选种比例,得到最优品种及使用比例。本发明用于对粮食种植、选种进行分析与优化,可指导具体地块农业种植、农业种植规划;进一步为宏观农业政策或区域销售与备货策略提供技术支持,具有极大的经济和社会价值。
Description
技术领域
本发明属于数据结构与算法处理技术领域,涉及决策优化方法,具体涉及一种基于组合优化的多块地选种决策优化方法,基于混合整数二次规划方法,构建基于组合优化理论方法的多块地粮食选种决策模型,实现对多块地选种进行决策优化。
背景技术
我国的基本国情决定了国家对于粮食的需求日益增长。同时,我国又面临着较为严峻的粮食安全形势。应对我国的粮食形势,国家采取了一系列增产增收措施。主要措施有几个方面:一是守住“十八亿亩”耕地红线,保证基本农田耕地;二是培育高产作物,提高粮食单产量;三是加强国际合作,保证粮食进口渠道畅通。这都是从生产和提高供给量的角度,来保障国家粮食安全。从提高粮食单产量的角度,将构建种子组合的方式可以利用不同品种的优点、来达到一个更好的产量表现。
将若干个农作物品种混合起来进行种植的方法,可以达到更稳定的产量,这是由农业生产的特性决定的。农业生产的特性决定了,粮食产量有两类关键影响因素:天气,土壤。天气类因素包括温度、光照、降水等,土壤类因素包括粉土、黏土、沙土的比例,土壤的PH值,土壤的有机质含量等。土壤类因素较为稳定,因为每年的轮种、耕种、套种、施肥等措施有效地保证了土壤的基本特征在每年不会有太大变化。而天气类因素则具有变幻莫测的特点,并且长期天气情况具有不可预知性,即很难确定明年某块土地的天气状况。这就决定了粮食的产量往往会随着不确定的天气因素而产生较大的波动。由于不同的农作物品种具备不同的生物学特征,不同品种对于天气有不同的反应,这就可以将对天气反应相反的品种结合起来,这样无论天气如何变化,都可以达到一个较为稳定的产量。这就是用农作物品种组合来对冲农业生产中天气不确定性的原理。
构建粮食的品种组合,具有非常积极和重要的意义,主要表现在以下几点:一是能够将不同品种粮食的优点结合起来,构建出具有更加产量表现的多个品种的混合;二是能够对冲天气的不确定性,将对某个天气因子反应不同的两类品种组合起来,无论明年的天气如何变化,可以达到一个更为稳定的产量,降低产量波动的方差;三是可以通过构建精准农业的量化模型,选择哪些品种被使用、使用多少比例,进而可以找出这块土地上农作物产量在不同天气风险状况下的帕累托最优解;四是可以给农民、农业公司、政府提供不同风险偏好的品种组合选择。
文献[1](Markowitz(1968))记载了组合优化理论,是在证券投资领域提出了一种考虑均值、方差的组合优化模型。将证券投资组合回报率的均值定义为各股票回报率按照其投资权重的加权平均值,将投资组合的方差定义为各股票按照其投资权重的协方差之和。该模型将回报率、回报率的方差合并考虑,通过求解优化模型得到不同风险偏好情况下的最优投资组合。后来,组合优化理论应用到金融投资、半导体制造、农业等领域,有着卓越的应用前景。
对应到农业选种问题,文献[2](Barkley and Peterson(2008))指出,提高农业产量、降低产量波动风险的方式主要有三种:一是培育新品种,将不同品种的优点集合起来,培育出下一代的优良品种;二是将不同品种的种子混合起来进行种植,这样是从物理的方法来达到集合不同品种优点的目的;三是构建品种组合,在同一块土地上分别种植多个品种,利用不同种子对于天气等自然条件的不同反馈,以对冲天气不确定性的方式来达到一个稳定的产量。在文献[3]中,
在文献[3]中,Ryan(2012)证实了构建品种组合的方法可以集合不同农作物品种的优点,获得更佳的产量表现。作者将将组合优化理论应用于Colorado州小麦种子选取的问题上,通过从政府部门和私人公司获得的品种、产量数据,研究不同品种之间产量的相关性,对于负相关程度较高的种子组合进行了特别的分析。其目的就是将负相关性高的品种组合在一起,这样可以达到一个稳定的小麦总产量。这就是用协方差对冲外界风险不确定性的一个例子。
在文献[4]中,Oskar(2016)提出了一种基于组合优化理论的农业选种策略,用权重直方图回归的方法估计不同天气状况下、不同农作物品种的期望产量,然后基于估计的结果,构建优化模型来求解最优种植品种组合。
在文献[5]中,Nalley and Barkley(2010)探究了不同期望产量下的最小产量方差,构建出了一个帕累托曲线。也即在不同风险偏好情况下,得出了当前备种方案的帕累托最优解。在期望产量、产量方差所构成的帕累托曲线上,任何一点均表示一个最优解,表示了在产量方差一样的情况下、所能达到的最大期望产量。该文献还记载了采用墨西哥小麦种植区的精确时空数据,专注于对产量波动性的分析,构建了一个基于组合优化理论的小麦品种选择模型,通过研究不同品种在不同土地上的产量表现,探究小麦品种组合对于产量稳定性的影响。该研究提供了一种低收入地区提高产量、降低产量波动性的有效方法。
在文献[6]中,赵宇(2016)提出了一个发明专利,是采用神经网络模型来预测大豆产量,然后基于产量的预测值,构建出一个混合整数规划模型,来求解单块土地上的最优种植策略。
上述现有方法均用于解决在单块土地上的选种问题,但对于多块土地上的选种问题并没有涉及,而在实际农业生产中,无论是农民、种子公司、还是政府机构,往往都要面临多块土地上的选种优化问题。因此,现有技术还难以针对多块土地上的选种问题进行建模,并进行有效求解。
国内现有的针对选种决策优化技术暂时处于空白,主要有以下几个原因:一是因为我国的农业整体上以小农经营为主,缺乏必要的诸如天气、土壤成分的量化数据积累;二是对于大型农场,虽然有这些数据的积累,然而在同一地块的种植品种基本一样,无法提供不同品种在同一条件下的产量表现,即无法提供充足的研究数据;三是我国的农业科技水平整体上较为落后,还没有达到“数字农业”、“精准农业”的水准。缺乏必要的数据支撑,使得我国在农作物品种种植策略研究上暂时没有太多的研究成果。
选种决策优化可以产生极大的经济和社会价值。(1)经济价值。通过构建农业种植的品种组合,可以有效提高产量,降低产量波动的风险,这本身就会带来较大的经济价值,具体体现在:一是成本低,免于培育新品种带来的漫长的研究时间和高昂的研究成本;二是提高产量可以增加农业总收;三是降低产量的波动,有利于农业生产获得稳定的收益。(2)社会价值。对应农业生产的不同参与主体,选种决策优化的社会价值主要体现在三个方面:对于农民,可以提高农民收入,降低收入波动的风险;对于农业公司,有利于指导农业公司提前备货(种子),提高经营决策的效益;对于政府,可以为农业种植规划提供科学、合理的建议,提高政府决策的科学性。
国内现有的针对选种决策优化技术暂时处于空白,主要有以下几个原因:一是因为我国的农业整体上以小农经营为主,缺乏必要的诸如天气、土壤成分的量化数据积累;二是对于大型农场,虽然有这些数据的积累,然而在同一地块的种植品种基本一样,无法提供不同品种在同一条件下的产量表现,即无法提供充足的研究数据;三是我国的农业科技水平整体上较为落后,还没有达到“数字农业”、“精准农业”的水准。
参考文献:
