CN112214885A - 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 - Google Patents
一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 Download PDFInfo
- Publication number
- CN112214885A CN112214885A CN202011040249.7A CN202011040249A CN112214885A CN 112214885 A CN112214885 A CN 112214885A CN 202011040249 A CN202011040249 A CN 202011040249A CN 112214885 A CN112214885 A CN 112214885A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- crop
- water
- population
- total
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 127
- 230000002262 irrigation Effects 0.000 title claims abstract description 127
- 239000003621 irrigation water Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 94
- 239000002689 soil Substances 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 29
- 230000008901 benefit Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 8
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 208000005156 Dehydration Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,包括以下步骤:步骤1、以各个作物的相对产量最大和总灌水量最小为目标函数,建立灌溉水量在不同作物各个生育期内灌水量最优分配的第一层模型;步骤2、以灌区总收益最大为目标函数,以灌区可用灌溉水总量为约束条件,建立灌溉水资源在不同作物之间合理分配的第二层模型;步骤3、通过遗传算法求解步骤1中得到的第一层模型和步骤2中得到的第二层模型得到灌区的最大总收益。
Description
技术领域
本发明属于灌区灌水量分配技术领域,具体涉及一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法。
背景技术
在建立灌区灌水量优化分配模型之前,首先需要将收集到的基本信息进行处理与计算,将其转化为可利用的知识,为后续模型的建立奠定基础。
1.水源及渠道信息的利用
通过水源信息结合灌区的用水计划可大致确定灌区的总供水量。此外,水源及渠道的相关信息可作为约束条件对目标函数的解进行限制,从而找到优化问题合理的解。
2.作物及田块信息的利用
作物及田块信息主要是为目标函数的建立提供某些具体的数量指标,例如田块的种植面积、具体的作物及对应的丰产产量与单价等。
3.土壤信息的利用
土壤信息的利用主要体现在根据某些量化的指标(如土壤容重、土壤含水量、凋萎系数以及田间持水量等)计算农田土壤水分平衡方程中的某些分量并基于这些变量构建约束条件,具体的分析见模型的建立部分。
4.气象数据的利用
气象数据主要用于确定土壤水分平衡方程的部分分量值,如各个阶段的作物需水量、有效降雨量等,并基于各个量的上下界条件构建约束条件。各个分量的计算见下文、约束条件的构造见模型的建立部分。
利用收集到的气象水文数据采用彭曼公式计算出参考作物需水量,并基于单作物系数法对作物需水量进行计算。具体计算方法见下式:
参考作物需水量的计算公式为:
式中:ET0—参考作物需水量,mm;ETrad—为辐射项,mm;ETaero—为空气动力学项,mm;Rn—为净辐射量,MJ/m2/d;G—为土壤热通量,MJ/m2/d;γ—为湿度计常数,kPa/℃;T—为空气平均温度,℃;u2—为地面以上高处的风速,m/s;es—为空气饱和水汽压,kPa;ea—为空气实际水汽压,kPa;Δ—为饱和水汽压与空气温度关系曲线的斜率,kPa/℃。
作物需水量的计算公式为:
ET=ET0·Ks·Kc
式中:ET—实际蒸散量,mm;ET0—参考作物蒸散量,mm;Ks—土壤水分胁迫系数;Kc—作物系数。
式中作物系数采用FAO推荐的修正公式确定,土壤水分胁迫系数则根据收集到的土壤质地类型结合相关研究确定。
有效降雨量则参考美国农业部推荐的公式,即
若不考虑生育期内土壤水分的变化和其他水分需求,作物的灌溉需水量为全生育期作物耗水量与生育期内有效降水量之差,即
IW=ET-Pe
根据上述确定的灌区可供水量以及灌溉需水量,可以判断二者的关系,理论上,当水源总供水量大于灌区所有作物的灌溉需水总量,采用传统的灌溉制度进行灌溉操作,即适时、适量的对农作物进行灌溉。如果分配给作物的总灌溉水量小于作物在整个生育期的需水总量,则需要将供水总量在不同作物、各个作物不同生育阶段进行优化配置,即需要对作物的灌溉方法进行优化。但是本次设计中,可以确定的总供水量的数值是针对全生育期而言的,是保守意义上的可供水量,所以其值一定大于不同生育阶段的作物需水量。同时为了体现优化配置方案在增加效益、降低灌水量等方面的优越性,当供水量大于作物需水量时,也考虑使用本文的分配方法进行具体的配水方案优化。
发明内容
本发明的目的在于提供一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,解决了现有灌溉方法受限于水源总供水量小于灌区所有作物灌溉需水总量的问题。
本发明所采用的技术方案是:一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,包括以下步骤:
步骤1、以各个作物的相对产量最大和总灌水量最小为目标函数,建立灌溉水量在不同作物各个生育期内灌水量最优分配的第一层模型;
步骤2、以灌区总收益最大为目标函数,以灌区可用灌溉水总量为约束条件,建立灌溉水资源在不同作物之间合理分配的第二层模型;
步骤3、通过遗传算法求解步骤1中得到的第一层模型和步骤2中得到的第二层模型得到灌区的最大总收益及相应的各作物灌水量。
本发明的特点还在于,
步骤1中建立的第一层模型目标函数为:
式中:F1—作物的相对产量,%;F2—作物全生育期单位面积的灌水总量,m3/hm2;Y—作物的实际产量,kg/hm2;Ym—作物的丰产产量,kg/hm2;ETi—作物各个生育期的实际腾发量,m3/hm2;ETmi—作物丰产时对应的潜在腾发量,m3/hm2;mi—某一作物历次的灌水定额,m3/hm2;—作物各个阶段的水分敏感因子;
第一层模型的约束条件
a.土壤含水量约束:
θwp≤θi≤θf
式中:θi—i阶段的含水率;θwp、θf—凋萎系数及田间持水率,以百分数计;
b.决策约束:
ETmin,i≤ETi≤ETmax,i
式中:mi—某一作物历次的灌水定额,m3/hm2;M—某一作物全生育期单位面积总可供水量,m3/hm2;ETmin,i、ETmax,i—各生育阶段最大、最小腾发量,m3/hm2;
基于水量平衡原理的状态转移方程
Wi+1=Wi+Pi+Ki+mi-ETi-Si
式中:Wi、Wi+1—第i阶段始末土壤水分调节层储水量,m3/hm2;Pi—第i阶段的有效降雨量,m3/hm2;Ki、Si—第i阶段地下水补给量及深层渗漏量,m3/hm2;
将上式进行移项处理得:
ETi=Wi-Wi+1+Pi+Ki+mi-Si=Di+Pi+Ki+mi-Si
上式中,Di为某一阶段的土壤可利用水量,采用下式计算;
初始条件
考虑到土壤水分变化的连续性,假定前一阶段末的土壤含水状态与后一阶段初的土壤含水状态相同,且某一阶段的土壤可利用水量采用下式计算:
Di=100Hiγ(θi-θWP)
式中:Hi—计划湿润层深度,m;γ—土壤干容重,g/cm3。
步骤2中建立的第二层模型目标函数为:
式中:Z—灌区总效益,元;F(Mk)—由第一层模型返回的第k种作物在分配净灌水量Mk时的最大相对产量,由第一层模型反馈得到;Aj—第j种作物的种植面积,公顷;Cj—第j种作物的效益系数,即作物的单价,元/kg;YjM—第j种作物的单位面积产量,kg/hm2;
第二层模型的变量说明:
a.阶段变量:即将每种作物示为一个阶段,则阶段变量j=1,2,......m,m为灌区统计的作物种类数;
b.状态变量:每一阶段可用于分配的总水量;
c.决策变量:即分配给每种作物的净灌溉水量Mk;
系统方程:即各作物之间的水量分配平衡方程:
Vk+1=Vk-Mk/η
式中:Vk+1、Vk—为可用于分配给第k种、第k+1种作物的总水量,m3;η—为灌区的灌溉水利用系数,由灌区提供;
该模型的约束条件为:
水量约束:即用于每种作物的总灌溉水量及可用于分配给作物的总水量均小于灌区总的可供水量;
0≤Vk≤Vtotal
0≤∑Mk/η≤Vtotal
式中:Vtotal—为灌区总的可供水量,m3。
步骤3具体为:首先由第二层模型分配给第一层模型一定的灌溉水量,每个子系统在给定净灌溉水量Mk后,各自独立优化,得到各自的最优效益F(Mk),并将最优效益反馈给第二层模型;第二层模型根据反馈的F(Mk),计算灌区最优效益,并通过优化确定最新一次分配给每种作物的灌水量Mk,同时将其返回第一层模型再优化,进而确定第二组新的优化效益F(Mk)及灌区总效益Z,如此反复进行,直到满足收敛条件时,停止优化。
步骤3中第一层模型的求解过程具体为:
步骤3.1.1、基于模型的决策变量对个体进行实数编码,初始化一个父代种群P;
步骤3.1.2、将所有个体按非支配关系排序且确定各个个体的适应度值,同时生成非支配解集和支配解集;
步骤3.1.3、使用轮盘赌方法从父代种群中选择个体,进行交叉、变异操作,产生子代种群Q,新产生的个体如果是非支配解,将其加入非支配解集;
步骤3.1.4、合并父代种群P和子代种群Q,构成重组种群R;
步骤3.1.5、对重组种群R进行适应度计算,并通过非支配排序获得非支配集合和合并种群中各个种群拥挤度距离;
步骤3.1.6、根据非支配排序结果和各个种群拥挤度距离剔除重组种群中局部密集个体获得处理后的合并种群,并基于拥挤度排序获得合并种群中非劣个体,从而实现种群的更新;
步骤3.1.7、转至上述步骤3.1.2,直到满足算法停止迭代的条件。
步骤3中第二层模型的求解过程具体为:
步骤3.2.1、基于模型的决策变量进行编码,实现从表现型到基因型的映射,当采用实数编码时,没有对应的解码操作;
步骤3.2.2、初始种群的生成;
步骤3.2.3、计算种群内个体适应度值,并基于适应度大小进行排序;
步骤3.2.4、对种群内的个体进行基于适应度值的选择、交叉以及变异操作;
步骤3.2.5、经过上述操作,种群进化得到下一代群体;
步骤3.2.6、对新的子代群体重复执行步骤3.2.3、步骤3.2.4的操作,直到满足迭代停止条件为止。
本发明的有益效果是:本发明提供了一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,通过建立相互联系的第一层和第二层模型,可以实现灌区的效益最优,并将有限的水资源在不同作物之间、作物不同阶段进行优化分配,可以帮助农户以及灌区管理人员提供决策方案;同时,通过优化模型的求解,可以在保证基本产量的基础上最大程度地减少灌区灌溉用水,并有利于灌区节水技术方案的推广。
附图说明
图1是本发明一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法中建立的两层模型关系图;
图2是本发明一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法中两层模型的求解流程图;
图3是本发明一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法中第一层模型的求解流程图;
图4是本发明一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法中第二层模型的求解流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
本发明提供了一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,首先,以作物水分生产函数的Jensen模型为理论基础,以各个作物的相对产量最大和总灌水量最小为目标函数,实现灌溉水量在不同作物各个生育期内灌水量的最优分配;然后以灌区总收益最大为目标函数,以灌区可用灌溉水总量为约束条件,实现灌溉水资源在不同作物之间的合理分配。模型可分为两层,分别为可以实现作物子系统的单作物优化及灌区总系统的多作物协调,对于这样具有两层结构的大系统,可以采用大系统分解协调模型求解。模型的结构如图1所示。
第一层模型建立在作物水分生产函数的基础上,是求解非充分灌溉条件下进行灌溉制度优化的动态规划模型。第二层模型为求解水源缺乏时多种作物之间水量最优分配的动态规划模型。其中,第一层模型的作用在于将第二层模型分配给各个作物的灌溉水量Qk在该作物的生育期内进行最优分配。而第二层模型则是利用第一层模型反馈的效益指标F(Qk)(最大相对产量)将有限的总灌溉水量在N种作物之间进行最优分配。
理论上灌区总的可供水量Vtotal为各个作物生育期内的可供水量之和,即
Vtotal=∑AkMk/η
式中:Ak、Mk—分别为第k种作物的种植面积(m3)以及各个作物的灌水定额(m3/hm2)。
η—为灌区的灌溉水利用系数,由灌区提供。
(一)第一层模型——不同作物的灌溉制度优化
(1)模型的变量说明
阶段变量(i):作物的生育阶段,可依据FAO及农民的经验确定不同作物的生育阶段及对应的时间段。
决策变量(mi):各种作物不同生育阶段的灌水量(i=1,2,3......n)。
(2)模型的目标函数
式中:F1—作物的相对产量,%;F2—作物全生育期单位面积的灌水总量,m3/hm2;Y—作物的实际产量,kg/hm2;Ym—作物的丰产产量,kg/hm2;ETi—作物各个生育期的实际腾发量,m3/hm2;ETmi—作物丰产时对应的潜在腾发量,m3/hm2;mi—为某一作物历次的灌水定额,m3/hm2;—作物各个阶段的水分敏感因子。
(3)约束条件
a.土壤含水量约束:
θwp≤θi≤θf
式中:θi—为i阶段的含水率;θwp、θf—为凋萎系数及田间持水率,以百分数计。
b.决策约束:
ETmin,i≤ETi≤ETmax,i
式中:mi—为某一作物历次的灌水定额,m3/hm2;M—为某一作物全生育期单位面积总可供水量,m3/hm2;ETmin,i、ETmax,i—为各生育阶段最大、最小腾发量,m3/hm2。
(4)基于水量平衡原理的状态转移方程
Wi+1=Wi+Pi+Ki+mi-ETi-Si
式中:Wi、Wi+1—第i阶段始末土壤水分调节层储水量,m3/hm2;Pi—第i阶段的有效降雨量,m3/hm2;Ki、Si—第i阶段地下水补给量及深层渗漏量,m3/hm2,对于北方灌区的地下水位埋深较大,因此暂不考虑地下水的补给量,对于南方灌区的地下水补给量,则根据附近的地下水观测井确定;深层渗漏则根据土壤类型及相关仪器设备测定。
将上式进行移项处理,可得:
ETi=Wi-Wi+1+Pi+Ki+mi-Si=Di+Pi+Ki+mi-Si
上式中,Di为某一阶段的土壤可利用水量,采用下式计算。
(5)初始条件
考虑到土壤水分变化的连续性,假定前一阶段末的土壤含水状态与后一阶段初的土壤含水状态相同,且某一阶段的土壤可利用水量采用下式计算:
Di=100Hiγ(θi-θWP)
式中:Hi—为计划湿润层深度,m;γ—土壤干容重,g/cm3;
(二)第二层模型——灌溉水量在不同作物间的优化配置
在该阶段的优化问题中,对于农业活动的综合成本费用无法量化,因此采用灌区的毛效益最大为目标函数,从而建立以作物A、B、C……等的灌溉定额MA、MB、MC……为决策变量的规划模型。
(1)该模型的目标函数为:灌区的毛效益最大,即
式中:Z—灌区毛效益,元;F(Mk)—由一级模型返回的第k种作物在分配净灌水量Mk时的最大相对产量,由第一层模型反馈得到;Aj—第j种作物的种植面积,公顷;Cj—第j种作物的效益系数,即作物的单价,元/kg;YjM—第j种作物的单位面积产量,kg/hm2。
(2)变量说明
a.阶段变量:即将每种作物示为一个阶段,则阶段变量j=1,2,......m,m为灌区统计的作物种类数。
b.状态变量:每一阶段可用于分配的总水量(毛灌溉水量)。
c.决策变量:即分配给每种作物的净灌溉水量Mk。
(3)系统方程:即各作物之间的水量分配平衡方程。
Vk+1=Vk-Mk/η
式中:Vk+1、Vk—为可用于分配给第k种、第k+1种作物的总水量,m3;η—为灌区的灌溉水利用系数,由灌区提供。
(4)该模型的约束条件为有:
水量约束:即用于每种作物的毛灌溉水量及可用于分配给作物的总水量(状态变量)均小于灌区总的可供水量。
0≤Vk≤Vtotal
0≤∑Mk/η≤Vtotal
式中:Vtotal—为灌区总的可供水量,m3。
对于上述两阶段模型的求解,首先由第二层模型分配给第一层模型(每种作物)一定的灌溉水量,初始分配的灌溉水量参考具体灌区已有的灌溉制度确定。每个子系统在给定净灌溉水量Mk后,各自独立优化,得到各自的优化灌溉制度及最优效益F(Mk),并将最优效益反馈给第二层协调模型。第二层模型根据反馈的F(Mk),计算全系统最优效益,并通过优化技术确定最新一次分配给每种作物的灌水量Mk,同时将其返回第一层再优化,进而确定第二组新的优化效益F(Mk)及系统总效益Z。如此反复进行,直到满足一定的收敛条件时,停止优化,即可确定每种作物最优的分配水量及各作物的最优灌溉制度,具体的停止优化条件见下式。
当前后两次的优化结果无限接近时,即两次优化的相对差接近某一极小值时,停止优化,具体优化停止的条件如下式:
式中:l—为迭代次数;ε、δ—为控制精度的两无限小的数值;F(Mk)、Mk—的具体含义见上文。
模型的具体求解流程图见附图2所示。
由于第一层模型是具有两个目标函数的多目标优化配置模型,采用非支配排序遗传算法进行求解,该算法具体包含种群初始化、非支配排序、拥挤距离的计算、选择、交叉与变异、重组与选择等6个步骤。非支配排序遗传算法自从2002年被提出以来,被各个领域广泛使用,本次利用该算法求解第一层优化模型。该算法是在传统遗传算法的基础上引入了快速非支配排序算法、拥挤距离和精英选择策略。其中快速非支配排序算法根据种群中个体的支配和非支配关系,对所有个体进行分层排序,以实现在多目标下优选个体的目的。精英策略则指保留父代中的优良个体直接进入子代,防止种群在进化时将最优秀的个体更改,从而提升算法优化效率。与传统遗传算法相比,非支配排序遗传算法在初始种群生成与适应度函数之间引入非支配排序算法,即根据个体的非劣解水平对种群分层。此外,该算法在适应度函数构造和选择操作上也与遗传算法有所区别,该算法与传统遗传算法区别具体如下所述:
(1)该算法首次提出虚拟适应度的概念,在虚拟适应度值计算时,首先按多目标数学模型计算每个个体相应的目标函数值,再根据目标函数值进行非劣分层,计算每层个体的虚拟适应度值,并在不同目标之间重复上述步骤。
(2)在选择操作时,通过比较每个个体i的两个属性—非支配序和拥挤距离,通过轮赛制进行选择操作,基本规则为:如果两个个体的非支配排序不同,取序号低的个体(分级排序时,先被分离出来的个体);如果两个个体在同一级,取周围较不拥挤的个体。这一操作过程可使优化朝Pareto最优解的方向进行并使解均匀散布,从而提高算法的全局收敛性和计算效率。
具体的计算流程图见图3所示:
(1)基于模型的决策变量对个体进行实数编码,初始化一个父代种群P;
(2)将所有个体按非支配关系排序且确定各个个体的适应度值,同时生成非支配解集和支配解集;
(3)使用轮盘赌方法从父代种群中选择个体,进行交叉、变异操作,产生子代种群Q,新产生的个体如果是非支配解,将其加入非支配解集;
(4)合并父代种群P和子代种群Q,构成重组种群R;
(5)对重组种群R进行适应度计算,并通过非支配排序获得非支配集合和合并种群中各个种群拥挤度距离;
(6)根据非支配排序结果和各个种群拥挤度距离剔除重组种群中局部密集个体获得处理后的合并种群,并基于拥挤度排序获得合并种群中非劣个体,从而实现种群的更新;
(7)转至上述步骤(2),直到满足算法停止迭代的条件。
对于第二层优化模型,则采用一般的遗传算法就可进行求解,包括待解决问题参数的编码、初始群体设定、适应度函数的设计、基因组成染色体的遗传操作,即通过自然选择、配对交换和变异的计算,经过多次迭代后得到最优结果。具体的计算流程图见图4所示:
(1)编码
所谓的编码就是将一个问题的可行解从其解空间转换到算法所能处理的搜索空间。常用的编码方法有二进制编码、格雷码编码以及实数编码,在水资源优化配置中,通常使用实数编码。
(2)初始种群的生成
初始种群的产生采用随机方法,即随机产生具有一定规模的初始种群,对于初始种群规模需要预先设定,一般取为20~100,此外,种群规模在计算过程中可以不同于初始种群规模。
(3)个体适应度评价
适应度函数是判断群体中个体好坏的标准,是进行自然选择的依据,即个体适应度值大的个体遗传到下一代的概率较大,而个体适应度值较小的个体遗传到下一代的概率相对较小。适应度函数的构造方法有直接以待解的目标函数转化、界限构造法两种方法。由于直接选取目标函数作为适应度函数简单直观,对于一般的函数优化已经可以满足要求,因此采用该方法构造适应度函数。
(4)选择
选择即将群体中的个体进行筛选,将生命力较强的个体留下产生新的群体,它是建立在适应度评价基础之上的。常用的选择方法有轮盘赌、随机竞争、最佳保留等,考虑到轮盘赌法适用性较强,拟采用轮盘赌法。
(5)交叉
交叉是以较大的概率从群体中选择两个个体,交换两个个体的某个或某些位置的基因,交叉运算是遗传算法中产生新个体的主要方法,它决定着遗传算法的全局搜索能力。在交叉运算之前还应对群体中的个体进行配对,采取随机策略,即将群体中M个个体以随机的方式组成[M/2]的配对个体组,交叉操作就在这些配对个体组的两个个体之间进行。在交叉操作中,对于参数交叉概率的确定至关重要,选择太大或太小都不利于算法的优化,交叉概率的取值范围为0.4~0.99。
(6)变异
变异即对个体编码中的某些位值进行改变从而形成新个体,变异运算是产生新个体的辅助方法,它决定了遗传算法的局部搜索能力。在变异运算中,需要确定参数变异概率,该参数的取值范围为0.0001~0.1。
上述交叉和变异的方式有多种,在实际运行时,通过比较各种方法的运行效果,选择合适的交叉、变异操作方式。
(7)运行参数之终止进化代数
遗传算法的终止进化代数一般为100~500,本次判断迭代停止的方法为前后两次的运行结果非常接近,具体表达见前文的迭代终止条件。
Claims (6)
1.一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,包括以下步骤:
步骤1、以各个作物的相对产量最大和总灌水量最小为目标函数,建立灌溉水量在不同作物各个生育期内灌水量最优分配的第一层模型;
步骤2、以灌区总收益最大为目标函数,以灌区可用灌溉水总量为约束条件,建立灌溉水资源在不同作物之间合理分配的第二层模型;
步骤3、通过遗传算法求解步骤1中得到的第一层模型和步骤2中得到的第二层模型得到灌区的最大总收益及相应的各作物灌水量。
2.如权利要求1所述的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,所述步骤1中建立的第一层模型目标函数为:
式中:F1—作物的相对产量,%;F2—作物全生育期单位面积的灌水总量,m3/hm2;Y—作物的实际产量,kg/hm2;Ym—作物的丰产产量,kg/hm2;ETi—作物各个生育期的实际腾发量,m3/hm2;ETmi—作物丰产时对应的潜在腾发量,m3/hm2;mi—某一作物历次的灌水定额,m3/hm2;λi—作物各个阶段的水分敏感因子;
第一层模型的约束条件
a.土壤含水量约束:
θwp≤θi≤θf
式中:θi—i阶段的含水率;θwp、θf—凋萎系数及田间持水率,以百分数计;
b.决策约束:
ETmin,i≤ETi≤ETmax,i
式中:mi—某一作物历次的灌水定额,m3/hm2;M—某一作物全生育期单位面积总可供水量,m3/hm2;ETmin,i、ETmax,i—各生育阶段最大、最小腾发量,m3/hm2;
基于水量平衡原理的状态转移方程
Wi+1=Wi+Pi+Ki+mi-ETi-Si
式中:Wi、Wi+1—第i阶段始末土壤水分调节层储水量,m3/hm2;Pi—第i阶段的有效降雨量,m3/hm2;Ki、Si—第i阶段地下水补给量及深层渗漏量,m3/hm2;
将上式进行移项处理得:
ETi=Wi-Wi+1+Pi+Ki+mi-Si=Di+Pi+Ki+mi-Si
上式中,Di为某一阶段的土壤可利用水量,采用下式计算;
初始条件
考虑到土壤水分变化的连续性,假定前一阶段末的土壤含水状态与后一阶段初的土壤含水状态相同,且某一阶段的土壤可利用水量采用下式计算:
Di=100Hiγ(θi-θWP)
式中:Hi—计划湿润层深度,m;γ—土壤干容重,g/cm3。
3.如权利要求1所述的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,所述步骤2中建立的第二层模型目标函数为:
式中:Z—灌区总效益,元;F(Mk)—由第一层模型返回的第k种作物在分配净灌水量Mk时的最大相对产量,由第一层模型反馈得到;Aj—第j种作物的种植面积,公顷;Cj—第j种作物的效益系数,即作物的单价,元/kg;YjM—第j种作物的单位面积产量,kg/hm2;
第二层模型的变量说明:
a.阶段变量:即将每种作物示为一个阶段,则阶段变量j=1,2,......m,m为灌区统计的作物种类数;
b.状态变量:每一阶段可用于分配的总水量;
c.决策变量:即分配给每种作物的净灌溉水量Mk;
系统方程:即各作物之间的水量分配平衡方程:
Vk+1=Vk-Mk/η
式中:Vk+1、Vk—为可用于分配给第k种、第k+1种作物的总水量,m3;η—为灌区的灌溉水利用系数,由灌区提供;
该模型的约束条件为:
水量约束:即用于每种作物的总灌溉水量及可用于分配给作物的总水量均小于灌区总的可供水量;
0≤Vk≤Vtotal
0≤∑Mk/η≤Vtotal
式中:Vtotal—为灌区总的可供水量,m3。
4.如权利要求1所述的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,所述步骤3具体为:首先由第二层模型分配给第一层模型一定的灌溉水量,每个子系统在给定净灌溉水量Mk后,各自独立优化,得到各自的最优效益F(Mk),并将最优效益反馈给第二层模型;第二层模型根据反馈的F(Mk),计算灌区最优效益,并通过优化确定最新一次分配给每种作物的灌水量Mk,同时将其返回第一层模型再优化,进而确定第二组新的优化效益F(Mk)及灌区总效益Z,如此反复进行,直到满足收敛条件时,停止优化。
5.如权利要求4所述的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,所述步骤3中第一层模型的求解过程具体为:
步骤3.1.1、基于模型的决策变量对个体进行实数编码,初始化一个父代种群P;
步骤3.1.2、将所有个体按非支配关系排序且确定各个个体的适应度值,同时生成非支配解集和支配解集;
步骤3.1.3、使用轮盘赌方法从父代种群中选择个体,进行交叉、变异操作,产生子代种群Q,新产生的个体如果是非支配解,将其加入非支配解集;
步骤3.1.4、合并父代种群P和子代种群Q,构成重组种群R;
步骤3.1.5、对重组种群R进行适应度计算,并通过非支配排序获得非支配集合和合并种群中各个种群拥挤度距离;
步骤3.1.6、根据非支配排序结果和各个种群拥挤度距离剔除重组种群中局部密集个体获得处理后的合并种群,并基于拥挤度排序获得合并种群中非劣个体,从而实现种群的更新;
步骤3.1.7、转至上述步骤3.1.2,直到满足算法停止迭代的条件。
6.如权利要求4所述的一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法,其特征在于,所述步骤3中第二层模型的求解过程具体为:
步骤3.2.1、基于模型的决策变量进行编码,实现从表现型到基因型的映射,当采用实数编码时,没有对应的解码操作;
步骤3.2.2、初始种群的生成;
步骤3.2.3、计算种群内个体适应度值,并基于适应度大小进行排序;
步骤3.2.4、对种群内的个体进行基于适应度值的选择、交叉以及变异操作;
步骤3.2.5、经过上述操作,种群进化得到下一代群体;
步骤3.2.6、对新的子代群体重复执行步骤3.2.3、步骤3.2.4的操作,直到满足迭代停止条件为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040249.7A CN112214885B (zh) | 2020-09-28 | 2020-09-28 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040249.7A CN112214885B (zh) | 2020-09-28 | 2020-09-28 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214885A true CN112214885A (zh) | 2021-01-12 |
CN112214885B CN112214885B (zh) | 2024-04-26 |
Family
ID=74050828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011040249.7A Active CN112214885B (zh) | 2020-09-28 | 2020-09-28 | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214885B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112931166A (zh) * | 2021-03-05 | 2021-06-11 | 中国水利水电科学研究院 | 一种变量灌溉管理决策方法 |
CN114375665A (zh) * | 2022-01-17 | 2022-04-22 | 中国农业科学院农业资源与农业区划研究所 | 一种确定区域最优有机肥替代化肥比例及种养结合方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246102A1 (en) * | 2004-04-30 | 2005-11-03 | Ch2M Hill, Inc. | Method and system for evaluating water usage |
CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
CN104770275A (zh) * | 2015-04-14 | 2015-07-15 | 天津大学 | 基于种植结构调整的农业灌溉用水优化配置方法 |
CN106228276A (zh) * | 2016-08-12 | 2016-12-14 | 扬州大学 | 非充分灌溉条件下直接补渠的单泵站‑单水库系统水资源优化配置方法 |
CN106295893A (zh) * | 2016-08-12 | 2017-01-04 | 扬州大学 | 充分灌溉条件下直接补库的单泵站‑单水库系统水资源优化配置方法 |
CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
CN107742166A (zh) * | 2017-10-19 | 2018-02-27 | 扬州大学 | 一种充分灌溉条件下直接补库的多库‑多站系统水资源优化配置方法 |
CN107748930A (zh) * | 2017-10-19 | 2018-03-02 | 扬州大学 | 一种充分灌溉条件下直接补渠的单库‑多站系统水资源优化配置方法 |
CN107944603A (zh) * | 2017-11-09 | 2018-04-20 | 中山大学 | 基于用水总量控制的水资源优化配置报童方法 |
CN109377014A (zh) * | 2018-09-26 | 2019-02-22 | 四川大学 | 流域水资源优化配置方法 |
CN109829580A (zh) * | 2019-01-23 | 2019-05-31 | 扬州大学 | 充分灌溉条件下水库-补库泵站-补渠泵站系统水资源优化配置方法 |
CN110992201A (zh) * | 2019-12-17 | 2020-04-10 | 黄河勘测规划设计研究院有限公司 | 生态灌区实现节水挖潜的综合措施配置方法 |
-
2020
- 2020-09-28 CN CN202011040249.7A patent/CN112214885B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246102A1 (en) * | 2004-04-30 | 2005-11-03 | Ch2M Hill, Inc. | Method and system for evaluating water usage |
CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
CN104770275A (zh) * | 2015-04-14 | 2015-07-15 | 天津大学 | 基于种植结构调整的农业灌溉用水优化配置方法 |
CN106228276A (zh) * | 2016-08-12 | 2016-12-14 | 扬州大学 | 非充分灌溉条件下直接补渠的单泵站‑单水库系统水资源优化配置方法 |
CN106295893A (zh) * | 2016-08-12 | 2017-01-04 | 扬州大学 | 充分灌溉条件下直接补库的单泵站‑单水库系统水资源优化配置方法 |
CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
CN107742166A (zh) * | 2017-10-19 | 2018-02-27 | 扬州大学 | 一种充分灌溉条件下直接补库的多库‑多站系统水资源优化配置方法 |
CN107748930A (zh) * | 2017-10-19 | 2018-03-02 | 扬州大学 | 一种充分灌溉条件下直接补渠的单库‑多站系统水资源优化配置方法 |
CN107944603A (zh) * | 2017-11-09 | 2018-04-20 | 中山大学 | 基于用水总量控制的水资源优化配置报童方法 |
CN109377014A (zh) * | 2018-09-26 | 2019-02-22 | 四川大学 | 流域水资源优化配置方法 |
CN109829580A (zh) * | 2019-01-23 | 2019-05-31 | 扬州大学 | 充分灌溉条件下水库-补库泵站-补渠泵站系统水资源优化配置方法 |
CN110992201A (zh) * | 2019-12-17 | 2020-04-10 | 黄河勘测规划设计研究院有限公司 | 生态灌区实现节水挖潜的综合措施配置方法 |
Non-Patent Citations (4)
Title |
---|
李刚军: "宁夏水资源高效利用及水权分配研究", 《中国优秀博士学位全文数据库》, 15 January 2024 (2024-01-15) * |
李浩鑫: "基于水势调控的复杂灌減系统水量分配理论与方法研", 《中国优秀硕士学位论文全文数据库》, 15 June 2018 (2018-06-15) * |
王 慧,高泽海,孙 超,张建丰,李 涛: "基于NSGA-Ⅱ的灌区水资源优化配置模型及应用", 《灌溉排水学报》, 30 September 2021 (2021-09-30) * |
王慧: "缓蓄快放系统水质水动力过程数值模拟研究", 《中国优秀硕士论文全文数据库》, 15 January 2023 (2023-01-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112931166A (zh) * | 2021-03-05 | 2021-06-11 | 中国水利水电科学研究院 | 一种变量灌溉管理决策方法 |
CN114375665A (zh) * | 2022-01-17 | 2022-04-22 | 中国农业科学院农业资源与农业区划研究所 | 一种确定区域最优有机肥替代化肥比例及种养结合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112214885B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Srinivasa Raju et al. | Irrigation planning using genetic algorithms | |
Suiadee et al. | A combined simulation–genetic algorithm optimization model for optimal rule curves of a reservoir: a case study of the Nam Oon Irrigation Project, Thailand | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN112214885A (zh) | 一种非充分灌溉条件下的灌区作物灌溉水量优化分配方法 | |
Yousefi et al. | Multi-objective particle swarm optimization model for conjunctive use of treated wastewater and groundwater | |
CN110569958B (zh) | 一种基于混合人工蜂群算法的高维复杂水量分配模型求解方法 | |
CN110889553B (zh) | 基于优化策略的实时配水方法 | |
CN106373022A (zh) | 基于bp‑ga的温室农作物种植效率条件优化方法及系统 | |
CN103353913B (zh) | 一种基于粒子群算法的林分空间结构优化模型建立方法 | |
CN112700035B (zh) | 一种区域尺度农作物分区水肥管理模式的优化方法 | |
CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
Kuo et al. | Simulation and optimization model for irrigation planning and management | |
Lin et al. | A dynamical simplified swarm optimization algorithm for the multiobjective annual crop planning problem conserving groundwater for sustainability | |
CN112005679B (zh) | 一种精准农业的水肥一体化分配方法 | |
CN114282702A (zh) | 基于iga-bp神经网络的土壤调理时间序列预测方法和系统 | |
Karnatapu et al. | Multi-objective reservoir operating strategies by genetic algorithm and nonlinear programming (GA–NLP) hybrid approach | |
CN106651017A (zh) | 一种基于蚁群算法的土地整理项目选址方法 | |
CN107992965A (zh) | 基于粒子群算法的小流域水土资源协调优化方法 | |
CN108122137A (zh) | 一种智能均衡农产品供需的方法及系统 | |
CN116796790A (zh) | 基于作物水分亏缺程度的产量预测和灌溉制度优化方法 | |
CN116796997A (zh) | 基于第三代非支配排序遗传算法的三级渠系配水优化方法 | |
CN113207653B (zh) | 一种基于轮灌组的自动化滴灌精准施水方法和系统 | |
Cheng et al. | Integer Encoding Genetic Algorithm for Optimizing Redundancy Allocation of Series-parallel Systems. | |
Cobbenhagen et al. | Optimal Irrigation Allocation for Large-Scale Arable Farming | |
CN113887882A (zh) | 基于改进鲸鱼优化算法的考虑虚拟水的水库优化调度方法 |
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 |