CN112464560B - 基于粒子群算法的循环农业多目标种养规模分配优化方法 - Google Patents

基于粒子群算法的循环农业多目标种养规模分配优化方法 Download PDF

Info

Publication number
CN112464560B
CN112464560B CN202011340579.8A CN202011340579A CN112464560B CN 112464560 B CN112464560 B CN 112464560B CN 202011340579 A CN202011340579 A CN 202011340579A CN 112464560 B CN112464560 B CN 112464560B
Authority
CN
China
Prior art keywords
scale
planting
nitrogen
corn
feed
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.)
Active
Application number
CN202011340579.8A
Other languages
English (en)
Other versions
CN112464560A (zh
Inventor
郭宏亮
韩思宇
陈霄
于合龙
姜海龙
车东升
孔邵颖
李慕霜
郑方林
李清欣
张天龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Agricultural University
Original Assignee
Jilin Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN202011340579.8A priority Critical patent/CN112464560B/zh
Publication of CN112464560A publication Critical patent/CN112464560A/zh
Application granted granted Critical
Publication of CN112464560B publication Critical patent/CN112464560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/04Constraint-based CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/06Multi-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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (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)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于粒子群算法的循环农业多目标种养规模分配优化方法,涉及生态循环农业生产中多目标优化的资源配置技术领域,解决现有技术缺乏对循环农业生产耦合性问题的分析,导致耦合性差,以及常规粒子群算法容易陷入局部最优问题。根据现有农业资源条件构建循环农业生产理想模型;选取循环农业生产耦合度评价参数,包括经济效益和氮平衡数据;分别建立农业生产资料与经济效益关联,农业生产资料与氮平衡数据关联;收集循环农业生产相关的氮元素数据与经济效益数据;构建经济效益目标函数和氮平衡约束条件,构建适应度函数,利用粒子群算法,求解猪生产规模与玉米种植规模的优化策略。本发明同时有效地解决了常规粒子群算法容易陷入局部最优的情况。