[1]Markowitz,Harry M.Portfolio selection:efficient diversification ofinvestments.Vol.16.Yale university press,1968.
[2]Barkley,Andrew,and Hikaru Hanawa Peterson."Wheat varietyselection:an application of portfolio theory to improve returns."Proceedingsof the NCCC-134Conference on Applied Commodity Price Analysis,Forecasting,andMarket Risk Management.2008.
[3]Mortenson,Ryan,et al."Wheat Variety Selection:An Application ofPortfolio Theory in Colorado."Western Economics Forum.Vol.11.No.02.WesternAgricultural Economics Association,2012.
[4]Marko,Oskar,et al."Soybean varieties portfolio optimisation basedon yield prediction."Computers and Electronics in Agriculture 127(2016):467-474.
[5]Nalley,L.Lanier,and Andrew P.Barkley."Using portfolio theory toenhance wheat yield stability in low-income nations:An application in theYaqui Valley of northwestern Mexico."Journal of Agricultural and ResourceEconomics(2010):334-347.
[6]赵宇,黄静思,秦明,侍乐媛,张玺,许晓云,宋洁."一种基于神经网络和投资组合理论的产量预测及优化方法",CN 201611142030.1.
发明内容
为了克服上述现有技术的不足,本发明提供一种基于组合优化的多块地选种决策优化方法,基于混合整数二次规划方法,构建基于组合优化方法的多块地粮食选种决策模型,实现对多块地选种进行决策优化。本发明针对粮食种植、选种进行分析与优化,不仅可从微观上指导具体地块农业种植,更可以从宏观层面指导农业种植规划;进一步为政府的宏观农业政策或者种子公司的区域销售与备货策略提供技术支持,具有极大的经济和社会价值。
本发明的核心是:将金融领域的投资组合理论方法应用于农业选种问题,通过对产量期望值、产量方差协方差的分析,使得在同样收益的情况下方差最小,或者在同样方差情况下收益最大。将金融领域的资产组合理论方法应用于产量预测的根源在于,不同品种对于同一天气的表现是不同的,这就为对冲不确定的前期风险提供了理论基础。本发明将单块地的选种决策优化进一步扩展为多块地选种决策优化。多块地与单块地的区别在于决策主体的不同。单块地的决策主体是农民,或者单一农场主;而多块地则具有较大的弹性,根据具体地块数目的不同,可以依次为拥有多块地的农民、县级人民政府或者种子分销公司、省级人民政府或者种子销售公司。多块地选种决策优化是从一个更宏大的层面,对于粮食种植、选种进行分析与优化,不仅可以从微观上指导具体地块农业种植,更大的意义在于可以从宏观层面指导农业种植规划,这会落实为政府的宏观农业政策、或者种子公司的区域销售与备货策略。解决该问题具有极大的经济和社会价值。
为方便起见,对本发明中的术语及参数/变量的定义统一约定如下:
参数定义:
N:待选种子集,N={1,2,...,n};
n:带选取种子的总数目;
K:地块的集合,K={1,2,...,m};
|K|:地块的总数目;
p:这块土地上最多可以选取的种子数目;
η:种子被选取后的最小使用量;
PIk:第k块地的生产指数(Productivity Index),k∈K;
pk:第k块地的种植大豆的概率;
Δk:第k块地上农民的风险偏好,Δk∈[0,1],Δk的值越接近1,则表明该农民对于风险越敏感。越不能承受种植产量波动的高风险;
第k块地去年的估计产量;
所有地块去年总的估计产量;
第k块地上种植品种i的期望产量;
第k块地上种植品种i和品种j产量的协方差;
变量定义:
vi:vi=1表明品种i被选择种植,vi=0表明品种i没有被选择种植;
zik:品种i在地块k上的使用比例。
本发明提供的技术方案是:
一种基于组合优化的多块地选种决策优化方法,针对多块地选种决策问题,基于混合整数二次规划方法,构建基于组合优化理论方法的多块地粮食选种决策模型,实现对多块地选种进行决策优化;包括如下步骤:
1)构建基于组合优化的多块地粮食选种决策模型;
多块地粮食选种决策优化模型的目标是:使得所有地块总的产量的方差最小,同时期望产量能够大于或者等于去年的预期产量值。本发明中,建立多块地粮食选种决策优化模型(MVS,Multiple-land Variety Selection),表示为式(1)~(7):
式(1)为目标函数,表明优化模型的目标是使得所有地块的整体产量风险最小;式(2)的约束条件确保了预期产量要高于去年的产量;式(3)的约束条件表明至多只能选择p个粮食品种;式(4)的约束条件定义了在每块土地上,种子的使用量均为1;式(5)的约束条件定义了种子使用量的区间,也即被选取种子的最小使用量为η;式(6)的约束条件和式(7)的约束条件对决策变量进行了定义。MVS问题是一个混合整数二次规划问题(MIQP),即使对于|K|=1,MVS也是NP难问题。因此,可以设计可执行的算法来求解上述问题的优化模型。
2)求解多块地粮食选种决策优化模型;得到地块k可以确保收获的最低产量
可执行算法的设计思想:MVS问题是一个组合优化问题,是要从m的品种集合里选择不超过p个品种构成品种组合来种植。不难算出组合数为由于MIQP在单块地问题上是可以求解出的,本发明采用穷举法来评估不同品种组合在每一块土地上的表现。对于单块地来讲,决策集合为对于l∈T,定义Sl为一个可选取的品种组合。因此,可以对每块地、每个品种组合构建基于MIQP的组合优化模型MVSlk,表示为式(8)~(14):
上述基于MIQP的组合优化模型MVSlk中,在式(9)的约束条件中添加了ρlk这个参数,ρlk∈[0,1]。这是因为,对所有组合进行测算的过程中,某些品种组合所能达到的最大产量可能会低于去年的预期产量,造成该问题无解。因此,首先设定ρlk的初始值为1,然后,如果无解,那么就从1开始逐步减小ρlk的值,直到该问题有解。在整个过程中,定义ηk=minl∈T{ρlk},对于每块土地,用ηk来代替ρlk,由此可以得到确定有解的优化模型表示为式(15)~(21):
通过模型的求解,可以得到地块k可以确保收获的最低产量
3)根据地块k可以确保收获的最低产量求出所有地块整体的保证产量为同时求出地块k上种植品种组合Sl时产量的方差Vk,为式(22):
4)找出一个最优品种组合Sl*,能够使得整体的产量方差最小;
