CN114066061A - 基于神经网络模型的资源优化配置方法、装置以及设备 - Google Patents
基于神经网络模型的资源优化配置方法、装置以及设备 Download PDFInfo
- Publication number
- CN114066061A CN114066061A CN202111365046.XA CN202111365046A CN114066061A CN 114066061 A CN114066061 A CN 114066061A CN 202111365046 A CN202111365046 A CN 202111365046A CN 114066061 A CN114066061 A CN 114066061A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- ecological
- optimized
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000003860 storage Methods 0.000 claims abstract description 19
- 230000008901 benefit Effects 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 8
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 239000003337 fertilizer Substances 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 239000000575 pesticide Substances 0.000 claims description 6
- 239000003621 irrigation water Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 244000038559 crop plants Species 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 239000002689 soil Substances 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012272 crop production Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据分析领域，特别涉及一种基于神经网络模型的资源优化配置方法、装置、设备以及存储介质，所述方法包括：从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据；根据所述生产数据以及需求数据，构建神经网络模型；根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。本申请不仅考虑了农业配置过程中水土资源复杂关系，而且考虑了生态服务以及生态负服务，实现了资源的合理配置。
Description
技术领域
本发明涉及数据分析领域，特别涉及是一种基于神经网络模型的资源优化配置方法、装置、设备以及存储介质。
背景技术
农业作为最大的半人工生态系统，为人类社会的经济发展提供重要的物质基础，水资源和土地资源更是农业生产的重要资源。如何合理的使用水资源和土地资源往往是决策者所面临的重要问题。
由于水资源和土地资源并不是相互独立的，其之间往往存在着复杂的联系，现有技术中的资源优化配置方法过于单一，只能根据经验进行估算以及配置，不仅不准确，效率也十分低下，无法很好地对农业的水资源和土地资源进行合理的配置，容易造成资源的浪费。
发明内容
基于此，本发明的目的在于，提供一种基于神经网络模型的资源优化配置方法、装置、设备以及存储介质，通过构建神经网络，结合待优化区域内与农作物相关联的多方面数据，实现了水资源系统优化配置，解决了由于根据经验进行估算以及调配，产生的局限性的问题，提高了资源优化配置的准确性以及高效性。
第一方面，本申请实施例提供了一种基于神经网络模型的资源优化配置方法，包括以下步骤：
从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；
根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；
根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；
接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
第二方面，本申请实施例提供了一种基于神经网络模型的资源管配装置，包括：
获取模块，用于从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；
构建模块，用于根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；
配置模块，用于根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；
查询模块，用于接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于神经网络模型的资源优化配置方法的步骤。
在本申请实施例中，提供一种基于神经网络模型的资源优化配置方法、装置、设备以及存储介质，通过构建神经网络，以经济效益目标以及生态效益目标为主，不仅考虑了农业配置过程中水土资源复杂关系，而且考虑了生态服务以及生态负服务，结合待优化区域内与农作物相关联的多方面数据，实现了水资源系统优化配置，解决了由于根据经验进行估算以及调配，产生的局限性的问题，提高了资源优化配置的准确性以及高效性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于神经网络模型的资源优化配置方法的流程示意图；
图2为本申请一个实施例提供的基于神经网络模型的资源优化配置方法中S2的流程示意图；
图3为本申请一个实施例提供的基于神经网络模型的资源优化配置方法中S3的流程示意图；
图4为本申请一个实施例提供的基于神经网络模型的资源管配装置的结构示意图；
图5为本申请一个实施例提供的设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于神经网络模型的资源优化配置方法的流程示意图，所述方法包括如下步骤：
S1：从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据。