Description

基于粒子群算法的循环农业多目标种养规模分配优化方法
技术领域
本发明涉及生态循环农业生产中多目标优化的资源配置技术领域,具体涉及一种基于粒子群算法的循环农业多目标种养规模分配优化方法。本发明基于粒子群优化算法求解在经济效益与氮循环效率最优的情况下“猪-玉米”循环农业生产规模分配优化方法,适用于指导循环农业生产的资源分配,提高种养结合耦合度。
背景技术
保护利用黑土地问题具有重要意义,“种-养”循环农业可以有效减少耕地污染,同时提高农田土地资源利用率。目前循环农业生产已经推广应用,但是还存在种养耦合度不高的问题。农业生产注重经济效益,更要兼顾生态效益,在现有农业资源条件下,开展高效的循环农业,是保护利用黑土地的有效方法。
猪肉和玉米是我国消费比重最高的两类农业产品,并且消费需求还在逐年提高,粪尿随意排放和氮肥施用过度也是破坏农田生态的主要因素,构建高耦合度的“猪-玉米”循环农业生产模型,具有代表性意义,为循环农业生产提供理论参考。现有“猪-玉米”循环农业生产存在不足:
1.只注重经济效益、忽视生态效益。
2.“养多少猪,种多少玉米”可以让生猪养殖系统中的粪尿,以及玉米种植系统产出的谷粒和秸秆被充分循环利用。
综上,目前循环农业生产缺乏针对耦合性问题的分析,同时循环农业生产资源配置也缺乏数据分析与理论指导。
发明内容
本发明为解决现有技术缺乏对循环农业生产耦合性问题的分析,导致耦合性差,以及常规粒子群算法容易陷入局部最优问题。提供一种基于粒子群算法的循环农业多目标种养规模分配优化方法,粒子群算法可以有效解决多目标优化问题。以经济效益为目标函数,利用粒子群算法优化分配种植与养殖规模,同时兼顾生态效益,利用循环农业氮平衡作为约束条件,从而解决循环农业生产中耦合性不强问题。
基于粒子群算法的循环农业多目标种养规模分配优化方法,该方法由以下步骤实现:
步骤一、根据农业资源与农田环境构建循环农业生产理想模型,并定义所述理想模型的边界;所述理想模型包括生猪养殖系统、玉米种植系统、堆肥系统和农田土壤系统;
步骤二、选取循环农业生产理想模型的耦合度评价参数,所述评价参数包括经济效益数据和氮平衡数据;
步骤三、根据步骤一构建的循环农业生产理想模型和步骤二选取的评价参数,建立农业生产资料与经济效益数据的关联;
所述生猪养殖系统关联经济效益数据包括生猪支出f(X养殖规模)和生猪收益g(X养殖规模);
生猪支出f(X养殖规模)用下式表示为:
f(X养殖规模)==(a猪仔+a物资+a人工成本+a谷粒饲料)·X养殖规模+f(X外购饲料)
式中,a猪仔、a物资、a人工成本、a谷粒饲料分别为每头猪投入的猪仔、消耗物资、人工成本以及玉米加工饲料,f(X外购饲料)为生猪外购饲料支出,X养殖规模为生猪养殖系统的规模;
生猪收入为g(X养殖规模)源自商品猪出售获得商品猪总收益A收益,采用下式表示为:
g(X养殖规模)=A收益=a收益·X养殖规模
式中,a收益为平均每头商品猪的收益;
所述玉米种植系统关联经济效益数据包括玉米支出f(X种植规模)和玉米收益g(X种植规模);玉米支出f(X种植规模)用下式表示为:
f(X种植规模)=(b种子+b农药+b其他费用+b人工)·X种植规模
式中,b种子、b农药、b其他费用、b人工分别为单位面积种植玉米的种子、农药、玉米种植生产的开销以及人工,X种植规模为玉米种植系统的规模;
玉米收入g(X种植规模)为产出的谷粒秸秆和根系完全投入循环,无直接经济收入,即g(X种植规模)=0;
步骤四、根据步骤一构建的理想模型和步骤二选取的评价参数,建立农业生产资料与氮平衡数据的关联;
设定堆肥系统中氮肥完全供给玉米种植系统氮肥的平衡,即:
[(n+n尿)·X养殖规模+n秸秆X种植规模]~(n谷粒+n秸秆)·X种植规模
式中,n、n尿为每头猪生命周期内产出粪尿中含氮量;n谷粒、n秸秆为单位面积谷粒和秸秆内含氮量;
生猪养殖系统的氮平衡:
(n商品猪+n+n尿)·X养殖规模~(n谷粒饲料·X种植规模+n饲料·X外购饲料)
+n猪仔·X养殖规模
其中,n商品猪每头商品猪体内所含氮量,n谷粒饲料为由玉米谷粒转化的谷粒饲料中氮的单位含量、n饲料单位质量商用饲料所含氮量,n猪仔每头猪仔体内所含氮量,玉米转化为玉米饲料氮养分无损失,则n谷粒=n谷粒饲料;X外购饲料为外购商用饲料规模;
步骤五、收集与所述循环农业生产理想模型相关的氮平衡数据与经济效益数据;
步骤六、根据步骤三建立的农业生产资料与经济效益数据的关联以及步骤五收集的经济效益数据,构建经济效益目标函数;
步骤七、根据步骤四建立的农业生产资料与氮平衡数据的关联和步骤五收集的氮平衡数据,构建氮平衡约束条件;
所述玉米种植系统平衡公式为:
{[(n+n尿)·X养植规模·L堆肥损失]+n秸秆X种植规模}·L水土流失氮·S玉米氮吸收率=(n谷粒+n秸秆)·X养殖规模L堆肥损失为堆肥损失氮,L水土流失氮为水土流失氮损失,S玉米氮吸收率为玉米吸收氮效率,
生猪养殖系统平衡公式为:
(n商品猪+n+n尿-n猪仔)·X养殖规模
(n谷粒饲料·X种植规模+n饲料·X外购饲料)S生猪养殖氮式中,S生猪养殖氮为生猪氮有效吸收量;
步骤八、根据步骤六构建经济效益目标函数和步骤七构建氮平衡约束条件,利用粒子群优化算法,计算每个粒子的适应度值,更新每个粒子的个体最优位置和全局最优位置,以及更新粒子速度和位置,判断是否达到最优条件,实现猪生产规模与玉米种植规模的分配优化。
本发明的有益效果:
1.本发明提出以经济效益作为目标,以氮平衡作为约束条件,构建适应度函数,使求解的种植规模和养殖规模实现有效耦合,为循环农业生产资源分配提供理论依据。
2.本发明提出的氮平衡约束条件作为生态效益,同时有效地解决了常规粒子群算法容易陷入局部最优的情况。
附图说明
图1为本发明所述的基于粒子群算法的“猪-玉米”循环农业多目标种养规模分配优化方法的流程图;
图2为理想循环农业模型的原理图;
图3为理想循环农业模型中氮元素循环示意图;
图4为采用粒子群算法进行优化的流程图。
具体实施方式
具体实施方式一、结合图1至图4说明本实施方式,基于粒子群算法的循环农业多目标种养规模分配优化方法,利用粒子群算法,以经济效益为目标,以氮平衡为约束,构建生态和经济效益兼顾的适应度函数,计算猪养殖规模和玉米种植规模的分配,实现“养-种”循环农业生产的有效耦合。
本实施方式的具体实现步骤为:
步骤1:根据现有农业资源条件构建“猪-玉米”循环农业生产理想模型,界定模型系统边界;
“猪-玉米”循环农业生产理想模型系统中,主要包括四个系统:生猪养殖系统、玉米种植系统、堆肥系统和农田土壤系统,如图2所示。生猪养殖系统产出商品猪、粪尿;生猪养殖系统需要玉米作为饲料和外购商用饲料。玉米养殖系统主要产出的是玉米谷粒、秸秆和根系,秸秆用于堆肥,根系直接还田于农田土壤中,玉米生长从土壤中摄取养分。堆肥系统输入为猪的粪尿与秸秆,堆肥后还田于农田;农田土壤系统供给玉米种植的养分。
在理想模型系统中,生猪养殖系统的规模为X养殖规模,玉米种植系统的规模为X种植规模、生猪养殖系统中的外购商用饲料规模为X外购饲料,为了充分利用有机氮肥资源,生猪产生的粪尿与秸秆堆肥可以完全供给玉米的氮肥,无需外购无机氮肥;玉米谷粒完全作为饲料供给生猪养殖所需氮养分,同时还需外购氮饲料补充。
理想模型中包含一部分氮元素的损失,其中包括:(1)生猪养殖系统氮损失;(2)堆肥氮损失;(3)农田水土流失氮损;(4)玉米对养分吸收效率。如图3所示。
步骤2:选取“猪-玉米”循环农业生产耦合度评价参数:(1)经济效益,(2)氮循环效率;
依据评价循环农业生产方法,选取经济效益和生态效益作为生产目标。经济效益由循环系统中投入的生产成本,以及销售收益构成;生态效益由循环系统的氮元素效率表示。
步骤3:根据步骤1建立“农业生产资料与经济效益”关联;生猪养殖系统关联经济数据包括生猪支出f(X养殖规模)和生猪收益g(X养殖规模);
(1)生猪支出f(X养殖规模)包括生猪外购饲料A外购饲料,循环系统内玉米谷粒加工的饲料A谷粒饲料,猪仔费用A猪仔,养猪相关物资费用A物资,如疫苗、税费、电费等,还包括人工成本A人工成本。则
f(X养殖规模)=A猪仔+A物资+A人工成本+A谷粒饲料+A外购饲料
=(a猪仔+a物资+a人工成本+a谷粒饲料)·X养殖规模+f(X外购饲料) (1)
其中,a猪仔、a物资、a人工成本、a谷粒饲料分别表示每头猪投入的猪仔、消耗物资、人工费用以及玉米加工饲料,f(X外购饲料)生猪外购饲料支出。
(2)生猪收入g(X养殖规模):主要源自商品猪总收益A收益
g(X养殖规模)=A收益=a收益·X养殖规模 (2)
其中a收益表示平均每头商品猪的收益。
玉米种植系统关联经济数据包括玉米支出f(X种植规模)和玉米收益g(X种植规模);玉米支出f(X种植规模);
(1)玉米支出f(X种植规模)包括种子费B种子、农药费B农药、收割机械使用的燃料费B其他费用,还包括人工成本B人工。则
f(X种植规模)=B种子+B农药+B其他费用+B人工=(b种子+b农药+b其他费用+b人工)·X种植规模 (3)
其中b种子、b农药、b人工、b其他费用分别表示单位面积种植玉米的种子、农药、人工以及玉米种植生产的相关开销。
(2)玉米收入g(X种植规模):产出的谷粒秸秆和根系完全投入循环,无直接经济收入,即g(X种植规模)=0。
步骤4:根据步骤1建立农业生产资料与氮平衡数据关联;
根据步骤1的理模型,所述堆肥系统中氮肥完全供给玉米种植系统氮肥,无剩余有机肥料,生猪养殖系统产生粪尿的氮NN尿、玉米秸秆产生的氮N秸秆与玉米生长所需氮数量N玉米生长达到平衡;
N+N尿+N秸秆~N玉米生长即为:
[(n+n尿)·X养殖规模+n秸秆·X种植规模]~(n谷粒+n秸秆)·X种植规模 (4)
式中,n、n尿为每头猪生命周期内产出粪尿中含氮量;n谷粒、n秸秆为单位面积谷粒和秸秆内含氮量;
商品猪含氮N商品猪,生猪产生粪尿的氮NN尿与外购商品饲料的氮N饲料,玉米谷粒饲料氮N谷粒饲料平衡。
N商品猪+N+N尿~N谷粒饲料+N饲料+N猪仔即为:(n商品猪+n+n尿)·X养殖规模
(n谷粒饲料·X种植规模+n饲料·X外购饲料)+n猪仔·X养殖规模 (5)
其中,n商品猪每头商品猪体内所含氮量,n谷粒饲料为由玉米谷粒转化的谷粒饲料中氮的单位含量、n饲料单位质量商用饲料所含氮量,n猪仔每头猪仔体内所含氮量,玉米转化为玉米饲料氮养分无损失,则n谷粒=n谷粒饲料
步骤5:收集并提炼“猪-玉米”循环农业生产相关的氮元素数据与经济效益数据;所述经济效益数据参照《全国农产品成本收益资料汇编2019》。氮平衡数据由查阅文献获得。
步骤6:根据步骤3与步骤5构建经济效益目标函数;
所述经济效益数据s由生猪养殖系统中的生猪收益g(X养殖规模)与玉米种植系统中玉米收益g(X种植规模)构成;
s=F(X养殖规模,X种植规模,X外购饲料)
=[g(X养殖规模)-f(X养殖规模)]+[g(X种植规模)-f(X种植规模)]-f(X外购饲料) (6)
其中g(X种植规模)为玉米收入,因为玉米产品全部投入循环,作为循环中间产物,则g(X种植规模)=0,所以经济效益目标函数为:
所述经济效益目标函数为:S=max F(X养殖规模,X种植规模,X外购饲料) (7)
步骤7:根据步骤4与步骤5构建氮平衡约束条件;
根据步骤4中公式(4),堆肥系统中氮肥完全供给玉米种植系统氮肥,无剩余有机肥料,则玉米种植系统平衡公式为:
{[(n+n尿)·X养植规模·L堆肥损失]+n秸秆X种植规模}·L水土流失氮·S玉米氮吸收率=(n谷粒+n秸秆)·X养殖规模(8)
式中,L堆肥损失为堆肥损失氮,L水土流失氮为水土流失氮损失,S玉米氮吸收率为玉米吸收氮效率;
根据步骤4中公式(5),商品猪含氮N商品猪,生猪产生粪尿的氮N、N尿与外购商品饲料的氮N饲料,玉米谷粒饲料氮N谷粒饲料平衡。
生猪养殖系统平衡公式为:
(n商品猪+n+n尿-n猪仔)·X养殖规模
(n谷粒饲料·X种植规模+n饲料·X外购饲料)S生猪养殖氮 (9)
式中,S生猪养殖氮为生猪氮有效吸收量;
步骤8:根据步骤6与步骤7构建适应度函数,利用粒子群算法求解猪生产规模与玉米种植规模的优化策略,如图4所示。
初始化种群
位置初始化:P=Initialize(XDi) (10)
速度初始化:V=Initialize(V1,V2,V3) (11)
其中,D=3,所述生猪养殖系统的规模为X养殖规模=X1i,玉米种植系统的规模为X种植规模=X2i、外购商用饲料为X外购饲料=X3i。V1,V2,V3,分别对应粒子速度X1i,X2i,X3i,的初始速度。
将目标函数与约束条件转化为适应度函数,适应度函数由经济效益函数,以及氮平衡约束构成。
Figure BDA0002798460360000081
根据收集数据,初始化粒子位置:(X养殖规模,X种植规模,X外购饲料)=(X1i,X2i,X3i)=(697,15,13),其中X1i∈(23,12000),X2i∈(0,200),X3i∈(0,30000);初始化粒子速度V1i∈(23,57),V2i=1,V3i∈(10,32)。设置粒子群规模为20,计算粒子的适应度值,根据适应度函数确定种群内每个粒子的自适应度值,更新个体极值pbesti、全局极值gbest,并记录粒子i的个体极值位置Pbesti=(pi1,pi2,…piD),种群的全局极值位置Gbest=(g1,g2,…gD);
迭代循环,设置最大迭代次数2000,惯性权重ω和加速常数c1、c2,0<X养殖规模<100000,0<X种植规模<50000,通过下式更新粒子速度与位置速度变换公式:
Figure BDA0002798460360000082
位置变换公式:
xiD(t+1)=xiD(t)+viD(t) (12)
其中,vi表示第i个粒子在t+1次迭代中第D维上的速度,rand是在0到1的随机数;
迭代结束获得最优的结果为,种群的全局极值P_best和全局极值位置G_best最优,其中,P_best表示种植养殖规模,G_best经济效益最优。

Claims (4)

1.基于粒子群算法的循环农业多目标种养规模分配优化方法,其特征是:该方法由以下步骤实现:
步骤一、根据农业资源与农田环境构建循环农业生产理想模型,所述理想模型包括生猪养殖系统、玉米种植系统、堆肥系统和农田土壤系统;
步骤二、选取循环农业生产理想模型的耦合度评价参数,所述评价参数包括经济效益数据和氮平衡数据;
步骤三、根据步骤一构建的循环农业生产理想模型和步骤二选取的评价参数,建立农业生产资料与经济效益数据的关联;
所述生猪养殖系统关联经济效益数据包括生猪支出f(X养殖规模)和生猪收益g(X养殖规模);
生猪支出f(X养殖规模)用下式表示为:
f(X养殖规模)==(a猪仔+a物资+a人工成本+a谷粒饲料)·X养殖规模+f(X外购饲料)
式中,a猪仔、a物资、a人工成本、a谷粒饲料分别为每头猪投入的猪仔、消耗物资、人工成本以及玉米加工饲料,f(X外购饲料)为生猪外购饲料支出,X养殖规模为生猪养殖系统的规模;
生猪收入为g(X养殖规模)源自商品猪出售获得商品猪总收益A收益,采用下式表示为:
g(X养殖规模)=A收益=a收益·X养殖规模
式中,a收益为平均每头商品猪的收益;
所述玉米种植系统关联经济效益数据包括玉米支出f(X种植规模)和玉米收益g(X种植规模);玉米支出f(X种植规模)用下式表示为:
f(X种植规模)=(b种子+b农药+b其他费用+b人工)·X种植规模
式中,b种子、b农药、b其他费用、b人工分别为单位面积种植玉米的种子、农药、玉米种植生产的开销以及人工,X种植规模为玉米种植系统的规模;
玉米收入g(X种植规模)为产出的谷粒秸秆和根系完全投入循环,无直接经济收入,即g(X种植规模)=0;
步骤四、根据步骤一构建的理想模型和步骤二选取的评价参数,建立农业生产资料与氮平衡数据的关联;
设定堆肥系统中氮肥完全供给玉米种植系统氮肥的平衡,即:
[(n+n尿)·X养殖规模+n秸秆X种植规模]~(n谷粒+n秸秆)·X种植规模
式中,n、n尿为每头猪生命周期内产出粪尿中含氮量;n谷粒、n秸秆为单位面积谷粒和秸秆内含氮量;
生猪养殖系统的氮平衡:
(n商品猪+n+n尿)·X养殖规模~(n谷粒饲料·X种植规模+n饲料·X外购饲料)+n猪仔·X养殖规模
其中,n商品猪每头商品猪体内所含氮量,n谷粒饲料为由玉米谷粒转化的谷粒饲料中氮的单位含量、n饲料单位质量商用饲料所含氮量,n猪仔每头猪仔体内所含氮量,玉米转化为玉米饲料氮养分无损失,则n谷粒=n谷粒饲料;X外购饲料为外购商用饲料规模;
步骤五、收集与所述循环农业生产理想模型相关的氮平衡数据与经济效益数据;
步骤六、根据步骤三建立的农业生产资料与经济效益数据的关联以及步骤五收集的经济效益数据,构建经济效益目标函数;
步骤七、根据步骤四建立的农业生产资料与氮平衡数据的关联和步骤五收集的氮平衡数据,构建氮平衡约束条件;
所述玉米种植系统平衡公式为:
{[(n+n尿)·X养植规模·L堆肥损失]+n秸秆X种植规模}·L水土流失氮·S玉米氮吸收率=(n谷粒+n秸秆)·X养殖规模
L堆肥损失为堆肥损失氮,L水土流失氮为水土流失氮损失,S玉米氮吸收率为玉米吸收氮效率,
生猪养殖系统平衡公式为:
(n商品猪+n+n尿-n猪仔)·X养殖规模
(n谷粒饲料·X种植规模+n饲料·X外购饲料)S生猪养殖氮
式中,S生猪养殖氮为生猪氮有效吸收量;
步骤八、根据步骤六构建经济效益目标函数和步骤七构建氮平衡约束条件,利用粒子群优化算法,计算每个粒子的适应度值,更新每个粒子的个体最优位置和全局最优位置,以及更新粒子速度和位置,判断是否达到最优条件,实现猪生产规模与玉米种植规模的分配优化;具体过程为:
初始化种群;
位置初始化:P=Initialize(XDi)
速度初始化:V=Initialize(V1i,V2i,V3i)
式中,D=3,所述生猪养殖系统的规模为X养殖规模=X1i,玉米种植系统的规模为X种植规模=X2i、外购商用饲料为X外购饲料=X3i;V1i,V2i,V3i,分别对应粒子速度X1i,X2i,X3i,的初始速度;
将目标函数与约束条件转化为适应度函数:
Sfitness=maxF(X1i,X2i,X3i)
计算粒子的适应度值,根据适应度函数确定种群内每个粒子的自适应度值,更新个体极值pbesti、全局极值gbest、惯性权重ω和加速常数c1、c2,并记录粒子i的个体极值位置Pbesti=(pi1,pi2,…piD)、种群的全局极值位置Gbest=(g1,g2,…gD);
迭代循环,设置最大迭代次数2000,通过下式更新粒子速度与位置速度变换公式:
viD(t+1)=
ω*viD(t)+c1*rand*(pbestiD-xiD(t))+c2*rand*(gbestiD-xiD(t))
位置变换公式:xiD(t+1)=xiD(t)+viD(t)
式中,vi为第i个粒子在t+1次迭代中第D维上的速度,rand是在0到1的随机数;迭代结束获得最优的结果为:种群的全局极值P_best和全局极值位置G_best最优。
2.根据权利要求1所述的基于粒子群算法的循环农业多目标种养规模分配优化方法,其特征在于:步骤一中,所述理想模型中包括氮元素的损失,具体为:生猪养殖系统中氨气排放造,堆肥氮损失,农田水土流失氮损以及玉米对养分吸收效率。
3.根据权利要求1所述的基于粒子群算法的循环农业多目标种养规模分配优化方法,其特征在于:步骤二中,依据循环农业评价方法,选取经济效益和生态效益作为生产目标;经济效益由循环农业生产理想模型的中投入的生产成本,以及销售收益构成;生态效益由农业生产理想模型中的氮元素效率表示。
4.根据权利要求1所述的基于粒子群算法的循环农业多目标种养规模分配优化方法,其特征在于:步骤六中,所述经济效益数据s由生猪养殖系统中的生猪收益g(X养殖规模)与玉米种植系统中玉米收益g(X种植规模)构成;
s=F(X养殖规模,X种植规模,X外购饲料)
=[g(X养殖规模)-f(X养殖规模)]+[g(X种植规模)-f(X种植规模)]-f(X外购饲料)
所述经济效益目标函数为:S=max F(X养殖规模,X种植规模,X外购饲料)。
CN202011340579.8A 2020-11-25 2020-11-25 基于粒子群算法的循环农业多目标种养规模分配优化方法 Active CN112464560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011340579.8A CN112464560B (zh) 2020-11-25 2020-11-25 基于粒子群算法的循环农业多目标种养规模分配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011340579.8A CN112464560B (zh) 2020-11-25 2020-11-25 基于粒子群算法的循环农业多目标种养规模分配优化方法

Publications (2)

Publication Number Publication Date
CN112464560A CN112464560A (zh) 2021-03-09
CN112464560B true CN112464560B (zh) 2022-11-22

Family

ID=74808321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011340579.8A Active CN112464560B (zh) 2020-11-25 2020-11-25 基于粒子群算法的循环农业多目标种养规模分配优化方法

Country Status (1)

Country Link
CN (1) CN112464560B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240082B (zh) * 2021-11-29 2024-06-14 吉林农业大学 基于温室气体排放评价的循环农业种养资源优化分配方法
CN116610925B (zh) * 2023-07-20 2023-09-26 吉林农业大学 一种牛-玉米循环农业中土壤氮积累的预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102115351A (zh) * 2009-12-30 2011-07-06 中国科学院沈阳应用生态研究所 一种以玉米秸秆过腹产物为载体的肥料及制备与施用方法
CN107067131A (zh) * 2016-12-16 2017-08-18 武汉现代都市农业规划设计院股份有限公司 农业循环种养测算方法及系统
CN107698119A (zh) * 2017-09-17 2018-02-16 湖南山河美生物环保科技股份有限公司 一种实现猪场粪污资源化利用零污染排放的治理方法
CN109716955A (zh) * 2017-10-26 2019-05-07 成都慧康农业开发有限公司 一种养殖和种植生态循环系统
CN111789004A (zh) * 2020-07-23 2020-10-20 广西壮族自治区农业科学院 一种甘蔗地种养相结合实现生态循环的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102178098B (zh) * 2011-04-26 2012-09-19 中国科学院东北地理与农业生态研究所 一种可以改善肉牛胴体品质的颗粒饲料
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN104788250A (zh) * 2014-12-19 2015-07-22 王开运 一株高效固氮芽孢杆菌及含其微生物肥料的制备方法
US20160309646A1 (en) * 2015-04-24 2016-10-27 360 Yield Center, Llc Agronomic systems, methods and apparatuses
CN105335870A (zh) * 2015-09-29 2016-02-17 吉林农业大学 一种生猪价格趋势预测方法
CN107807540A (zh) * 2017-10-16 2018-03-16 吉林农业大学 一种基于图像处理的农业智能平台
US11568340B2 (en) * 2017-11-09 2023-01-31 Climate Llc Hybrid seed selection and seed portfolio optimization by field
WO2020041861A1 (en) * 2018-08-31 2020-03-05 Farmers Edge Inc. Method and system for estimating effective crop nitrogen applications
CN109446630A (zh) * 2018-10-23 2019-03-08 宁夏大学 基于混合粒子群算法的多目标水资源优化配置方法
CN110956380A (zh) * 2019-11-22 2020-04-03 吉林农业大学 基于改进的层次分析法评价生猪养殖工艺的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102115351A (zh) * 2009-12-30 2011-07-06 中国科学院沈阳应用生态研究所 一种以玉米秸秆过腹产物为载体的肥料及制备与施用方法
CN107067131A (zh) * 2016-12-16 2017-08-18 武汉现代都市农业规划设计院股份有限公司 农业循环种养测算方法及系统
CN107698119A (zh) * 2017-09-17 2018-02-16 湖南山河美生物环保科技股份有限公司 一种实现猪场粪污资源化利用零污染排放的治理方法
CN109716955A (zh) * 2017-10-26 2019-05-07 成都慧康农业开发有限公司 一种养殖和种植生态循环系统
CN111789004A (zh) * 2020-07-23 2020-10-20 广西壮族自治区农业科学院 一种甘蔗地种养相结合实现生态循环的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"种植-肉牛-有机肥-种植"模式氮磷投入产出模型的构建;刘琼峰等;《农业工程学报》;20161015;第191-198页 *
基于粒子群优化的云计算低能耗资源调度算法;贾嘉等;《西北工业大学学报》;20180415(第02期);第144-149页 *

Also Published As

Publication number Publication date
CN112464560A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Winkler et al. Implementing miscanthus into farming systems: A review of agronomic practices, capital and labour demand
Refsgaard et al. Energy utilization in crop and dairy production in organic and conventional livestock production systems
Dyer et al. Simulated farm fieldwork, energy consumption and related greenhouse gas emissions in Canada
CN112464560B (zh) 基于粒子群算法的循环农业多目标种养规模分配优化方法
CN102301882B (zh) 一种稻-草-鹅生态农业养殖方法
EP2309838A2 (en) Method for monitoring environmental impacts of crop production
Aarts et al. Efficient resource management in dairy farming on sandy soil
CN106489480A (zh) 提高夏玉米产量和氮肥效率的栽培方法
Babu et al. Production potential, economics and energetics of rice (Oryza sativa) genotypes under different methods of production in organic management conditions of Sikkim Himalayas
CN105906387A (zh) 金针菇菌糠水稻育秧基质及其制作方法
CN104756936A (zh) 一种淡水养殖池塘原位净化及生态综合利用方法
Li et al. Emergy− based efficiency and sustainability assessments of diversified multi− cropping systems in South China
Dyer et al. Analysis of trends in CO2 emissions from fossil fuel use for farm fieldwork related to harvesting annual crops and hay, changing tillage practices and reduced summerfallow in Canada
Kamanga et al. Intercropping perennial legumes for green manure additions to maize in southern Malawi
Khan et al. Energy and economic efficiency analysis of rice and cotton production in China
Lalrinsangi et al. Effect Intercropping with Cowpea and Maize with Organic Manure Application on the Physiological Parameters
Talgre et al. Amounts of nitrogen and carbon returned to soil depending on green manure and the effect on winter wheat yield.
Bhardwaj et al. Energetics of rice production as affected by crop establishment methods under puddled soil
Drobitko et al. Agroecological substantiation of technologies for growing grain crops in the conditions of the Southern Steppe of Ukraine
CN114240082B (zh) 基于温室气体排放评价的循环农业种养资源优化分配方法
KUMAR et al. Influence of dates of sowing and nitrogen on yield, quality parameters, nutrient uptake and economics of fodder oats in Southern Transition Zone of Karnataka
Suman et al. Source of energy input and output for sustainable sorghum cultivation
Rautaray et al. Performance of Pond Based Integrated Farming Systems in Different Agro-Ecosystems: An On-farm Survey.
Reddy et al. Differential Residue Load and Nutrient Management Affect Stand Count and Yield of Zero Tillage Wheat (Triticum aestivum L.) in Eastern sub-Himalayan Plains
Ozpinar A comparative study on energy use of rice (Oryza Sativa L.) cultivars under mechanized cropping systems in West of Turkey

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