由此可以找出一个最优品种组合Sl*,能够使得整体的产量方差最小,表示为式(23):
5)接下来,对最优品种组合Sl*在各块土地上的表现进行分析,寻找最优品种组合Sl*种植在地块k上可能达到的最大产量,得到最终的最优品种组合;
对最优品种组合Sl*在各块土地上的表现进行分析。对地块k来讲,逐步提高ηk的值,来寻找最优品种组合Sl*种植在地块k上可能达到的最大产量;方法是:
构建优化模型可以表示为式(24)~(30),以10%的比例逐步提高ηk的值,直到问题无解:
将能够保证有解的ηk的最大值定义为考虑到不同地块种植大豆的概率不同,可以得到所有地块在种植最优品种组合Sl*时能够保证的最大产量为
6)进一步得到考虑不同地块农民风险偏好的决策优化模型
由于种植的目标并非要追求最大产量、或者最小风险,而是要在风险和收益之间取得一个平衡。考虑到不同地块上的农民有风险偏好Δk,Δk越大表明越厌恶风险,因此,定义考虑到不同地块农民风险偏好的决策优化模型表示为式(31)~(37):
最终选择的品种组合为上面找出的最优品种组合Sl*,对于i∈Sl*,品种i的最终使用比例表示为式(38):
在使用上述优化模型进行多块地选种决策优化求解之前,首先需要估计出不同品种在不同天气、不同土壤下的产量,也就是要估计出上述优化模型中的其中i∈N,j∈N,k∈K。这就需要构建一个农业产量预测模型。本发明充分考虑了农业大数据的分析与建模,建立了基于多隐含层神经网络的精准产量预测模型(如图2)。农作物的生长受到多种因素的影响,包括温度、光照、降水等天气因子,也包括土壤酸碱度、土壤成分、无机盐含量等土壤因子,以上可以统称为农作物的“产量影响因子”。随着传感器、智能设备在农业信息化领域的应用,“产量影响因子”的精细化数据可以被获得,而这些数据间的关系也变得更加复杂,呈现出大量化、快速化、多样化、价值密度低的特点。我们首先考虑如何标准化传感器采集的原始数据结构特点,将结构复杂的大数据转换为易于分析的内容,进一步访问所有的数据,利用统计分析方法和工具对海量数据进行查询、分类汇总;基于海量农业生产数据进行数据挖掘,通过对数据深层次利用,实现预测、评估、优化等决策分析。
进一步地,本发明利用人工智能方法进行农作物产量的预测建模。精准农业选种决策优化的一个关键是要对不同品种在不同自然状况下的产量进行精准估计,而产量又受到天气、土壤等多种复杂因素的影响。不同因子之间存在的高度非线性、互相耦合的特点,使得传统的基于线性回归的产量预测模型失效。本发明充分考虑到不同因子之间的非线性关系,在构建模型时考虑农业种植的先验知识,并借鉴机器学习、深度学习最新前沿进展,构建适用于农业产量预测问题的双隐含层神经网络模型,通过对数据集的训练、验证和测试,学习并获得量影响因子与产量之间的量化关系,为选种决策优化提供有力支撑。
本发明具体实施中,以大豆品种为例,采用上述基于组合优化的多块地选种决策优化方法,可以达到增加产量、降低产量波动风险的效果,具体表现为:(1)在期望产量不变的情况下,降低产量方差;(2)在产量方差不变的情况下,提高期望产量。根据帕累托最优理论,该方案实现了大豆种植的“帕累托改进”。图4是本发明实施例中的大豆种植期望产量-产量方差图。
与现有技术相比,本发明的创新之处在于:
本发明提供一种基于组合优化的多块地选种决策优化方法,基于混合整数二次规划方法,构建基于组合优化理论的多块地粮食选种决策模型,实现对多块地选种进行决策优化。本发明针对粮食种植、选种进行分析与优化,不仅可从微观上指导具体地块农业种植,更可以从宏观层面指导农业种植规划;进一步为政府的宏观农业政策或者种子公司的区域销售与备货策略提供技术支持,具有极大的经济和社会价值。本发明的优点体现为以下几方面:
(1)考虑到我国粮食长期紧平衡的现状,本发明创新性地提出了通过构建品种组合来提高产量、降低产量波动风险的分析框架,创新地设计协方差矩阵来对冲天气风险的不确定性,不仅可以为农民的种植决策提供指导,而且可以为种子公司制定备货与销售策略、政府制定农业产业政策提供决策依据;
(2)考虑到产量影响因子之间共线性和互相耦合、以及产量影响因子与农业产量之间的高度非线性关系,创新性地提出构建基于人工智能算法的神经网络精准农业产量预测模型,有效提高了农业产量预测精度;
(3)考虑到选种决策优化问题的求解规模过大的问题,创新性地提出了基于数学规划等价分解的高精度优化求解方案,可以在相对合理的时间内得到选种决策优化问题的最优品种组合及对应配比;
(4)首次将大数据技术、深度学习技术与最优化理论和方法相结合,开发出针对国家粮食产量精准预测与备种优化策略的决策分析支持工具,具有很强的实用性与可推广性。
本发明方法具有较高的经济和社会价值,主要体现在以下几个方面:
(1)本发明提供的选种决策优化方法可以提高农作物产量,有效降低由天气等不确定性因素对产量造成的波动风险。通过对未来天气情况的分析建模,将对天气反应程度呈负相关的农作物品种组合起来,构建出具备对冲风险性质的品种组合,就可以控制整体风险的条件下,通过寻找帕累托解来找到高产品种组合,进而提高整个区域的产量,平均来说可以在风险一致的情况下可以提高产量3~4%。
(2)选种决策优化具有很强的经济价值。具体体现在:一是成本低,在达到提高产量目标的同时,避免了培育新品种所需要的较长的时间和物质成本;二是提高产量可以增加农民及农业企业收入,直接带来经济价值;三是降低产量的波动,有利于农业生产获得稳定的粮食产量,降低了因为产量波动带来的粮食跨区域调度等成本,间接带来经济价值;
(3)选种决策优化具有很强的社会价值。对应农业生产的不同参与主体,大数据、人工智能分析的方式有效提高了决策的科学性:对于农民,可以科学指导农民的经营决策、确定明年的种植策略,以降低风险、提高产量、增加效益;对于种子公司,可以准确估计不同土地上农民的实际购种需求,以满足农民需求为目标,科学指导种子公司制定销售和备货策略,提高经营决策的效益;对于政府,在准确分析农民种植偏好、种子公司备货策略的基础上,科学制定三农政策与农业产业规划,有效提高政府决策的科学性。
附图说明
图1是本发明提供方法的流程框图。
图2是基于多隐含层神经网络的精准产量预测模型流程图。
图3是预测模型算法流程图。
图4是本发明实施例中的大豆种植期望产量-产量方差图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于组合优化的多块地选种决策优化方法,基于混合整数二次规划方法,构建基于组合优化理论的多块地粮食选种决策模型,实现对多块地选种进行决策优化。本发明针对粮食种植、选种进行分析与优化,不仅可从微观上指导具体地块的农业种植,更可以从宏观层面指导农业种植规划;进一步为政府的宏观农业政策或者种子公司的区域销售与备货策略提供技术支持,具有极大的经济和社会价值。
农民要提前一年决定下一年种植哪些品种,这种决策是非常困难的。难度在于:一是未来的天气充满着不确定性,而天气又是影响产量的关键因素;二是农民尽管可以获得不同品种的产量表现,但是地块之间存在差异,通过历史数据很难估计出品种在农民所耕种土地上的表现。因此,农民往往是根据所获得的信息、并依据自己的经验来做出决定,这些信息通常会来自于政府、科研机构或者种子公司发布的报告。