所述基于神经网络模型的资源优化配置方法的执行主体为基于神经网络模型的资源优化配置方法的配置设备(以下简称配置设备)，在一个可选的实施例中，所述配置设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，配置设备获取用户输入的待优化区域的若干个农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据为与农作物生产过程中相关的数据，包括待优化区域的农作物的种植数据、以及待优化区域的气候数据；
所述种植数据为与农作物种植规划的相关数据，包括农作物的种植面积区间参数
，允许种植面积调节区间参数
、农作物产量Yi、单位种植面积的灌溉蓄水量
、允许的用水量调节区间参数
以及用水惩罚系数区间参数
所述气候数据为待优化区域的农作物生产过程中的天气气象数据，包括枯水年、平水年、丰水年出现的概率pk。
所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据，其中，所述农作物的水资源需求数据包括农作物的种植周期需水量Mi，所述居民粮食需求数据包括区域粮食安全需求标准区间参数
，表示为居民的人均每日膳食需求量，可以通过对粮食生产数据进行分析获取，所述粮食生产数据可以是一产GDP数据、二三产业数据以及国民生产总值数据等等。
所述经济数据包括所述待优化区域的农作物的成本数据以及价值数据，其中，所述成本数据表示农作物在生产过程中带来的成本消耗，包括农业用水价格区间参数
所述价值数据表示所述待优化区域的农作物在销售过程中产生的经济效益，包括农产品年平均价格区间参数
所述生态数据为所述待优化区域的农作物生产过程中对环境的生态产生的影响数据，包括生态服务补偿价值区间参数CP±、化肥使用量区间参数
、农用薄膜使用量区间参数
农药使用量区间参数
化肥生态负服务价值因子CF、薄膜生态负服务价值因子CA、农药生态负服务价值因子CP。
S2：根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件。
所述基于神经网络模型的资源优化配置方法的执行主体为基于神经网络模型的资源优化配置方法的配置设备(以下简称配置设备)，在一个可选的实施例中，所述配置设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。在本实施例中，配置设备通过构建BP(back propagation)神经网络模型作为资源优化配置方法的训练模型，其中，所述BP神经网络包括约束模块、经济效益模块、生态效益模块以及规划模块。
在本实施例中，配置设备通过构建神经网络模型，用于对水土资源进行配置，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件。
所述最大化经济效益目标函数通过计算农作物的经济收益和其生产过程中所带来的成本消耗之间的差值，来计算农作物产生的经济效益；
所述最大化生态效益目标函数通过计算农业生产时产生的生态服务和生态负服务的净值，来计算农作物产生的生态效益，其中，生态服务为人类从生态系统获得的所有惠益，包括供给服务(如提供食物和水)、调节服务(如控制洪水和疾病)、文化服务(如精神、娱乐和文化收益)以及支持服务(如维持地球生命生存环境的养分循环)，生态负服务则为人类生产和消费过程中对生态系统的负面影响。
请参阅图2，图2为本申请一个实施例提供的基于神经网络模型的资源优化配置方法中S2的流程示意图，包括步骤S201～S203，具体如下：
S201：构建最大化经济效益目标函数作为所述神经网络模型的上层决策模型。
所述最大化经济效益目标函数为：
式中，
为经济效益区间参数，
为所述农作物的种植面积区间参数，
为所述农产品年平均价格区间参数，Yi为所述农作物的产量，pk为枯水年，平水年，丰水年出现的概率，
为惩罚系数区间参数，
为所述农作物的允许种植面积调节区间参数，
为所述农作物的单位种植面积的灌溉蓄水量区间参数，
为农业用水价格区间参数，
为用水惩罚系数区间参数，
所述农作物的为允许的用水量调节区间参数；
S202：构建最大化生态效益目标函数作为所述神经网络模型的下层决策模型。
所述最大化生态效益目标函数包括正向最大化生态效益目标函数、负向最小化生态效益目标函数以及净值效益目标函数，其中，所述正向最大化生态效益目标函数为：
式中，EVk为农作物的生态服务价值，Max FEV为正向生态效益区间参数，
为所述农作物的种植面积区间参数，
为所述农作物的允许种植面积调节区间参数，pk为枯水年，平水年，丰水年出现的概率；
所述负向最小化生态效益目标函数为：
式中，
为负向生态效益区间参数，CP±为生态服务补偿价值区间参数，
为化肥使用量区间参数，
为农用薄膜使用量区间参数，
为农药使用量区间参数，CF为化肥生态负服务价值因子，CA为薄膜生态负服务价值因子，CP为农药生态负服务价值因子；
所述净值效益目标函数为：
式中，
为所述生态效益区间参数；
S203：构建所述神经网络模型的约束条件。
所述约束条件包括可利用水约束条件、粮食安全约束条件以及非负约束条件，其中，所述可利用水约束条件为：
式中，Cr为模糊可信度规划函数，Mi为所述农作物的种植周期需水量，
为所述农作物的种植面积区间参数，
为所述农作物的允许种植面积调节区间参数，
为所述农作物的可利用水量区间参数，η为第一约束系数，q为第二约束系数；
所述粮食安全约束条件为：
式中，Yi为所述农作物的产量，
为区域粮食安全需求标准区间参数；
所述非负约束条件为：
式中，
为所述农作物的单位种植面积的灌溉蓄水量区间参数，
为所述农作物的允许的用水量调节区间参数。
S3：根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统。
在本实施例中，配置设备根据所述神经网络模型中的最大化经济效益目标函数、最大化生态效益目标函数以及约束条件，获取资源优化配置结果并将其保存于所述电子数据库系统。
请参阅图3，图3为本申请一个实施例提供的基于神经网络模型的资源优化配置方法中S3的流程示意图，包括步骤S301，具体如下：
S301：将所述神经网络模型模型拆分为对应的上限、下限子模型，并对所述上限子模型求解，并将求解结果输入至所述下限子模型中，获取资源优化配置结果。
在本实施例中，配置设备通过采用交互式两步算法，将所述神经网络模型中的区间参数拆分为上下限参数，从而将所述神经网络模型模型拆分为对应的上限、下限子模型，并对所述上限子模型求解，并将求解结果输入至所述下限子模型中，获取资源优化配置结果。
S4：接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
所述查询终端是指可以为一种计算机设备，不限于手机、笔记本、平板电脑。
在本实施例中，用户可以通过查询终端向配置设备发送目标区域内待优化区域的资源优化配置查询指令待优化区域的资源优化配置查询指令，配置设备响应所述指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
请参考图4，图4为本申请一个实施例提供的基于神经网络模型的资源管配装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于神经网络模型的资源管配装置的全部或一部分，该装置4包括：
获取模块51，用于从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；
构建模块52，用于根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；
配置模块53，根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；
查询模块54，用于接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
在本申请实施例中，通过从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；通过构建模块，根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；通过配置模块，根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；通过查询模块，接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。通过构建神经网络，以经济效益目标以及生态效益目标为主，不仅考虑了农业配置过程中水土资源复杂关系，而且考虑了生态服务以及生态负服务，结合待优化区域内与农作物相关联的多方面数据，实现了水资源系统优化配置，解决了由于根据经验进行估算以及调配，产生的局限性的问题，提高了资源优化配置的准确性以及高效性。
请参考图5，图5为本申请一个实施例提供的设备的结构示意图，设备5包括：处理器51、存储器52以及存储在存储器52上并可在处理器51上运行的计算机程序53；计算机设备可以存储有多条指令，指令适用于由处理器51加载并执行上述图1至图3所示实施例的方法步骤，具体执行过程可以参见图1至图3所示实施例的具体说明，在此不进行赘述。
其中，处理器51可以包括一个或多个处理核心。处理器51利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器52内的指令、程序、代码集或指令集，以及调用存储器52内的数据，执行基于神经网络模型的资源管配装置4的各种功能和处理数据，可选的，处理器51可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器51可集成中央处理器51(CentralProcessing Unit，CPU)、图像处理器51(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器51中，单独通过一块芯片进行实现。
其中，存储器52可以包括随机存储器52(Random Access Memory，RAM)，也可以包括只读存储器52(Read-Only Memory)。可选的，该存储器52包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器52可用于存储指令、程序、代码、代码集或指令集。存储器52可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器52可选的还可以是至少一个位于远离前述处理器51的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图3所示实施例的方法步骤，具体执行过程可以参见图1至图3所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (6)
1.一种基于神经网络模型的资源优化配置方法，其特征在于，包括以下步骤：
从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；
根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；
根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；
接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
2.根据权利要求1所述的基于神经网络模型的资源优化配置方法，其特征在于，所述根据所述生产数据以及需求数据，构建神经网络模型，包括步骤：
构建最大化经济效益目标函数作为所述神经网络模型的上层决策模型，其中，所述最大化经济效益目标函数为：
式中，
为经济效益区间参数，
为所述农作物的种植面积区间参数，
为所述
农产品年平均价格区间参数，Yi为所述农作物的产量，pk为枯水年，平水年，丰水年出现的概率，
为惩罚系数区间参数，
为所述农作物的允许种植面积调节区间参数，
为所述农作物的单位种植面积的灌溉蓄水量区间参数，
为农业用水价格区间参数，
为用水惩罚系数区间参数，
所述农作物的为允许的用水量调节区间参数；
所述正向最大化生态效益目标函数为：
式中，EVk为农作物的生态服务价值，MaxFEV为正向生态效益区间参数，
为所述农作物的种植面积区间参数，
为所述农作物的允许种植面积调节区间参数，pk为枯水年，平水年，丰水年出现的概率；
所述负向最小化生态效益目标函数为：
式中，
为负向生态效益区间参数，CP±为生态服务补偿价值区间参数，
为化肥使用量区间参数，
为农用薄膜使用量区间参数，
为农药使用量区间参数，CF为化肥生态负服务价值因子，CA为薄膜生态负服务价值因子，CP为农药生态负服务价值因子；
所述净值效益目标函数为：
式中，
为所述生态效益区间参数；
构建所述神经网络模型的约束条件，所述约束条件包括可利用水约束条件、粮食安全约束条件以及非负约束条件，其中，所述可利用水约束条件为：
式中，Cr为模糊可信度规划函数，Mi为所述农作物的种植周期需水量，
为所述农作物的种植面积区间参数，
为所述农作物的允许种植面积调节区间参数，
为所述农作物的可利用水量区间参数，η为第一约束系数，q为第二约束系数；
所述粮食安全约束条件为：
式中，Yi为所述农作物的产量，
为区域粮食安全需求标准区间参数；
所述非负约束条件为：
式中，
为所述农作物的单位种植面积的灌溉蓄水量区间参数，
为所述农作物的允许的用水量调节区间参数。
3.根据权利要求1所述的基于神经网络模型的资源优化配置方法，其特征在于，所述根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统，包括步骤：
将所述神经网络模型模型拆分为对应的上限、下限子模型，并对所述上限子模型求解，并将求解结果输入至所述下限子模型中，获取资源优化配置结果。
4.一种基于神经网络模型的资源管配的装置，其特征在于，包括：
获取模块，用于从电子数据库系统查找获取待优化区域的农作物的生产数据、需求数据、经济数据以及生态数据，其中，所述生产数据包括待优化区域的农作物的种植数据，所述需求数据包括待优化区域的农作物的水资源需求数据以及居民粮食需求数据；
构建模块，用于根据所述生产数据以及需求数据，构建神经网络模型，其中，所述神经网络模型包括根据所述生产数据以及经济数据生成经济效益区间参数的最大化经济效益目标函数、根据所述生产数据以及生态数据生成生态效益区间参数的对应的最大化生态效益目标函数，以及约束条件；
配置模块，用于根据所述神经网络模型得到资源优化配置结果，并将其保存于所述电子数据库系统；
查询模块，用于接收查询终端发出的目标区域内待优化区域的资源优化配置查询指令，查找所述电子数据库系统，根据所述资源优化配置结果以及所述待优化区域的地理位置信息，向所述查询终端发送所述待优化区域的资源优化配置信息。
5.一种设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于神经网络模型的资源优化配置方法的步骤。
6.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于神经网络模型的资源优化配置方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111365046.XA CN114066061B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络模型的资源优化配置方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111365046.XA CN114066061B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络模型的资源优化配置方法、装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066061A true CN114066061A (zh) | 2022-02-18 |
| CN114066061B CN114066061B (zh) | 2024-06-21 |
Family
ID=80277624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111365046.XA Active CN114066061B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络模型的资源优化配置方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066061B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115101141A (zh) * | 2022-06-24 | 2022-09-23 | 湖北远见高新材料有限公司 | 一种水性工业涂料的配方优化方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819669A (zh) * | 2012-07-20 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种区域农业水土资源潜力的测算方法 |
| CN105956718A (zh) * | 2016-05-31 | 2016-09-21 | 中国农业大学 | 一种灌区水资源优化配置方法和系统 |
| CN110276700A (zh) * | 2019-06-24 | 2019-09-24 | 北京师范大学 | 水资源优化配置方法、装置、设备及存储介质 |
| CN110472840A (zh) * | 2019-07-29 | 2019-11-19 | 重庆邮电大学 | 一种基于神经网络技术的农业水利调度方法及系统 |
| US20210182106A1 (en) * | 2018-08-30 | 2021-06-17 | Huawei Technologies Co., Ltd. | Resource configuration prediction method and device |
-
2021
- 2021-11-17 CN CN202111365046.XA patent/CN114066061B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819669A (zh) * | 2012-07-20 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种区域农业水土资源潜力的测算方法 |
| CN105956718A (zh) * | 2016-05-31 | 2016-09-21 | 中国农业大学 | 一种灌区水资源优化配置方法和系统 |
| US20210182106A1 (en) * | 2018-08-30 | 2021-06-17 | Huawei Technologies Co., Ltd. | Resource configuration prediction method and device |
| CN110276700A (zh) * | 2019-06-24 | 2019-09-24 | 北京师范大学 | 水资源优化配置方法、装置、设备及存储介质 |
| CN110472840A (zh) * | 2019-07-29 | 2019-11-19 | 重庆邮电大学 | 一种基于神经网络技术的农业水利调度方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115101141A (zh) * | 2022-06-24 | 2022-09-23 | 湖北远见高新材料有限公司 | 一种水性工业涂料的配方优化方法及系统 |
| CN115101141B (zh) * | 2022-06-24 | 2022-12-20 | 湖北远见高新材料有限公司 | 一种水性工业涂料的配方优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066061B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11726452B2 (en) | System and method for aggregating test plot results based on agronomic environments | |
| Channe et al. | Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis | |
| Antle et al. | Next generation agricultural system data, models and knowledge products: Introduction | |
| Jones et al. | Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science | |
| Terres et al. | Farmland abandonment in Europe: Identification of drivers and indicators, and development of a composite indicator of risk | |
| Cesco et al. | Smart agriculture and digital twins: Applications and challenges in a vision of sustainability | |
| Kropp et al. | A multi-objective approach to water and nutrient efficiency for sustainable agricultural intensification | |
| Bithell et al. | Coupling agent-based models of subsistence farming with individual-based forest models and dynamic models of water distribution | |
| Lopez et al. | Integrating growth stage deficit irrigation into a process based crop model | |
| CN107067014A (zh) | 农业田地聚类和生态预报所用的方法和系统 | |
| Taillandier et al. | A new BDI agent architecture based on the belief theory. Application to the modelling of cropping plan decision-making | |
| Huang et al. | Rising herbicide use and its driving forces in China | |
| CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
| Adebayo et al. | A review of decision support system using mobile applications in the provision of day to day information about farm status for improved crop yield | |
| Notenbaert et al. | Classifying livestock production systems for targeting agricultural research and development in a rapidly changing world | |
| Ogunti et al. | Decision support system using mobile applications in the provision of day to day information about farm status to improve crop yield | |
| KC et al. | How climatic and sociotechnical factors influence crop production: a case study of canola production | |
| Vikranth | An implementation of IoT and data analytics in smart agricultural system–A systematic literature review | |
| Ribas et al. | An update of new flood-irrigated rice cultivars in the SimulArroz model | |
| CN114066061A (zh) | 基于神经网络模型的资源优化配置方法、装置以及设备 | |
| Venkatalakshmi et al. | Decision support system for precision agriculture | |
| US11930733B1 (en) | Nitrogen loss prediction and mitigation methods and systems | |
| Rautiainen et al. | Optimising the management of even-aged Shorea robusta stands in southern Nepal using individual tree growth models | |
| Mohd et al. | Application of web geospatial decision support system for Tanjung Karang rice precision irrigation water management | |
| Belozerova | Enhancing WOFOST crop model with unscented Kalman filter assimilation of leaf area index |
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 |