遗传算法的农业机械调配分析

孙昌恒

（山西省大同市阳高县农业机械发展中心，山西 大同 038100）

近年来，我国农业机械化水平不断提升，然而与发达国家相比仍然存在一定的差距。究其原因，就在于我国疆域辽阔，地区间发展的平衡性有所缺失，一些农村地区的农机应用水平偏低，难以真正实现农业机械化生产。为了解决这一问题，就需要提高农机资源的利用率，提高经济效益。而农业机械调配则是有效手段之一。

1 概述

学界将启发式算法融入到农业机械调配中，通过直观与经验构造，对组合优化问题进行求解。尽管这种方法取得的结果与最优解可能依然存在偏差，但在解决实际问题方面大大提高了效率。其中遗传算法就是现代启发式算法之一，其是以适者生存为依据的优化算法，通过对“染色体”净化进行模拟，得出与环境条件最为适应的个体。遗传算法属于计算机模拟方法的一种，其优点就在于具有较强的适用性、自适应性、鲁棒性以及并行性，在很多领域都具有比较高的应用价值。

2 农业机械调配优化问题模型构建

2.1 问题描述

在农机调配站的数量、位置确定过程中，以确定数量排除具有某项单一功能的农机，并在指定作业范围内完成指定人物。农技站只有一种指定机型，并且指定作业面积为已知数据，每辆农机能够依次一次性完成作业任务，并在完成任务后回到调配站。为了对问题进行求解，要求对全部农机的作业路线进行规划，确保农机作业的全过程符合一定的优化目标要求。

2.2 模型假设与建模

模型假设主要涉及到以下几点内容：确定农机调配站的位置、制定作业的农田面积与位置、农机单位时间内的作业水平；对农田实施作业的农机只有一台；单块农田的作业需求能够通过单台农机满足；农机调配站若干，且只有一种车型的特定农机；调度方案中农机分配作业仅以此，且出发于所隶属的调配站，在按照指定要求完成作业后回到出发的调配站；调度方案中每辆农机分配到的任务为1次及以上；排除气候、人为等干扰因素。在完成模型假设后，即可对基于遗传算法的农机调配优化问题模型进行构建，受限于篇幅，本文不对具体模型进行阐述。

3 农业机械调度遗传算法流程

图1为遗传算法流程图。根据本文研究内容，可将遗传算法的计算流程归纳如下：

产生随机的一组初始个体，形成起始种群→判断与确定种群内所有个体的执行适应度，对具有较高适应度的个体进行保留，基于此形成新种群→对算法与终止条件是否相符进行判断，如果相符即结束算法，否则进入下个流程尖→采取交叉操作的方式对种群进行处理，从而形成子种群→对子种群进行变异操作，跳回种群个体执行适应度的判断流程。

图1

4 农业机械调度遗传算法的应用分析

根据本文的研究内容与算法应用，选择MatLab进行编程。随机生成数据并展开计算。在获取到计算结果后，即可得知农田分配到的机械数量，基于此对作业路径的合理性以及路径交叉的线路数量进行判断，从而确定算法设计是否具有有效性。

在确定算法结果的过程中，可以选择对比的方法。即与人工指定作业的方式进行比较，例如按照相应面积划分作业区域，按照维度来排列作业路径。根据对比作业的结果来确定算法结果的合理性。在对比过程中需要对遗传算法的结算加以利用，需要路程增加量、作业时间增量等数据。通过遗传算法的运算结果分析，可以得知人工指定作业的方式与遗传算法的运算结果二者孰优孰劣。

就本质而言，遗传算法属于基于规则约束的全方位搜素，在面对一些比较复杂的问题时，相较于算法计算量，对空间大小的求解显然趋近于无穷大。针对此，想要通过算法来实现最终解与最优解趋于一致存在一定的困难。当然，凭借遗传算法，能够确保搜索覆盖面，然而对于特定接的局部优化，遗传算法的适用性就有所降低。将运算结果与实际情况结合到一起进行考虑，通常可以帮助人们对结果进行局部微调与优化。微调的方法可以选择人工方式，当然，这种方法也存在一定的局限性。而选择设计算法进行微调，那么优化效果可以得到增强。

针对遗传算法计算结果，还需要对其稳定性进行测试，具体操作为对算法进行反复执行，达到一定次数后对结果分布图进行绘制，根据图示内容来分析算法结果，对结果的离散性进行判断。如果离散性越小，那么算法求解就越稳定，效果也更好。

5 结语

通常来讲，基于遗传算法取得的结果相对而言要比人工调配的方式具有更理想的效果，在实用性方面也具有比较大的优势。此外，遗传算法属于智能算法，其运行结果可能与问题的最优解存在一定偏差，因此在实践中可能还需要在特定结果方面进行人为的调整与优化，如此才能够真正提高方案的可行性与合理性。