农作物的生长受到多种因素的影响,包括温度、光照、降水等天气因子,也包括土壤酸碱度、土壤成分、土壤无机盐含量等土壤因子,以及农田水利设施等其他因素的共同影响。以上可以统称为农作物的“产量影响因子”。农作物的生物特性决定了,不同品种对于外界影响因子的反馈程度是不同的。这就为我们的研究提供了基础,也就是:可以利用不同品种对于产量影响因子反馈程度的不同,来对冲天气不确定性带来的风险。具体来讲,假定品种A抗旱不抗寒,品种B抗寒不抗旱,那么将A品种与B品种组合起来,无论是天气干旱还是寒冷,该品种组合都能提供一个稳定的总产量。
通过构建品种组合来进行农业种植的思想来源于金融领域的“投资组合理论”,该理论和方法致力于研究如何构建一只投资基金,通过对于股票收益率的分析,考虑不同股票收益率的协方差关系,将负相关性较强的股票组合起来,从而构建一个回报率稳定的投资组合。本发明将金融领域的投资组合理论应用于农业选种问题,通过对产量期望值、产量方差协方差的分析,使得在同样收益的情况下方差最小,或者在同样方差情况下收益最大。将金融学的资产组合理论应用于产量预测的根源在于,不同品种对于同一天气的表现是不同的,这就为对冲不确定的前期风险提供了理论基础。
针对多块地选种决策问题,首先,农民是根据所在地块的信息和对于种子产量表现的理解,来选择适合所在地块的粮食品种;其次,对于种子公司来讲,要根据对农民行为的估计,来提前储备种子以满足农民对于种子的购买需求;第三,对于政府来讲,通过农业产业政策的调整,来引导农民进行符合政府产业规划的农业品种。农民是要获取更多的粮食,同时面临较小的产量波动风险。要注意的是,农民在单一地块上的最优策略,并不一定契合大面积、多块地的整体最优策略。定义某个策略为最优时,除了产量、产量波动风险外,也要充分考虑不同农作物品种之间的种植替代性(比如,种大豆还是种小麦),土壤种植某种农作物的自然禀赋,以及农民对于风险的偏好。
图1是本发明方法的流程框图。本发明具体实施以大豆品种为例,采用基于组合优化的多块地选种决策优化方法,可以达到增加产量、降低产量波动风险的效果,具体表现为:(1)在期望产量不变的情况下,降低产量方差;(2)在产量方差不变的情况下,提高期望产量。根据帕累托最优理论,该方案实现了大豆种植的“帕累托改进”。包括如下步骤:
(1)构建训练样本集:将土壤数据、天气数据集合起来构建训练样本集;
(2)选择影响产量的关键因素:通过特征选择方法获取影响产量的关键因素,作为神经网络预测模型的输入变量;
(3)训练神经网络:构建神经网络模型,并通过交叉检验方法,经过反复训练,提高该模型在预测农作物产量上的精度和稳定性;
(4)构建测试样本集:将土壤数据、天气数据集合起来构建训练测试集;
(5)得到产量的预测值及方差:通过上述训练好的神经网络模型,得到所研究地块的产量预测值、及方差;
(6)构建优化模型:通过投资组合理论、混合整数规划理论构建多块地选种决策优化模型;
(7)求解得到最优选种比例:采用针对这个问题的分解式算法,求解得到最优品种及使用比例。
上述步骤中,具体地:
1)构建基于组合优化的多块地粮食选种决策模型;该优化模型的目标是使得所有地块总的产量的方差最小,同时期望产量能够大于或者等于去年的预期产量值。根据上面的分析,多块地农业选种决策优化问题(MVS,Multiple-land Variety Selection)可以建立为:
表示为式(1)~(7):
式(1)为目标函数,表明优化模型的目标是使得所有地块的整体产量风险最小;式(2)的约束条件确保了预期产量要高于去年的产量;式(3)的约束条件表明至多只能选择p个粮食品种;式(4)的约束条件定义了在每块土地上,种子的使用量均为1;式(5)的约束条件定义了种子使用量的区间,也即被选取种子的最小使用量为η;式(6)的约束条件和式(7)的约束条件对决策变量进行了定义。MVS问题是一个混合整数二次规划问题(MIQP),即使对于|K|=1,MVS也是NP难问题。因此,可以设计可执行的算法来求解上述问题的优化模型。
2)求解多块地粮食选种决策优化模型;得到地块k可以确保收获的最低产量
可执行算法的设计思想:MVS问题是一个组合优化问题,是要从m的品种集合里选择不超过p个品种构成品种组合来种植。不难算出组合数为由于MIQP在单块地问题上是可以求解出的,本发明采用穷举法来评估不同品种组合在每一块土地上的表现。对于单块地来讲,决策集合为对于l∈T,定义Sl为一个可选取的品种组合。因此,可以对每块地、每个品种组合构建基于MIQP的组合优化模型MVSlk,表示为式(8)~(14):
上述基于MIQP的组合优化模型MVSlk中,在式(9)的约束条件中添加了ρlk这个参数,ρlk∈[0,1]。这是因为,对所有组合进行测算的过程中,某些品种组合所能达到的最大产量可能会低于去年的预期产量,造成该问题无解。因此,首先设定ρlk的初始值为1,然后,如果无解,那么就从1开始逐步减小ρlk的值,直到该问题有解。在整个过程中,定义ηk=minl∈T{ρlk},对于每块土地,用ηk来代替ρlk,由此可以得到确定有解的优化模型表示为式(15)~(21):
通过模型的求解,我们可以得到地块k可以确保收获的最低产量
3)根据地块k可以确保收获的最低产量求出所有地块整体的保证产量为同时求出地块k上种植品种组合Sl时产量的方差Vk,为式(22):
4)找出一个最优品种组合Sl*,能够使得整体的产量方差最小;
由此可以找出一个最优品种组合Sl*,能够使得整体的产量方差最小,表示为式(23):
5)接下来,对最优品种组合Sl*在各块土地上的表现进行分析,寻找最优品种组合Sl*种植在地块k上可能达到的最大产量,得到最终的最优品种组合;
对最优品种组合Sl*在各块土地上的表现进行分析。对地块k来讲,逐步提高ηk的值,来寻找最优品种组合Sl*种植在地块k上可能达到的最大产量;方法是:
构建优化模型可以表示为式(24)~(30),以10%的比例逐步提高ηk的值,直到问题无解:
将能够保证有解的ηk的最大值定义为考虑到不同地块种植大豆的概率不同,可以得到所有地块在种植最优品种组合Sl*时能够保证的最大产量为
6)进一步得到考虑不同地块农民风险偏好的决策优化模型
由于种植的目标并非要追求最大产量、或者最小风险,而是要在风险和收益之间取得一个平衡。考虑到不同地块上的农民有风险偏好Δk,Δk越大表明越厌恶风险,因此,定义考虑到不同地块农民风险偏好的决策优化模型表示为式(31)~(37):
最终选择的品种组合为上面找出的最优品种组合Sl*,对于i∈Sl*,品种i的最终使用比例表示为式(38):
在使用优化模型进行求解之前,我们需要首先估计出不同品种在不同天气、不同土壤下的产量,也就是要估计出上述优化模型中的其中i∈N,j∈N,k∈K。这就需要构建一个农业产量预测模型。图2是基于双隐含层神经网络的产量预测模型图,自变量1,2,…,n表示影响产量的关键因子,包括土壤类因子与天气类因子。这些自变量的值输入到神经网络中,通过第一隐含层、第二隐含层的计算,最终在输出层得到两个值:产量和检验产量。我们在样本集中,将产量、检验产量作为输出值放到模型中,通过反复训练来调整模型的参数,以达到降低预测误差的目的。
进一步地,利用人工智能方法进行农作物产量的预测建模。图3是利用人工智能方法建立的预测模型算法流程图,用于预测得到优化模型的参数Y、H。如图3所示,表示预测模型的训练过程包含两部分:神经网络模型结构选择、神经网络训练和预测。具体步骤如下:
(1)随机生成一组(n1,n2)值:n1,n2分别表示第一隐含层、第二隐含层神经元的个数,n1,n2都是正整数,可分别将n1,n2从1-9进行遍历,通过不断尝试不同的(n1,n2)组合,找到能够使得测试集样本平均百分误差最小的一组(n1,n2)值,这就找到了n1,n2的最佳选择;
(2)训练神经网络:通过第(1)步得到的n1,n2,构建神经网络,并将训练样本输入,对神经网络进行训练;
(3)测试神经网络:将测试集数据输入(2)中训练好的神经网络,比较输出值与真实值的差距,计算平均百分误差MAPE,用该指标来评估此神经网络的性能,MAPE越小的神经网络,其性能越好,并保存此步骤中得到的MAPE值;
(4)更新当前最优(n1,n2)值:若(3)中得到的MAPE小于历史上MAPE值,则更新(n1,n2)值以及历史最佳MAPE值;
(5)循环条件判定:满足终止条件,则停止循环,输出最佳(n1,n2)值;若不满足终止条件,则重复步骤(1)-(4);
(6)训练最优神经网络:用(5)中得到的最佳(n1,n2)值,构建最优神经网络,并用训练集样本输入,对最优神经网络进行训练;
(7)预测产量值:使用(6)中得到的最优神经网络,将测试样本数据输入,得到产量预测值,并进一步计算产量的方差值。
图4是大豆种植期望产量-产量方差图。在上述由产量期望值、产量方差所构成的图中,用虚线标记出了大豆种植的“效率曲线”。该方法通过算法设计、模型求解,最终可以得到一组“最优种植策略”,不同最优策略表示其背后的风险偏好不同。上述图中效率曲线上的每一点,均表示某一种最优种植策略所对应的种植效果,也即带来的期望产量、产量的方差。在上述图中,十字符号所标记的点,为种植某一特定品种所对应的产量、产量方差。比如,图形最下方的“v127”,表示使用第127号大豆种子进行种植后所收获的产量、和对应的产量方差。效率曲线上的每一点表示某个品种组合的种植效果,对于其他非最优种植策略构成了“帕累托改进”。若品种组合A在“效率曲线”上,则A可以看作是最优种植策略,B是非最优种植策略(B不在“效率曲线”上),那么策略A比策略B要优越,具体表现是:(1)策略A比策略B产量高,方差一样;(2)策略A比策略B方差低,产量一样;(3)策略A比策略B产量高,方差低。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (4)
1.一种基于组合优化的多块地选种决策优化方法,针对多块地选种决策问题,基于混合整数二次规划方法,构建基于组合优化理论方法的多块地粮食选种决策模型,实现对多块地选种进行决策优化;包括如下步骤:
1)将土壤数据、天气数据集合起来,构建训练样本集;
2)通过特征选择方法获取影响产量的关键因素,作为神经网络预测模型的输入变量;
3)构建神经网络模型,并通过交叉检验方法,经过反复训练,提高神经网络模型在预测农作物产量上的精度和稳定性;
4)将土壤数据、天气数据集合起来构建训练测试集;
5)通过上述训练好的神经网络模型,得到地块的产量预测值及方差;
6)通过投资组合方法和混合整数规划方法,构建基于组合优化的多块地粮食选种决策优化模型:
多块地粮食选种决策优化模型的目标是:使得所有地块总的产量的方差最小,同时期望产量能够大于或者等于去年的预期产量值;所述多块地粮食选种决策优化模型MVS表示为式(1)~(7):
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mi>V</mi>
<mi>S</mi>
<mo>)</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&Delta;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>p</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)为目标函数,表明优化模型的目标是使得所有地块的整体产量风险最小;式(2)的约束条件确保了预期产量要高于去年的产量;式(3)的约束条件表明至多只能选择p个粮食品种;式(4)的约束条件定义了在每块土地上,种子的使用量均为1;式(5)的约束条件定义种子使用量的区间,也即被选取种子的最小使用量为η;式(6)和式(7)的约束条件定义决策变量;
7)采用分解式算法求解最优选种比例,得到最优品种及使用比例;具体包括如下步骤:
71)求解多块地粮食选种决策优化模型;得到地块k可以确保收获的最低产量采用穷举法来评估不同品种组合在每一块土地上的表现:对于单块地来讲,决策集合为对于l∈T,定义Sl为一个可选取的品种组合;针对每块地、每个品种组合构建组合优化模型MVSlk,表示为式(8)~(14):
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>MVS</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msubsup>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>p</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
上述组合优化模型MVSlk中,在式(9)的约束条件中添加参数ρlk,ρlk∈[0,1];定义ηk=minl∈T{ρlk},对于每块土地,用ηk来代替ρlk;由此得到确定有解的优化模型表示为式(15)~(21):
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msubsup>
<mi>MVS</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
<mrow>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>p</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>21</mn>
<mo>)</mo>
</mrow>
</mrow>
通过模型的求解,得到地块k可以确保收获的最低产量
72)根据地块k确保收获的最低产量求出所有地块整体的保证产量为同时求出地块k上种植品种组合Sl时产量的方差Vk,为式(22):
<mrow>
<msub>
<mi>V</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>22</mn>
<mo>)</mo>
</mrow>
</mrow>
73)设定一个最优品种组合Sl*,能够使得整体的产量方差最小,表示为式(23):
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&Delta;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>23</mn>
<mo>)</mo>
</mrow>
