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
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 Download PDFInfo
- Publication number
- CN110070212A CN110070212A CN201910231506.6A CN201910231506A CN110070212A CN 110070212 A CN110070212 A CN 110070212A CN 201910231506 A CN201910231506 A CN 201910231506A CN 110070212 A CN110070212 A CN 110070212A
- Authority
- CN
- China
- Prior art keywords
- whale
- harvester
- plot
- individual
- polymorphic type
- 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.)
- Pending
Links
- 241000283153 Cetacea Species 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000035772 mutation Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000003306 harvesting Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 11
- 235000013305 food Nutrition 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000009182 swimming Effects 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 241001124569 Lycaenidae Species 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,dij为收割机到地块及地块到地块间的距离,si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,Hijr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,Sir表示地块i是否属于子路径r,Sjr表示地块j是否属于子路径r,Orc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:
Xi_next=Xbest-A·|C·Xbest-Xi| (7)
A=2α·rand()-α (8)
C=2·rand() (9)
其中,Xbest为当前最优解,Xi和Xi_next分别表示第i条鲸鱼及游动A·|C·Xbest-Xi|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:
Xi_next=D·ebl·cos(2πl)+Xbest (10)
D=|Xbest-Xi| (11)
其中,Xbest为当前最优解,Xi和Xi_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:
Xi_next=Xrand-A·|C·Xrand-Xi| (12)
其中,Xrand为当前种群的任意鲸鱼个体,Xi和Xi_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:
pi=1-(fiti/fitmax) (13)
其中,fiti和fitmax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;
Sir: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;
Hijr: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;
dij:收割机到地块及地块到地块间的距离,i,j∈D;
si: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Hijr=1,否则Hijr=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Sir=1,否则Sir=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,dij为收割机到地块及地块到地块间的距离,si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,Hijr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;Sir表示地块i是否属于子路径r,Sjr表示地块j是否属于子路径r,Orc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,dij为收割机到地块及地块到地块间的距离,si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,Hijr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,Sir表示地块i是否属于子路径r,Sjr表示地块j是否属于子路径r,Orc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:
Xi_next=Xbest-A·|C·Xbest-Xi| (7)
A=2α·rand()-α (8)
C=2·rand() (9)
其中,Xbest为当前最优解,Xi和Xi_next分别表示第i条鲸鱼及游动A·|C·Xbest-Xi|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:
Xi_next=D·ebl·cos(2πl)+Xbest (10)
D=|Xbest-Xi| (11)
其中,Xbest为当前最优解,Xi和Xi_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:
Xi_next=Xrand-A·|C·Xrand-Xi| (12)
其中,Xrand为当前种群的任意鲸鱼个体,Xi和Xi_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:
pi=1-(fiti/fitmax) (13)
其中,fiti和fitmax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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231506.6A CN110070212A (zh) | 2019-03-26 | 2019-03-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231506.6A CN110070212A (zh) | 2019-03-26 | 2019-03-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070212A true CN110070212A (zh) | 2019-07-30 |
Family
ID=67366615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231506.6A Pending CN110070212A (zh) | 2019-03-26 | 2019-03-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070212A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008743A (zh) * | 2019-12-10 | 2020-04-14 | 湖北工业大学 | 一种高离散化水库发电优化调度方法 |
CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN113095726A (zh) * | 2021-05-06 | 2021-07-09 | 广东省现代农业装备研究所 | 基于改进人工鱼群算法的多农机调度作业方法 |
CN114692345A (zh) * | 2022-06-02 | 2022-07-01 | 河南科技学院 | 一种起重机臂架生产智能调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070281A1 (en) * | 2007-06-01 | 2009-03-12 | Solomon Research Llc | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
CN106651086A (zh) * | 2016-09-07 | 2017-05-10 | 河南科技学院 | 一种考虑组装工艺的自动化立体仓库调度方法 |
CN106779372A (zh) * | 2016-12-05 | 2017-05-31 | 东华大学 | 基于改进免疫禁忌算法的农机调度方法 |
US20180333855A1 (en) * | 2017-05-19 | 2018-11-22 | Stc.Unm | System and methods for multiple-place swarm foraging with dynamic depots |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
-
2019
- 2019-03-26 CN CN201910231506.6A patent/CN110070212A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070281A1 (en) * | 2007-06-01 | 2009-03-12 | Solomon Research Llc | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
CN106651086A (zh) * | 2016-09-07 | 2017-05-10 | 河南科技学院 | 一种考虑组装工艺的自动化立体仓库调度方法 |
CN106779372A (zh) * | 2016-12-05 | 2017-05-31 | 东华大学 | 基于改进免疫禁忌算法的农机调度方法 |
US20180333855A1 (en) * | 2017-05-19 | 2018-11-22 | Stc.Unm | System and methods for multiple-place swarm foraging with dynamic depots |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
Non-Patent Citations (7)
Title |
---|
李新德等: "基于鲸鱼优化算法的水资源优化配置研究", 《中国农村水利水电》 * |
杨文强等: ""求解多堆垛机协同调度优化问题的量子蝙蝠算法"", 《电子测量与仪器学报》 * |
梁肖等: "基于遗传算法的小麦收割机路径智能优化控制研究", 《农机化研究》 * |
沙金霞: "改进鲸鱼算法在多目标水资源优化配置中的应用", 《水利水电技术》 * |
胡俊等: "篮球队员协作模式在多收割机械协同作业中的应用", 《农机化研究》 * |
陆静: "信息平台下农机调度问题研究", 《农业开发与装备》 * |
龙文等: ""求解大规模优化问题的改进鲸鱼优化算法"", 《系统工程理论与实践》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008743A (zh) * | 2019-12-10 | 2020-04-14 | 湖北工业大学 | 一种高离散化水库发电优化调度方法 |
CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN112163808B (zh) * | 2020-09-23 | 2022-04-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN113095726A (zh) * | 2021-05-06 | 2021-07-09 | 广东省现代农业装备研究所 | 基于改进人工鱼群算法的多农机调度作业方法 |
CN113095726B (zh) * | 2021-05-06 | 2024-03-08 | 广东省现代农业装备研究所 | 基于改进人工鱼群算法的多农机调度作业方法 |
CN114692345A (zh) * | 2022-06-02 | 2022-07-01 | 河南科技学院 | 一种起重机臂架生产智能调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070212A (zh) | 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 | |
Nayak et al. | 25 years of particle swarm optimization: Flourishing voyage of two decades | |
Abualigah et al. | A comprehensive survey of the Grasshopper optimization algorithm: results, variants, and applications | |
Dokeroglu et al. | A survey on new generation metaheuristic algorithms | |
Guo et al. | A survey of bacterial foraging optimization | |
Pham et al. | Using the bees algorithm to schedule jobs for a machine | |
Alimoradi et al. | Trees Social Relations Optimization Algorithm: A new Swarm-Based metaheuristic technique to solve continuous and discrete optimization problems | |
Zheng et al. | A scalable coevolutionary multi-objective particle swarm optimizer | |
CN106251234A (zh) | 一种基于互联网和大数据的农产品产销整合服务平台 | |
Chandra et al. | Web service selection using modified artificial bee colony algorithm | |
Ma et al. | An improved dynamic self-adaption cuckoo search algorithm based on collaboration between subpopulations | |
Khishe et al. | Multi-objective chimp optimizer: an innovative algorithm for multi-objective problems | |
Otri | Improving the bees algorithm for complex optimisation problems | |
Zhou et al. | Advanced orthogonal learning and Gaussian barebone hunger games for engineering design | |
Delorme et al. | Energy-efficient automated vertical farms | |
Makhadmeh et al. | Recent advances in butterfly optimization algorithm, its versions and applications | |
Mishra et al. | Swarm intelligence optimization: editorial survey | |
Tang et al. | Biologically inspired optimization: a review | |
Rao et al. | Integration of Cloud Computing, IoT, and Big Data for the Development of a Novel Smart Agriculture Model | |
Alazzawi et al. | Parameters tuning of hybrid artificial bee colony search based strategy for t-way testing | |
Pan et al. | Tumbleweed optimization algorithm and its application in vehicle path planning in smart city | |
Liu et al. | A simulated annealing for multi-criteria optimization problem: DBMOSA | |
Koc | Bees algorithm: theory, improvements and applications | |
Gharehchopogh et al. | Advances in Manta Ray Foraging Optimization: A Comprehensive Survey | |
Wang et al. | An improved farmland fertility algorithm for global function optimization |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |