CN110070212A - 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 - Google Patents

Abstract

本发明公开了一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法，属于农业机械设备资源优化配置技术领域。本发明的技术方案要点为：引入收敛因子自适应变化策略、非精英个体历史信息全部参与变异策略，即通过收敛因子自适应变化，使算法在进化前期能够以较大步长保持较强的全局探索能力和较快的收敛速度，在进化后期以较小步长进行深度开发，有助于提高解的质量；连续10代未进化的个体其历史父代个体信息全部参与变异策略，将这些个体的历史信息参与变异有利于快速改善种群的多样性，从而使算法跳出局部最优。本发明有效提高了收割机的工作效率，为开展收割机智能调度提供了很好的借鉴，同时也促进了农业智能装备的进一步发展。

Description

一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法

技术领域

本发明属于农业机械设备资源优化配置技术领域，具体涉及一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法。

背景技术

农业合作社的蓬勃发展催生了农机服务公司，农机服务公司依靠农机(比如：收割机)为农业合作社提供田间作业服务。由于农业合作社承包耕地面积大、地块类型复杂，因而，为提高农机田间作业效率，有必要对适合不同地块类型的多类型农机进行协同调度优化。在此背景下，对多类型收割机协同调度优化问题进行研究，对于节能减排，提高收割机作业效率具有很好的促进作用。因而，针对多类型收割机协同调度优化问题，寻求一种有效的多类型收割机协同调度优化方法具有很好的科学意义和社会价值。

就目前而言，由于农业合作社刚刚兴起，因而较少或还未有学者对多类型收割机协同调度优化问题进行研究。比如：Orfanou et al.(Scheduling for machinery fleetsin biomass multiple-field operations,2013)对农机在多地块作业进行了调度优化研究，而未考虑不同类型的农机参与作业的情况。张等(农机跨区作业紧急调配算法适宜性选择，农业工程学报，2018)对农机跨区紧急作业调配优化问题进行了研究，并基于距离最近优先和基于贡献度最大优先提出两种农机跨区紧急作业调配算法，该学者同样未对多类型农机进行研究。本发明对多类型收割机协同调度优化问题进行了认真的分析与研究，提出了求解该问题的改进型鲸鱼算法，不仅提高了多类型收割机协同工作的作业效率以及农机服务公司的效益，更重要的是丰富了求解多类型收割机协同调度优化问题的方法，对于提升农机服务行业的运营能力及服务水平，具有很好的借鉴作用。

发明内容

本发明解决的技术问题是提供了一种求解多类型收割机协同调度的优化方法，主要解决多类型地块下多类型收割机协同调度的优化问题，为农业装备向智能化方向发展提供必要的技术支持，有效提高了收割机的工作效率，为开展收割机智能调度提供了很好的借鉴，同时也促进了农业智能装备的进一步发展。

为实现上述目标，本发明的构思是：将多类型收割机协同作业模式引入到模型当中以完成所有地块收割任务所用时间最短为优化目标，将多类型收割机协同调度优化问题抽象成带约束的组合优化问题，越来越多的农村青壮年进入城市务工安家，致使农村耕地无法得到精细化管理，进而导致农产品产量不高，直接影响到农民的收益。在这样的背景下，新型农业合作社应运而生，合作社主要对农户的耕地进行承包经营，然而由于农户间的耕地存在分界线，导致合作社在进行小麦收割时不能进行连续作业。同时，农户间家庭人口的不同也会导致耕地面积的不同。因而，为提高小麦收割的效率，有必要对联合收割机进行调度优化研究。本发明建立了多类型收割机调度优化模型，并基于改进型鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)对该模型进行求解。鉴于传统鲸鱼算法(Whale Optimization Algorithm,WOA)在求解精度低、全局收敛速度慢的缺点，引入收敛因子自适应变化策略、非精英个体历史信息全部参与变异策略，即通过收敛因子自适应变化，使算法在进化前期能够以较大步长保持较强的全局探索能力和较快的收敛速度，在进化后期以较小步长进行深度开发，有助于提高解的质量；连续10代未进化的个体其历史父代个体信息全部参与变异策略，将这些个体的历史信息参与变异有利于快速改善种群的多样性，从而使算法跳出局部最优。

根据以上发明构思，本发明采用如下述技术方案，一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于包括如下步骤：

(1)对多类型收割机协同调度存在的约束及要优化的目标进行分析，并抽象为带约束的数学模型；

(2)初始化参数：总体最大进化代数G_max、进化代数计数器t、鲸鱼规模M、鲸鱼个数计数器n、觅食方式选择概率p、初始化种群个体；

(3)用目标函数的倒数对所有鲸鱼个体的适应度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

(4)全局搜索，t＝t+1；

(5)局部搜索，n＝n+1；

(6)根据本发明的自适应策略调整收敛因子α，据此计算参数A和C；

(7)鲸鱼个体根据觅食方式选择概率p及参数|A|的取值情况更新自己；

(8)如果n<M，则返回步骤(5)；

(9)用目标函数的倒数对更新后的所有鲸鱼个体的适应度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

(10)基于启发式变异策略对连续10代未进化的个体及其历史父代个体实施启发式变异，若变异后得到改善，则对其进行更新，否则，保持不变；

(11)如果t<G_max，则返回步骤(4)，否则，输出最优解。

更进一步地，步骤(1)中所建立的多类型收割机协同调度优化模型是基于以下考虑建立的：本着农机服务公司收益最大化及节能降耗的目的，对多类型收割机协同调度优化，则待优化的目标为完成所有地块收割任务所用时间最短，多类型收割机协同调度优化数学模型表示如下：

其中，d_ij为收割机到地块及地块到地块间的距离，s_i为地块i的面积，分别为收割机的行驶速度及收割速度，C为参与完成所有收割任务的收割机集合，R为完成所有收割任务收割机所行驶的路径集合，D为收割行为开始前收割机所在地及待收割地块的集合，H_ijr为收割机在子路径r下是否连续经过地块i和地块j的标记，S_ir表示地块i是否属于子路径r，S_jr表示地块j是否属于子路径r，O_rc表示子路径r是否属于收割机c；

其中，式(1)为目标函数；式(2)至式(5)为各种约束条件，具体为：式(2)表示仅有一辆收割机为第i个地块服务；式(3)表示在收割机的行驶路径中，第i个地块与第j个地块间不能形成回路；式(4)和式(5)为决策变量的二进制值域约束。

更进一步地，步骤(6)的具体过程：

6a)为更好地模拟鲸鱼的实际捕食过程，克服收敛因子α线性变化过于理想化带来的捕食弊端，提高鲸鱼的捕食效果，在鲸鱼收缩包围捕食行为中引入收敛因子α自适应调整机制，即收敛因子α呈正弦衰减振荡自适应变化，尽管收敛因子α在寻优过程中出现振荡，但在总体上仍呈逐步减小的趋势，同时其也保证了鲸鱼游动方向的改变，从而使求解精度与效率达到一种较好的平衡，收敛因子表示为：

其中，t为进化代数计数器，b₁、b₂为变化控制参数，均为常数；

6b)在收缩包围捕食行为中引入自适应收敛因子后，第i条鲸鱼可表示为：

X_{i_next}＝X_best-A·|C·X_best-X_i| (7)

A＝2α·rand()-α (8)

C＝2·rand() (9)

其中，X_best为当前最优解，X_i和X_{i_next}分别表示第i条鲸鱼及游动A·|C·X_best-X_i|个单位步长后的第i条鲸鱼。

更进一步地，步骤(7)的具体过程为：

7a)首先产生一个随机数r1∈(0,1)，在r1大于觅食方式选择概率p的情况下：

根据式(10)所描述的螺旋路径更新自己，具体为：

X_i__next＝D·e^bl·cos(2πl)+X_best (10)

D＝|X_best-X_i| (11)

其中，X_best为当前最优解，X_i和X_{i_next}分别表示第i条鲸鱼及经过螺旋游动后的第i条鲸鱼，b为螺旋路径的形状参数，为常量，l为随机数，且l∈[-1,1]；

7b)在r1小于觅食方式选择概率p的情况下：

如果|A|<1，则根据式(7)所描述的收缩包围机制更新自己，否则，如果|A|≥1，则根据式(12)所描述的随机行为更新自己，具体为：

X_{i_next}＝X_rand-A·|C·X_rand-X_i| (12)

其中，X_rand为当前种群的任意鲸鱼个体，X_i和X_{i_next}分别表示第i条鲸鱼及经过随机游动后的第i条鲸鱼。

更进一步地，步骤(10)的具体过程为：

10a)首先统计出连续10代未更新的鲸鱼个体，并对其近10代内的历史父代个体进行统计，同时要求当前最优鲸鱼个体不参与变异；

10b)对要参与变异的鲸鱼个体及其近10代内的历史父代个体实施变异，具体变异措施为：首先，变异概率由式(13)确定，这有效保证了适应度较低的个体其变异概率越大；其次，为进行有效变异，将待变异个体与当前最优个体的基因位进行逐位比较，仅对与当前最优个体不相同的基因位进行重新随机排序，其第i个鲸鱼个体的变异概率为：

p_i＝1-(fit_i/fit_max) (13)

其中，fit_i和fit_max分别为第i个鲸鱼个体的适应度和当前种群的最大适应度，从而有效保证了陷入局部最优且适应度较低的个体有较大的变异机会，提高了种群的多样性，进一步增强了算法的全局探索能力。

本发明与现有技术相比具有以下优点：其一，不同于单一类型的收割机协同调度优化，本发明针对多类型地块进行多类型收割机协同调度，从而从宏观上进一步提高了面向多类型地块收割器具的利用率；其二，收敛因子正弦衰减振荡自适应策略，使算法在寻优前期及后期能够在全局探索和局部开发间达到一种较好的平衡；最后，启发式变异算子，能够保证陷入局部最优且适应度较低的鲸鱼个体以较大概率当前最优解附近进行变异，从而有效改善了种群的多样性，增强了算法从局部最优逃逸的能力。

附图说明

图1是本发明提出的基于改进型鲸鱼算法的多类型收割机协同调度优化方法流程图；

图2是本发明针对一个多类型小麦地块实例各算法求解效果对比图；

图3是不同种类型的收割机所收割小麦面积对比图。

具体实施方式

下面结合附图和优选的实施例，对本发明做进一步的详细阐述。

实施例1

参见图1，本发明提出的基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其具体步骤如下：

1.确立目标，建立优化模型

该实例求解多类型收割机协同调度优化问题所用的符号说明如下：

C：收割机集合；

R：收割机完成所有收割任务的路径集合；

D：收割机所在地及待收割地块的集合；

S_ir：二进制决策变量，表示第i个地块是否在子路径r中，i∈D,r∈R；

H_ijr：二进制决策变量，表示收割机在第r条子路径中是否对地块i和地块j进行连续收割，i,j∈D,r∈R；

d_ij：收割机到地块及地块到地块间的距离，i,j∈D；

s_i：地块i的面积；

分别为收割机的行驶速度及收割速度；

定义1：如果收割机在第r条子路径中，对地块i和地块j进行连续收割，则H_ijr＝1，否则H_ijr＝0；

定义2：如果第i个地块由第r(r∈R)辆收割机负责收割，则S_ir＝1，否则S_ir＝0；

该多类型收割机协同调度优化问题的优化目标为完成所有地块的收割任务所用时间最短，其数学模型包括目标函数和约束，定义如下：

2.厘清约束条件，确立约束关系

其中，d_ij为收割机到地块及地块到地块间的距离，s_i为地块i的面积，分别为收割机的行驶速度及收割速度，C为参与完成所有收割任务的收割机集合，R为完成所有收割任务收割机所行驶的路径集合，D为收割行为开始前，收割机所在地及待收割地块的集合，H_ijr为收割机在子路径r下是否连续经过地块i和地块j的标记；S_ir表示地块i是否属于子路径r，S_jr表示地块j是否属于子路径r，O_rc表示子路径r是否属于收割机c。

3.选用本实施例的优化方法求解多类型收割机协同调度优化问题，其方法就是通过改进型鲸鱼优化方法在决策变量的可行域内进行进化计算，从而求出最优解或次优解，优化方法的具体步骤为：

Step1：初始化参数：总体最大进化代数G_max、进化代数计数器t、鲸鱼规模M、鲸鱼个数计数器n、觅食方式选择概率p、初始化种群个体；

Step2：用目标函数的倒数对所有鲸鱼个体的适应度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

Step3：全局搜索，t＝t+1；

Step4：局部搜索，n＝n+1；

Step5：根据本发明的自适应策略调整收敛因子α，据此计算参数A和C；

Step6：鲸鱼个体根据觅食方式选择概率p及参数|A|的取值情况更新自己；

Step7：如果n<M，则返回步骤Step4；

Step8：用目标函数的倒数对更新后的所有鲸鱼个体的适应度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

Step9：基于启发式变异策略对连续10代未进化的个体及其历史父代个体实施启发式变异，若变异后得到改善，则对其进行更新，否则，保持不变；

Step10：如果t<G_max，则返回步骤Step3；否则，输出最优解。

实施例2

本实施例结合某农业合作社的多类型地块求解多类型收割机协同调度优化问题，利用本发明求出满足约束条件的最优解或次优解。

1.问题概况

按照上述技术方案以某农业合作社为应用背景进行示例说明，该农业合作社拥有6种类型的收割机，并且每种类型的收割机仅有1台，收割机相关参数如表1所示。随机产生30个小麦地块进行测试，地块尺寸如表2所示。收割机所在地与地块、地块与地块之间的距离在[0km,5km]上服从均匀分布。实验在Win10系统平台，3.7GHz主频的Intel处理器，4GB内存及Matlab R2014b开发环境下进行。

表1不同类型的收割机参数

表2地块尺寸

2.与其他进化算法的比较

为验证本发明提出IWOA算法的性能，与标准遗传算法(Genetic Algorithm,GA)、标准粒子群算法(Particle Swarm Optimization,PSO)、标准鲸鱼算法(WhaleOptimization Algorithm,WOA)进行了比较。各算法种群规模均为70，进化代数均为600。其中，GA的交叉概率及变异概率分别为0.8、0.2。对于PSO，惯性权重w为1.9、学习因子c₁和c₂均为2.2。对于IWOA，b₁＝60，b₂＝3，其中，IWOA和WOA共有的参数b＝1，p＝0.5。根据1中的问题概况，针对本发明上述测试算例，图2为各算法求出的最优解随进化代数的变化趋势。同时，针对IWOA是否考虑多类型收割机的情况，图2在收割效率及收割器具利用率上也进行了对比。

不失一般性，为进一步验证IWOA算法的泛化能力，对不同数量地块的多类型收割机协同调度优化问题进行了测试，并对参与比较的算法各运行30次，表3给出了30次的最优解和标准差。

表3不同数量地块的收割任务各算法求解情况对比

通过图2可以直观的看出，本发明提出的IWOA算法在收敛速度以及求解质量上相对其他三种算法有明显的优势。表3针对不同数量的待收割地块，将IWOA与GA、PSO及WOA的求解性能作了进一步的对比。表3表明，尽管解空间随地块数量的增长呈指数变化，然而，IWOA相对其他三种算法仍能得到较满意的解，因而其具有较强的鲁棒性。IWOA之所以呈现这些优点，主要得益于本发明提出的收敛因子正弦衰减振荡自适应策略及启发式变异策略。首先，自适应变化的收敛因子能够让鲸鱼群体在收缩捕食阶段有效应对待捕食的猎物带来的扰动，从而提高捕食的效果；其次，启发式变异策略的实施，能够充分利用陷入局部最优个体的历史父代挖掘逃逸局部最优的有效信息。因而，上述两种策略的实施，使算法在全局探索和局部开发中达到一种较好的平衡，从而改善了收敛效率及求解的质量。图3对每种类型收割机所收割的面积作了对比，从中可以看到，IWOA基本按收割机的收割能力进行了收割任务分配，其中，类型3和类型5这两种收割机分配的面积之所以出现波动，主要因为：地块与地块间的距离与大型收割机完成收割任务所用时间存在一定的耦合关系，即，相对小型收割机，尽管大型收割机能够提高收割效率，但由于距离待收割地块较远，并且地块相对分散，因而会削弱大型收割机的效率优势。

本发明提出的多类型收割机协同调度优化方法有效降低收割机的空驶里程，提高了它们的收割效率，尤其对于大规模地块更为明显，因而，多类型收割机协同调度能的确实现节能减排，同时增加了农业合作社的收益，最重要的是为抢收抢种赢得了宝贵时间，具有良好的经济效益和社会效益。

这些实施例仅用于说明本发明而不用于限制本发明的范围。另外本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样属于本发明所附权利要求书所限定的范围之内。

Claims (5)

1.一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于包括如下步骤：

(1)对多类型收割机协同调度存在的约束及要优化的目标进行分析，并抽象为带约束的数学模型；

(2)初始化参数：总体最大进化代数G_max、进化代数计数器t、鲸鱼规模M、鲸鱼个数计数器n、觅食方式选择概率p、初始化种群个体；

(3)用目标函数的倒数对所有鲸鱼个体的适应度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

(4)全局搜索，t＝t+1；

(5)局部搜索，n＝n+1；

(6)根据本发明的自适应策略调整收敛因子α，据此计算参数A和C；

(7)鲸鱼个体根据觅食方式选择概率p及参数|A|的取值情况更新自己；

(8)如果n<M，则返回步骤(5)；

(9)用目标函数的倒数对更新后的所有鲸鱼个体的适应度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

(10)基于启发式变异策略对连续10代未进化的个体及其历史父代个体实施启发式变异，若变异后得到改善，则对其进行更新，否则，保持不变；

(11)如果t<G_max，则返回步骤(4)，否则，输出最优解。

2.根据权利要求1所述的基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于：步骤(1)中所建立的多类型收割机协同调度优化模型是基于以下考虑建立的：本着农机服务公司收益最大化及节能降耗的目的，对多类型收割机协同调度优化，则待优化的目标为完成所有地块收割任务所用时间最短，多类型收割机协同调度优化数学模型表示如下：

其中，d_ij为收割机到地块及地块到地块间的距离，s_i为地块i的面积，分别为收割机的行驶速度及收割速度，C为参与完成所有收割任务的收割机集合，R为完成所有收割任务收割机所行驶的路径集合，D为收割行为开始前收割机所在地及待收割地块的集合，H_ijr为收割机在子路径r下是否连续经过地块i和地块j的标记，S_ir表示地块i是否属于子路径r，S_jr表示地块j是否属于子路径r，O_rc表示子路径r是否属于收割机c；

其中，式(1)为目标函数；式(2)至式(5)为各种约束条件，具体为：式(2)表示仅有一辆收割机为第i个地块服务；式(3)表示在收割机的行驶路径中，第i个地块与第j个地块间不能形成回路；式(4)和式(5)为决策变量的二进制值域约束。

3.根据权利要求1所述的基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于：步骤(6)的具体过程：

6a)为更好地模拟鲸鱼的实际捕食过程，克服收敛因子α线性变化过于理想化带来的捕食弊端，提高鲸鱼的捕食效果，在鲸鱼收缩包围捕食行为中引入收敛因子α自适应调整机制，即收敛因子α呈正弦衰减振荡自适应变化，尽管收敛因子α在寻优过程中出现振荡，但在总体上仍呈逐步减小的趋势，同时其也保证了鲸鱼游动方向的改变，从而使求解精度与效率达到一种较好的平衡，收敛因子表示为：

其中，t为进化代数计数器，b₁、b₂为变化控制参数，均为常数；

6b)在收缩包围捕食行为中引入自适应收敛因子后，第i条鲸鱼可表示为：

X_{i_next}＝X_best-A·|C·X_best-X_i| (7)

A＝2α·rand()-α (8)

C＝2·rand() (9)

其中，X_best为当前最优解，X_i和X_{i_next}分别表示第i条鲸鱼及游动A·|C·X_best-X_i|个单位步长后的第i条鲸鱼。

4.根据权利要求1所述的基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于：步骤(7)的具体过程为：

7a)首先产生一个随机数r1∈(0,1)，在r1大于觅食方式选择概率p的情况下：

根据式(10)所描述的螺旋路径更新自己，具体为：

X_{i_next}＝D·e^bl·cos(2πl)+X_best (10)

D＝|X_best-X_i| (11)

其中，X_best为当前最优解，X_i和X_{i_next}分别表示第i条鲸鱼及经过螺旋游动后的第i条鲸鱼，b为螺旋路径的形状参数，为常量，l为随机数，且l∈[-1,1]；

7b)在r1小于觅食方式选择概率p的情况下：

如果|A|<1，则根据式(7)所描述的收缩包围机制更新自己，否则，如果|A|≥1，则根据式(12)所描述的随机行为更新自己，具体为：

X_{i_next}＝X_rand-A·|C·X_rand-X_i| (12)

其中，X_rand为当前种群的任意鲸鱼个体，X_i和X_{i_next}分别表示第i条鲸鱼及经过随机游动后的第i条鲸鱼。

5.根据权利要求1所述的基于改进型鲸鱼算法的多类型收割机协同调度优化方法，其特征在于：步骤(10)的具体过程为：

10a)首先统计出连续10代未更新的鲸鱼个体，并对其近10代内的历史父代个体进行统计，同时要求当前最优鲸鱼个体不参与变异；

10b)对要参与变异的鲸鱼个体及其近10代内的历史父代个体实施变异，具体变异措施为：首先，变异概率由式(13)确定，这有效保证了适应度较低的个体其变异概率越大；其次，为进行有效变异，将待变异个体与当前最优个体的基因位进行逐位比较，仅对与当前最优个体不相同的基因位进行重新随机排序，其第i个鲸鱼个体的变异概率为：

p_i＝1-(fit_i/fit_max) (13)

其中，fit_i和fit_max分别为第i个鲸鱼个体的适应度和当前种群的最大适应度，从而有效保证了陷入局部最优且适应度较低的个体有较大的变异机会，提高了种群的多样性，进一步增强了算法的全局探索能力。