</mrow>
74)对最优品种组合Sl*在各块土地上的表现进行分析,寻找最优品种组合Sl*种植在地块k上可能达到的最大产量,得到最终的最优品种组合;方法包括:
构建优化模型表示为式(24)~(30),以10%的比例逐步提高ηk的值,直到问题无解:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msubsup>
<mi>MVS</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
<mi>k</mi>
</mrow>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>24</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>25</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>p</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>26</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>27</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>28</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>29</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>30</mn>
<mo>)</mo>
</mrow>
</mrow>
将能够保证有解的ηk的最大值定义为得到所有地块在种植最优品种组合Sl*时能够保证的最大产量为
75)进一步得到考虑不同地块农民风险偏好的决策优化模型
考虑不同地块上的农民有风险偏好Δk,定义考虑到不同地块农民风险偏好的决策优化模型表示为式(31)~(37):
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msubsup>
<mi>MVS</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
<mi>k</mi>
</mrow>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<msup>
<mi>l</mi>
<mo>*</mo>
</msup>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>31</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&Delta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mi>k</mi>
<mi>max</mi>
</msubsup>
<msubsup>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>{</mo>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
<mo>-</mo>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
<mo>}</mo>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>32</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>p</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>33</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>34</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;v</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>35</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>36</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>}</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>37</mn>
<mo>)</mo>
</mrow>
</mrow>
对于i∈Sl*,品种i的最终使用比例表示为式(38):
<mrow>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>l</mi>
<mo>*</mo>
</mrow>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>38</mn>
<mo>)</mo>
</mrow>
</mrow>
最终选择的品种组合即为最优品种组合Sl*,由此实现基于组合优化的多块地选种决策优化。
2.如权利要求1所述基于组合优化的多块地选种决策优化方法,其特征是,步骤2)中,具体通过构建基于双隐含层神经网络的产量预测模型,估计得到不同品种在不同天气、土壤下的产量其中i∈N,j∈N,k∈K。
3.如权利要求1所述基于组合优化的多块地选种决策优化方法,其特征是,步骤3)构建神经网络模型并训练,具体包括如下步骤:
31)随机生成一组(n1,n2)值,n1、n2分别表示第一隐含层、第二隐含层神经元的个数;通过生成多组(n1,n2)值并进行比较,确定n1、n2的取值;
32)通过得到的n1、n2,构建神经网络,利用训练样本对神经网络进行训练,得到训练好的神经网络;
33)测试神经网络:将测试集数据输入训练好的神经网络,比较输出值与真实值的差距,计算得到平均百分误差值;
34)当步骤33)中得到的平均百分误差值小于历史上平均百分误差值时,更新(n1,n2)值及历史最佳平均百分误差值;
35)设定循环条件,满足终止条件则停止循环,输出最佳(n1,n2)值;若不满足终止条件,则重复步骤31)~34);
36)训练最优神经网络:用步骤35)中得到的最佳(n1,n2)值,构建最优神经网络,并用训练集样本对最优神经网络进行训练,得到训练好的最优神经网络;
37)预测产量值:使用训练好的的最优神经网络,将测试样本数据输入,得到产量预测值,并进一步计算产量的方差值。
4.如权利要求3所述基于组合优化的多块地选种决策优化方法,其特征是,步骤31)中n1、n2的取值具体是能够使得测试集样本平均百分误差最小的一组(n1,n2)值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143224.8A CN107832892B (zh) | 2017-11-17 | 2017-11-17 | 一种基于组合优化的多块地选种决策优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143224.8A CN107832892B (zh) | 2017-11-17 | 2017-11-17 | 一种基于组合优化的多块地选种决策优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832892A true CN107832892A (zh) | 2018-03-23 |
CN107832892B CN107832892B (zh) | 2021-12-28 |
Family
ID=61652830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711143224.8A Active CN107832892B (zh) | 2017-11-17 | 2017-11-17 | 一种基于组合优化的多块地选种决策优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832892B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
CN109063934A (zh) * | 2018-09-27 | 2018-12-21 | 北京百度网讯科技有限公司 | 基于人工智能的组合优化结果获取方法、设备及可读介质 |
CN109102131A (zh) * | 2018-10-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种基于大数据的大豆生产的优化方法 |
CN109741205A (zh) * | 2019-01-11 | 2019-05-10 | 成都工业学院 | 种植地查找建模方法、装置、种植地查找方法及装置 |
CN110414146A (zh) * | 2019-07-30 | 2019-11-05 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
CN113342938A (zh) * | 2021-06-21 | 2021-09-03 | 南京农业大学 | 一种结合知识图谱的玉米选种与精准播种决策方法 |
CN113935532A (zh) * | 2021-10-18 | 2022-01-14 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
US20170124463A1 (en) * | 2015-10-28 | 2017-05-04 | The Climate Corporation | Computer-implemented calculation of corn harvest recommendations |
CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
-
2017
- 2017-11-17 CN CN201711143224.8A patent/CN107832892B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
US20170124463A1 (en) * | 2015-10-28 | 2017-05-04 | The Climate Corporation | Computer-implemented calculation of corn harvest recommendations |
CN106875283A (zh) * | 2017-01-11 | 2017-06-20 | 江苏省海洋资源开发研究院(连云港) | 一种基于农业大数据的农田种植保险评估的系统及方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665107A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 农作物产量预测方法和系统 |
CN109063934B (zh) * | 2018-09-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 基于人工智能的组合优化结果获取方法、设备及可读介质 |
CN109063934A (zh) * | 2018-09-27 | 2018-12-21 | 北京百度网讯科技有限公司 | 基于人工智能的组合优化结果获取方法、设备及可读介质 |
CN109102131A (zh) * | 2018-10-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种基于大数据的大豆生产的优化方法 |
CN109741205A (zh) * | 2019-01-11 | 2019-05-10 | 成都工业学院 | 种植地查找建模方法、装置、种植地查找方法及装置 |
CN109741205B (zh) * | 2019-01-11 | 2020-12-22 | 成都工业学院 | 种植地查找建模方法、装置、种植地查找方法及装置 |
CN110414146A (zh) * | 2019-07-30 | 2019-11-05 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
CN113342938A (zh) * | 2021-06-21 | 2021-09-03 | 南京农业大学 | 一种结合知识图谱的玉米选种与精准播种决策方法 |
CN113342938B (zh) * | 2021-06-21 | 2024-03-08 | 南京农业大学 | 一种结合知识图谱的玉米选种与精准播种决策方法 |
CN113935532A (zh) * | 2021-10-18 | 2022-01-14 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN113935532B (zh) * | 2021-10-18 | 2024-05-10 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
CN117322214B (zh) * | 2023-11-30 | 2024-02-09 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107832892B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832892A (zh) | 一种基于组合优化的多块地选种决策优化方法 | |
Akpoti et al. | Agricultural land suitability analysis: State-of-the-art and outlooks for integration of climate change analysis | |
Hayashi | Multicriteria analysis for agricultural resource management: a critical survey and future perspectives | |
Colnenne-David et al. | Designing innovative productive cropping systems with quantified and ambitious environmental goals | |
Sharma et al. | Nitrogen and potassium application effects on productivity, profitability and nutrient use efficiency of irrigated wheat (Triticum aestivum L.) | |
Shapiro et al. | Evaluating and adapting new technologies in a high-risk agricultural system—Niger | |
Rezaei et al. | Sustainability assessment of potato fields using the DEXi decision support system in Hamadan Province, Iran | |
Hassani et al. | Implementing agricultural water pricing policy in irrigation districts without a market mechanism: comparing the conventional and automatic water distribution systems | |
Kiruthiga et al. | Machine learning in soil borne diseases, soil data analysis & crop yielding: a review | |
Firouzi et al. | An investigation of the environmental impacts and energy-economic analysis for sugar beet and sugarcane production systems | |
Variani et al. | Development of a novel framework for agriculture simulation model for food-energy-water nexus analysis in watershed-scale | |
Jiang et al. | Predicting spatiotemporal yield variability to aid arable precision agriculture in New Zealand: A case study of maize-grain crop production in the Waikato region | |
Reddy et al. | Study on machine learning and back propagation for crop recommendation system | |
Pradeep et al. | Effective Crop Yield Prediction Using Gradient Boosting To Improve Agricultural Outcomes | |
Watkins et al. | An economic risk analysis of no-till management and rental arrangements in Arkansas rice production | |
Assefa | Experimental and Modeling Evaluation of Conservation Agriculture with Drip Irrigation for Small-Scale Agriculture in Sub-Saharan Africa | |
Liverpool-Tasie et al. | Understanding fertilizer use and profitability of rice production across Nigeria’s diverse agroecological conditions | |
Khessro et al. | Greenhouse energy analysis and neural networks modelling in Northern Iraq | |
Rötter et al. | On the use of agricultural system models for exploring technological innovations across scales in Africa: A critical review | |
Liben et al. | Barley and wheat nutrient responses for Shewa, Ethiopia | |
Chivenge et al. | Unraveling pathways to the sustainable intensification of smallholder African agriculture: Long‐term observatories for assessing benefits of ISFM to productivity enhancement and other ecosystem services | |
Tkatek et al. | Predictive fertilization models for potato crops using machine learning techniques in Moroccan Gharb region. | |
Khan et al. | Soil spatial variability and its management with precision agriculture | |
Liu et al. | Research and development of decision support system for regional agricultural development programming | |
Liu | Attribution of Marine Crop Production in the United States of America Based on Artificial Neural Network Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |