約束性知識(shí)與精英個(gè)體策略遺傳算法融合的作物生育期模型品種參數(shù)優(yōu)化方法
【專利摘要】本發(fā)明提出一種約束性知識(shí)引導(dǎo)精英個(gè)體策略遺傳算法的作物生育期模型參數(shù)優(yōu)化方法，屬于作物模型品種參數(shù)優(yōu)化的最優(yōu)化方法領(lǐng)域。其步驟：作物生育期模型品種參數(shù)優(yōu)化的數(shù)據(jù)準(zhǔn)備；作物生育期模型品種參數(shù)初始范圍的等級(jí)劃分；確定對(duì)模型品種參數(shù)具有關(guān)鍵約束性的物候期；關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)范圍的估算；設(shè)置改進(jìn)型遺傳算法控制參數(shù)的初始值；生成初始種群；構(gòu)造適應(yīng)度函數(shù)；構(gòu)造個(gè)體的基因位方向因子；采用輪盤賭方法構(gòu)造選擇算子；構(gòu)造方向引導(dǎo)交叉算子；構(gòu)造方向與精英個(gè)體引導(dǎo)的變異算子；基于精英個(gè)體的局部搜索。本發(fā)明克服了效率低、優(yōu)化結(jié)果不符合品種生物學(xué)含義等問題，增加了參數(shù)優(yōu)化的準(zhǔn)確性和效率，具有科學(xué)意義和實(shí)用價(jià)值。
【專利說明】
約束性知識(shí)與精英個(gè)體策略遺傳算法融合的作物生育期模型 品種參數(shù)優(yōu)化方法 一、
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于農(nóng)業(yè)信息技術(shù)領(lǐng)域，是領(lǐng)域知識(shí)引導(dǎo)進(jìn)化算法與作物生長模型的交叉 領(lǐng)域。涉及一種可用于非線性、不連續(xù)、多參數(shù)的作物生育期機(jī)理模型品種參數(shù)估算的自動(dòng) 優(yōu)化方法，可用于小麥、水稻等禾谷類作物。具體地講，該方法是一種約束性知識(shí)與精英個(gè) 體策略遺傳算法融合的作物生育期模型品種參數(shù)優(yōu)化方法。 二、
【背景技術(shù)】
[0002] 氣候變化問題已成為國際社會(huì)關(guān)注的熱門話題，被列為全球十大環(huán)境問題之一。 20世紀(jì)80年代初，科學(xué)家們開始發(fā)現(xiàn)全球的氣候正發(fā)生著顯著的變化。在2007年氣候變化 專門委員會(huì)（IPCC)發(fā)布的第四次評(píng)估報(bào)告指出：全球氣候變暖已是不爭(zhēng)的事實(shí)。農(nóng)業(yè)生產(chǎn) 與氣候息息相關(guān)，氣候變暖導(dǎo)致的極端氣候事件趨多、趨強(qiáng)。這勢(shì)必會(huì)對(duì)農(nóng)業(yè)及生態(tài)環(huán)境等 領(lǐng)域產(chǎn)生深遠(yuǎn)的影響。氣候變化會(huì)導(dǎo)致糧食生產(chǎn)的不穩(wěn)定。因此，氣候變暖對(duì)農(nóng)業(yè)生產(chǎn)的影 響評(píng)價(jià)研究近年來受到重視，一方面積極開展作物對(duì)氣候變化響應(yīng)的觀測(cè)試驗(yàn)研究，另一 方面通過作物生長模型模擬評(píng)估氣候變化對(duì)作物系統(tǒng)的可能影響，為應(yīng)對(duì)氣候變化條件 下，農(nóng)業(yè)生產(chǎn)策略與措施變化提供基礎(chǔ)數(shù)據(jù)與決策支持。與觀測(cè)試驗(yàn)研究相比，利用作物生 長模型進(jìn)行請(qǐng)模擬研究，由于它具有機(jī)理強(qiáng)、成本低、時(shí)效高、變量易于控制等優(yōu)點(diǎn)，目前已 成為氣候變化影響評(píng)估的主要研究方法，被世界各地的研究者普遍采用。
[0003] 作物生長模型是基于作物生理學(xué)和生態(tài)學(xué)原理，運(yùn)用系統(tǒng)動(dòng)力學(xué)的方法，綜合考 慮作物品種、栽培措施與氣候環(huán)境、土壤條件之間的互作關(guān)系，量化作物生長發(fā)育、光合生 產(chǎn)、器官建成及產(chǎn)量形成等生理過程的數(shù)學(xué)模型。由于作物生長模型充分考慮了作物對(duì)土 壤、天氣、水分、養(yǎng)分等多種影響因子的機(jī)理響應(yīng)，能夠模擬不同自然環(huán)境和管理措施下作 物的生長狀況，因此是有效探索氣候變化對(duì)農(nóng)業(yè)生產(chǎn)的影響，評(píng)價(jià)作物系統(tǒng)生產(chǎn)力的有力 工具。作物生育期模型是作物生長模型的重要組成部分，它通過定量模擬作物對(duì)溫度和光 照的反應(yīng)，預(yù)測(cè)和劃分作物的發(fā)育進(jìn)程，是作物光合作用、干物質(zhì)積累與分配、養(yǎng)分吸收與 轉(zhuǎn)移、產(chǎn)量品質(zhì)形成等方面模擬的基礎(chǔ)，直接影響作物生長模型的模擬結(jié)果。
[0004] 作物生長模型通過品種參數(shù)量化不同品種的遺傳與生理特性。由于自然環(huán)境復(fù)雜 性，作物生長模型應(yīng)用中具有較強(qiáng)的不確定性，需要根據(jù)應(yīng)用品種和應(yīng)用區(qū)域的試驗(yàn)數(shù)據(jù)， 對(duì)模型品種參數(shù)進(jìn)行校正。目前作物生長模型參數(shù)校正方法主要分為知識(shí)驅(qū)動(dòng)法以及數(shù)據(jù) 驅(qū)動(dòng)法。知識(shí)驅(qū)動(dòng)法是指作物模型專家以作物模型建模機(jī)理、作物栽培經(jīng)驗(yàn)、作物品種特性 等專業(yè)知識(shí)為引導(dǎo)，采用手工試錯(cuò)或計(jì)算機(jī)循環(huán)迭代的方式，在分階段、分目標(biāo)等策略指導(dǎo) 下不斷試錯(cuò)尋找最優(yōu)的參數(shù)集合。該方法以領(lǐng)域知識(shí)為支撐，得到的結(jié)果較為可靠，但當(dāng)應(yīng) 用尺度增大時(shí)，為了使模型對(duì)全部試驗(yàn)資料均取得較好的模擬效果，調(diào)參的數(shù)據(jù)量及工作 量增大，要求調(diào)參人員具有較為完備的作物模型知識(shí)和豐富的模型調(diào)參經(jīng)驗(yàn)，因而受調(diào)參 人員的主觀因素影響較大;且循環(huán)試錯(cuò)的過程需要不斷重復(fù)迭代，費(fèi)事費(fèi)力，參數(shù)優(yōu)化效率 較低。數(shù)據(jù)驅(qū)動(dòng)法是將該問題轉(zhuǎn)化為最優(yōu)化問題，采用演化計(jì)算等全局優(yōu)化算法，通過大量 的隨機(jī)搜索試驗(yàn)尋找模型參數(shù)的最優(yōu)解。遺傳算法是一種常用的隨機(jī)化、啟發(fā)式優(yōu)化算法， 具有魯棒性強(qiáng)、搜索效率高等顯著特點(diǎn)，適合求解作物長模型參數(shù)優(yōu)化這樣一類結(jié)構(gòu)復(fù)雜、 非線性程度高、搜索空間巨大且非單峰的問題，已經(jīng)在0RYZA2000、CropSyst、RiceGrow、 SUCROS等模型中取得了應(yīng)用。現(xiàn)有研究更為關(guān)注優(yōu)化算法本身的改進(jìn)，如在種群劃分時(shí)加 入動(dòng)態(tài)聚類的思想、采用兩級(jí)遺傳算法的方式進(jìn)行參數(shù)優(yōu)化等，提升了算法的優(yōu)化性能。但 在這類算法改進(jìn)中，往往進(jìn)化尋優(yōu)的角度增加算法的優(yōu)化策略，往往控制參數(shù)眾多，算法時(shí) 間和空間復(fù)雜度變高。此外，作物生育期模型的品種參數(shù)反應(yīng)了作物品種的遺傳特性，而基 于遺傳算法的作物模型參數(shù)的校正與優(yōu)化僅從數(shù)值尋優(yōu)的角度尋找品種參數(shù)最優(yōu)解，往往 忽略了作物模型品種參數(shù)所表達(dá)的生理遺傳特性，應(yīng)用過程中會(huì)造成優(yōu)化后的品種參數(shù)出 現(xiàn)不符合作物品種生物學(xué)意義的現(xiàn)象。
[0005] 本發(fā)明采用兩種方法有效的融合的方式，將作物品種及模型知識(shí)融合到改進(jìn)型遺 傳算法中，設(shè)計(jì)了一種適用于作物生育期模型品種參數(shù)自動(dòng)校正的方法，對(duì)快速而準(zhǔn)確的 優(yōu)化作物模型參數(shù)具有重要的實(shí)際應(yīng)用價(jià)值。 三、
【發(fā)明內(nèi)容】

[0006] 本發(fā)明提出一種約束性知識(shí)與精英個(gè)體策略遺傳算法融合的作物生育期模型參 數(shù)自動(dòng)優(yōu)化方法（Constraints Knowledge and Elite Individual Strategy Genetic Algorithm Fusion，簡(jiǎn)稱CK-EISGA)。該方法將品種特征知識(shí)與改進(jìn)型精英策略遺傳算法有 效融合，解決作物生育期模型品種參數(shù)自動(dòng)校正時(shí)，由于模型算法多峰非線性以及進(jìn)化算 法優(yōu)化結(jié)果的生物學(xué)意義不明確等問題，可快速準(zhǔn)確地估算作物生育期模型品種參數(shù)。
[0007] 本發(fā)明所述的約束性知識(shí)引導(dǎo)精英策略遺傳算法的作物生育期模型品種參數(shù)優(yōu) 化方法，包括以下步驟：
[0008] 步驟1:驅(qū)動(dòng)數(shù)據(jù)準(zhǔn)備
[0009] 作物生育期模型品種參數(shù)優(yōu)化需準(zhǔn)備的基礎(chǔ)數(shù)據(jù)包括氣象數(shù)據(jù)(最低溫、最高溫、 曰照時(shí)數(shù)或輻射量）、不同品種在出苗、拔節(jié)、抽穗、成熟等物候時(shí)期的歷史實(shí)測(cè)數(shù)據(jù)以及相 應(yīng)的播期、播種深度等實(shí)測(cè)數(shù)據(jù)。
[0010] 步驟2:品種參數(shù)初始范圍的等級(jí)劃分
[0011] 作物生育期模型的品種參數(shù)量化了作物生長發(fā)育的遺傳特性，建模時(shí)確定的初始 取值范圍通常涵蓋了某種類型作物的遺傳特性，而沒有針對(duì)一類具體品種遺傳特性的強(qiáng)弱 進(jìn)一步細(xì)化，會(huì)造成優(yōu)化算法搜索空間的擴(kuò)大，參數(shù)優(yōu)化后會(huì)出現(xiàn)模型模擬值與實(shí)測(cè)值誤 差雖小，但品種參數(shù)已失去生物學(xué)含義的問題。因此，品種參數(shù)的初始范圍應(yīng)根據(jù)具體品種 的遺傳特性縮小限制在某一區(qū)間內(nèi)，按公式(1)(2)對(duì)品種參數(shù)范圍進(jìn)行等級(jí)劃分。
[0014] 式中表示品種參數(shù)i原始范圍最大值，表示品種參數(shù)i原始范圍最小值， 尺Art表示參數(shù)丨重新劃分等級(jí)后，第」級(jí)特性的最小值，表示參數(shù)丨重新劃分等級(jí)后，第 j級(jí)特性的最大值，N表示參數(shù)i品種特性的等級(jí)個(gè)數(shù)。
[0015] 步驟3:確定對(duì)模型品種參數(shù)具有關(guān)鍵約束性的物候期
[0016]作物生育期模型模擬了多個(gè)物候階段，每個(gè)物候階段通常受到不同發(fā)育因子的影 響且影響程度不同，造成了各物候階段對(duì)品種參數(shù)的約束程度不同。關(guān)鍵物候期是指對(duì)待 優(yōu)化品種參數(shù)具有明顯約束能力的物候期。只有當(dāng)選用了關(guān)鍵物候期作為模擬目標(biāo)，并分 析與品種參數(shù)的數(shù)據(jù)相關(guān)性，才能使優(yōu)化效果更為準(zhǔn)確。
[0017] 所述步驟3中包括：
[0018]步驟3.1定義模型品種參數(shù)集合PiUhX〗，…，Xn}，模型模擬物候期集合WitYi， Y2,…，Yn}。通過公式(3)衡量物候期h與品種參數(shù)Xi的約束關(guān)系以及正反比關(guān)系。若Zi^O， 則Yi約束Xi;若Zi = 0，則Yi不約束Xi。
[0020] 式中：Xi表示品種參數(shù)i的初始值，X' i表示品種參數(shù)i改變后的值，Yi,j表示在品種 參數(shù)i條件下物候期j的日期，Y1U+1表示品種參數(shù)條件i下物候期j+1的日期，V ^表示改變 品種參數(shù)i后物候期j的日期，表示改變品種參數(shù)i后物候期j+1的日期，Zi表示品種參 數(shù)i的敏感度。
[0021] 步驟3.2定義關(guān)鍵物候期集合1(={1^1山，-_，1^}，采用以下規(guī)則確定作物模型參數(shù) 優(yōu)化的關(guān)鍵物候期，：
[0022] (1)若某一 Xi僅被唯一的Ki約束時(shí)，則Ki為關(guān)鍵物候期；
[0023] (2)若&被心至Kk發(fā)育階段中的物候期約束時(shí)，則選取心和Kk的兩個(gè)物候期作為關(guān) 鍵物候期。
[0024] 步驟3.3判定品種參數(shù)與模型模擬物候期的相關(guān)性
[0025] 根據(jù)步驟3.1得到的Z的情況能夠確定品種參數(shù)乂:與物候期持續(xù)天數(shù)之間存在一 定的相關(guān)性，當(dāng)Z>0時(shí)，Xi與成正相關(guān)，當(dāng)Z<0時(shí)，Xi與成負(fù)相關(guān)，當(dāng)Z = 0時(shí)，Xi與不相關(guān)。
[0026] 步驟4關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)范圍的估算
[0027] 由于作物生長需要延續(xù)若干個(gè)月，品種參數(shù)優(yōu)化時(shí)所選用的物候期實(shí)測(cè)數(shù)據(jù)往往 不夠完備，會(huì)出現(xiàn)缺少步驟2確定的部分關(guān)鍵約束性物候期匕的實(shí)測(cè)數(shù)據(jù)，需要利用當(dāng)?shù)卦?培專家的經(jīng)驗(yàn)知識(shí)加以推理估算數(shù)據(jù)范圍。
[0028] 所述步驟4中包括：
[0029]步驟4.1估算關(guān)鍵物候期匕的基礎(chǔ)日期
[0030]首先判斷實(shí)測(cè)物候期數(shù)據(jù)是否完全包含關(guān)鍵物候期集合K中全部元素的實(shí)測(cè)數(shù) 據(jù)，若包含，則跳過該步驟;若缺失某一關(guān)鍵物候期匕的實(shí)測(cè)數(shù)據(jù)，則根據(jù)公式(4)推理估算 該關(guān)鍵約束性物候期ki的物候日期。 r D； + dii, i ^ j 、
[0031 ] Dj = . > . (4)
[0032]式中：D謙示待估算的物候日期，Di表示已知物候期的日期，cU謙示物候期i與物 候期j的持續(xù)天數(shù)，i，j表示物候期索引，i>j表示物候期j在物候期i之前，其中，屯的值可 由文獻(xiàn)資料或栽培經(jīng)驗(yàn)獲取。
[0033] 步驟4.2構(gòu)造關(guān)鍵物候期實(shí)測(cè)數(shù)據(jù)的允許誤差范圍
[0034] 由估算得到關(guān)鍵物候期1^的日期具有一定誤差。因此，構(gòu)造關(guān)鍵物候期估算數(shù)據(jù) 的運(yùn)行誤差范圍[Dj-E，Dj+E]E為相差范圍。
[0035]步驟5設(shè)置改進(jìn)型遺傳算法控制參數(shù)的初始值
[0036]主要包括:種群規(guī)模BN、最大迭代次數(shù)TM、交叉概率Pc、變異概率Pm、待優(yōu)化參數(shù)個(gè) 數(shù)PN、及算法終止條件等;算法終止條件可采用到達(dá)最大迭代次數(shù)或達(dá)到收斂條件，由用戶 自定義。
[0037]步驟6初始種群的生成
[0038]種群個(gè)體采用實(shí)數(shù)編碼方式，每一個(gè)個(gè)體對(duì)應(yīng)一套模型品種參數(shù)X={Xl，x2,…， xn}。在步驟2劃分的品種參數(shù)范圍內(nèi)隨機(jī)生成BN套個(gè)體。
[0039]步驟7適應(yīng)度函數(shù)的構(gòu)造
[0040]適應(yīng)度函數(shù)是評(píng)價(jià)個(gè)體優(yōu)劣的指標(biāo)，主要由目標(biāo)函數(shù)和懲罰函數(shù)兩部分構(gòu)成。
[0041 ] 所述步驟7中包括：
[0042]步驟7.1利用模型中關(guān)鍵物侯期的模擬值和實(shí)際觀測(cè)值之間的根均方差(RMSE)構(gòu) 造目標(biāo)函數(shù)，公式見(5)。當(dāng)關(guān)鍵物候期實(shí)測(cè)數(shù)據(jù)是由步驟3推算估計(jì)獲得的范圍時(shí)，對(duì)該范 圍進(jìn)行一下處理，公式見(6)。
[0045] 式中:Pi表示關(guān)鍵物候期i的模擬值，0i表示關(guān)鍵物候期i的實(shí)測(cè)值，n表示其物候期 實(shí)測(cè)數(shù)據(jù)樣本數(shù)，i表示1，2,…，n，E表示估算物候期允許誤差天數(shù)，O max表示誤差范圍的上 限，Omin表示誤差范圍的下限。
[0046] 步驟7.2構(gòu)造懲罰函數(shù)，對(duì)關(guān)鍵物候期集合K中任一元素1^的模擬效果極差的參數(shù) 集進(jìn)行懲罰，降低其傳入下一代的概率，懲罰函數(shù)見公式(7)。 ..c \ ftarget，Pi - 〇i > z ,，、
[0047] ftarget j _ (7) (2 * ftarget> ~ 〇i ^ 6
[0048]式中：ftarget表示目標(biāo)函數(shù)值，Pi表示關(guān)鍵物候期ki的模擬值，Oi表示關(guān)鍵物候期ki 的物候期實(shí)測(cè)值，e表示誤差臨界值，超過即認(rèn)為模擬效果極差。
[0049]步驟7.3首先采用公式(8)將最小化的目標(biāo)函數(shù)轉(zhuǎn)化為適應(yīng)度函數(shù)，再對(duì)各目標(biāo)的 適應(yīng)度函數(shù)值進(jìn)行加權(quán)求和，從而計(jì)算個(gè)體的適應(yīng)度函數(shù)值。
[0051 ]式中：//#5#表示關(guān)鍵物候期j的目標(biāo)函數(shù)值，fflt表示適應(yīng)度函數(shù)值，N表示關(guān)鍵物 候期個(gè)數(shù)，Wj表示關(guān)鍵物候期j的權(quán)重。
[0052 ]步驟8構(gòu)造個(gè)體的基因位方向因子
[0053]傳統(tǒng)遺傳算法的交叉和變異算子通常缺少方向性。而在交叉和變異過程中，某一 基因位的交叉或變異方向與下一代期望調(diào)整方向有可能不一致，導(dǎo)致了作物模型參數(shù)優(yōu)化 背景下個(gè)體更新的無效搜索。由步驟2.3可以獲得，作物生育期模型的品種參數(shù)的變化規(guī)律 與各物候期模擬結(jié)果存在著正相關(guān)或負(fù)相關(guān)性，評(píng)價(jià)個(gè)體時(shí)，能夠得到個(gè)體物候期模擬結(jié) 果與實(shí)測(cè)結(jié)果之間的正負(fù)關(guān)系，利用該正負(fù)關(guān)系，結(jié)合模型參數(shù)與物候期間的相關(guān)性，能夠 對(duì)個(gè)體中每一基因位（即品種參數(shù))下一代更新期望進(jìn)化的方向加以有效引導(dǎo)，提高全局搜 索的效率。
[0054] 作物模型品種參數(shù)個(gè)體的基因位期望進(jìn)化方向可由公式(9)計(jì)算。 '1, (P - 0) * Zi < 0
[0055] df = - 0, (P - 0) * Zj = 0 (9) -1, iP-O)*Zi>0
[0056] 式中：cU表示個(gè)體中第i個(gè)基因位（品種參數(shù)）的期望調(diào)整方向，P表示任意一個(gè)約 束個(gè)體中第i基因位的關(guān)鍵物候期模擬值，〇表示任意一個(gè)約束個(gè)體中第i基因位的關(guān)鍵物 候期實(shí)測(cè)值，Zi表示個(gè)體中第i個(gè)品種參數(shù)與物候期的正反比關(guān)系，計(jì)算公式見公式(3)。
[0057] 步驟9采用輪盤賭選擇算子，首先根據(jù)個(gè)體適應(yīng)度值大小，計(jì)算個(gè)體遺傳進(jìn)入下一 代的概率。根據(jù)輪盤賭選擇原則，從父代中選取部分個(gè)體。
[0058]步驟10:構(gòu)造方向引導(dǎo)交叉算子。在模擬二進(jìn)制交叉算子的基礎(chǔ)上，結(jié)合個(gè)體基因 位方向引導(dǎo)因子，對(duì)各基因的交叉方向進(jìn)行引導(dǎo)，如下式所示：
[0062] 式中，;蚌表示兩個(gè)父代個(gè)體的第i位基因，yf、yf表示兩個(gè)子代個(gè)體的第i位 基因，U表示區(qū)間[0，1]內(nèi)的均勻分布隨機(jī)數(shù)，n。表示交叉參數(shù)，df:表示兩個(gè)父代個(gè)體第 i位基因方向因子。
[0063] 步驟11:構(gòu)造方向與精英個(gè)體引導(dǎo)的變異算子。在非均勻變異算子的基礎(chǔ)上，利用 個(gè)體基因位方向引導(dǎo)因子與種群精英個(gè)體綜合引導(dǎo)變異算子，從而加快算法收斂到全局最 優(yōu)解的速度，公式見(13)。
[0065] 式中：X' k表示變異后第k位基因，Xk表示變異前第k位基因，dk表示第k位基因的方 向因子，Y表示[0，1 ]內(nèi)的均勻分布隨機(jī)數(shù)，t表示當(dāng)前進(jìn)化代數(shù)，T表示最大進(jìn)化代數(shù)，b表 示非均勻度決定系數(shù)，c表示加速系數(shù)，表示種群中第k位基因的最大值，;^ est:表示最 優(yōu)個(gè)體第k位基因。步驟12:基于精英個(gè)體的局部搜索。由于種群精英個(gè)體與全局最優(yōu)解之 間的親和度要大于種群中的其他個(gè)體，利用精英個(gè)體信息產(chǎn)生多個(gè)與精英個(gè)體有較大親和 度的個(gè)體，可以提高種群優(yōu)勢(shì)個(gè)體的多樣性，增加算法搜索到全局最優(yōu)解的概率。因此在精 英個(gè)體附近進(jìn)行隨機(jī)擾動(dòng)，產(chǎn)生一定數(shù)量的新個(gè)體，提高算法后期局部搜索能力。新個(gè)體產(chǎn) 生公式如下：
[0066] K = X^est ± - U^in)/r (14)
[0067] 式中表示新個(gè)體第k位基因，對(duì)est表示最優(yōu)個(gè)體第k位基因，表示種群中 第k位基因的最大值，[/&")表示種群中第k位基因的最小值，r表示[0，1]內(nèi)的均勻分布隨機(jī) 數(shù)。
[0068] 步驟13重復(fù)步驟7至步驟12,直至算法運(yùn)行代數(shù)達(dá)到算法終止條件。
[0069] 本發(fā)明與現(xiàn)有的作物模型參數(shù)估算方法相比，其改進(jìn)主要體現(xiàn)如下：
[0070] (1)根據(jù)待優(yōu)化品種的生物學(xué)特性對(duì)作物生育期模型的品種參數(shù)初始范圍進(jìn)行了 進(jìn)一步劃分，，縮小遺傳算法隨機(jī)搜索空間，解決了基于遺傳算法進(jìn)行作物模型參數(shù)優(yōu)化可 能得到的不符合品種生物學(xué)特性的參數(shù)集問題。
[0071] (2)給出了關(guān)鍵約束性物候期的確定方法和日期范圍的估算方法，為作物生育期 模型參數(shù)優(yōu)化的目標(biāo)變量選擇提供了有效方法。
[0072] (3)構(gòu)造模型輸出物候期與品種參數(shù)間的基因位方向引導(dǎo)因子，對(duì)遺傳算法的交 叉變異操作進(jìn)行引導(dǎo)，提高了進(jìn)化算法在該類應(yīng)用中有效搜索能力。
[0073] (4)個(gè)體變異操作時(shí)加入精英個(gè)體的信息進(jìn)行引導(dǎo)，提高了算法向最優(yōu)解附近靠 攏的速度。并對(duì)精英個(gè)體附近進(jìn)行局部搜素，提高了種群中優(yōu)勢(shì)個(gè)體的多樣性，增加算法搜 索到全局最優(yōu)解的概率。
[0074] 有益效果：
[0075] 本發(fā)明提出一種約束性知識(shí)與精英個(gè)體策略遺傳算法融合的作物生育期模型品 種參數(shù)優(yōu)化方法，該方法一方面將作物品種特性的相關(guān)約束性知識(shí)引入到改進(jìn)型遺傳算法 優(yōu)化框架中，得出約束參數(shù)的初始范圍和關(guān)鍵物候期的實(shí)測(cè)值范圍，使得到的品種參數(shù)更 符合作物品種的生物學(xué)特性。另一方面通過改進(jìn)具有方向性的精英個(gè)體遺傳算法的種群更 新策略，提高了算法尋找最優(yōu)解的有效性和尋優(yōu)效率。
[0076] 實(shí)際應(yīng)用表明，本發(fā)明克服了傳統(tǒng)參數(shù)優(yōu)化方法中由于大量的迭代試錯(cuò)而帶來的 優(yōu)化效率低下、調(diào)參周期長等問題，并解決了由于傳統(tǒng)遺傳算法的隨機(jī)搜索機(jī)制而帶來的 優(yōu)化結(jié)果不符合品種生物學(xué)含義的問題，增強(qiáng)了模型品種參數(shù)優(yōu)化的準(zhǔn)確性，提高了作物 模型品種參數(shù)的優(yōu)化效率，有助于作物生長模型的發(fā)展與應(yīng)用，具有科學(xué)意義和實(shí)用價(jià)值。 [0077]四、說明書附圖
[0078]圖1本發(fā)明的流程示意圖
[0079] 圖2基于精英個(gè)體策略遺傳算法與蜜蜂進(jìn)化型遺傳算法的種群進(jìn)化分布圖
[0080] 圖3各項(xiàng)約束性知識(shí)的改進(jìn)效果（圖3-1為作物模型品種范圍約束對(duì)參數(shù)PVT分布 結(jié)果的影響，圖3-2為關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)約束對(duì)品種參數(shù)IE分布結(jié)果的影響。圖3-3為方向因子對(duì)收斂速率的影響）
[0081] 圖4為本方法在徐州、濟(jì)寧、濰坊、贛榆四個(gè)地點(diǎn)模擬效果的1:1關(guān)系圖；
[0082] 圖5為徐州、濟(jì)寧、濰坊、贛榆四地的歷史實(shí)測(cè)數(shù)據(jù)（圖5-1為開花期和成熟期的實(shí) 測(cè)數(shù)據(jù)，圖5-2為四個(gè)地點(diǎn)的平均溫度變化圖，圖5-3四個(gè)地點(diǎn)的輻射量變化圖）。 五、【具體實(shí)施方式】
[0083]以下通過實(shí)施案例對(duì)本發(fā)明進(jìn)一步描述 [0084] 實(shí)施例
[0085]以南京農(nóng)業(yè)大學(xué)的WheatGrow小麥生育期模型模擬濟(jì)南13號(hào)小麥品種在山東省濟(jì) 寧市、膠州市、濰坊市和江蘇省徐州市四個(gè)地點(diǎn)種植的物候期變化情況。結(jié)合附圖1，具體說 明本實(shí)施方式:步驟1:作物生育期模型品種參數(shù)優(yōu)化的數(shù)據(jù)準(zhǔn)備
[0086] 選取濟(jì)南13號(hào)小麥品種在山東省濟(jì)寧市、膠州市、濰坊市和江蘇省徐州市四個(gè)地 點(diǎn)種植的歷史數(shù)據(jù)，試驗(yàn)地點(diǎn)及年份數(shù)據(jù)見表1，各套數(shù)據(jù)均記錄開花期和成熟期的實(shí)測(cè)日 期，見附圖5-1。氣象數(shù)據(jù)均來自當(dāng)?shù)貧庀笳?，包括日最高溫度（°C)、日最低溫度（°C)、輻射 量(MJ/m2))等，見附圖5-2和5-3。播種深度為2.5cm。
[0087]表1試驗(yàn)選用的地點(diǎn)及年份數(shù)據(jù)
[0089] 步驟2: WheatGrow小麥生育期模型品種參數(shù)范圍劃分。
[0090]小麥為冷季作物，其生育期的特性包括感溫性、感光性、基本早熟型和春化效應(yīng)， WheatGrow的品種參數(shù)TS、PS、IE和PVT分別表現(xiàn)了以上四種特性，根據(jù)公式（1)對(duì)品種參數(shù) 初始范圍進(jìn)行劃分，結(jié)果見表2。
[0091]表2 WheatGrow小麥生育期模型參數(shù)初始范圍劃分及生物學(xué)含義
[0093]步驟3:確定WheatGrow小麥生育期模型具有關(guān)鍵約束性的物候期
[0094]步驟3.1分析模型模擬輸出物候期YjljY1+1的持續(xù)天數(shù)受到品種參數(shù)&變化所帶來 的影響。根據(jù)公式(3)計(jì)算獲得Zi，具體數(shù)據(jù)見表3。
[0095]表3 WheatGrow小麥生育期模型各物候期持續(xù)天數(shù)隨參數(shù)變化的情況
[0096]
[0097]步驟3.2分析物候期Yi和品種參數(shù)Xi的約束關(guān)系發(fā)現(xiàn)，參數(shù)PVT被拔節(jié)期唯一約 束，參數(shù)FD被成熟期唯一約束，IE和PS被拔節(jié)至抽穗階段約束，而TS則影響整個(gè)出苗至成熟 階段。因此根據(jù)調(diào)參關(guān)鍵物候期的確定規(guī)則，確定WheatGrow小麥生育期模型的拔節(jié)期、抽 穗期和成熟期為調(diào)參關(guān)鍵物候期。
[0098] 步驟3.3確定品種參數(shù)與模型模擬物候期的相關(guān)性
[0099] 根據(jù)步驟2.1得到的Zi的情況能夠確定品種參數(shù)Xi與物候期^持續(xù)天數(shù)之間存在 一定的相關(guān)性。根據(jù)表4中Zi值，確定品種參數(shù)TS、PS和PVT與物候期持續(xù)天數(shù)之間呈正比關(guān) 系，品種參數(shù)IE、FD與物候期持續(xù)天數(shù)之間呈反比關(guān)系。
[0100] 步驟4關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)范圍的估算
[0101] 徐州等四個(gè)地點(diǎn)的實(shí)測(cè)數(shù)據(jù)僅包含開花期和成熟期，缺少抽穗期和拔節(jié)期的實(shí)測(cè) 數(shù)據(jù)，需要利用當(dāng)?shù)卦耘鄬＜业慕?jīng)驗(yàn)知識(shí)加以推理估算數(shù)據(jù)范圍。
[0102] 步驟4.1估算關(guān)鍵物候期中抽穗期和拔節(jié)期的基礎(chǔ)日期
[0103] 根據(jù)文獻(xiàn)資料搜集和專家調(diào)研，確定濟(jì)南13號(hào)品種在江蘇徐州等地種植時(shí)，拔節(jié) 期距抽穗期約35天，抽穗期距開花期約5天。徐州地點(diǎn)實(shí)測(cè)數(shù)據(jù)中1982年的開花期為5月2 日，則根據(jù)公式(4)，估算抽穗期為4月27日，拔節(jié)期為3月23日。其他地點(diǎn)和年份的估算方法 與上例相同。
[0104] 步驟4.2構(gòu)造關(guān)鍵物候期實(shí)測(cè)數(shù)據(jù)的允許誤差范圍
[0105]由估算得到關(guān)鍵約束性物候期中拔節(jié)期和抽穗期的實(shí)測(cè)數(shù)據(jù)具有一定誤差。因 此，需構(gòu)造拔節(jié)期和抽穗期的實(shí)測(cè)數(shù)據(jù)的允許誤差范圍。根據(jù)當(dāng)?shù)卦耘嘟?jīng)驗(yàn)，抽穗期和拔節(jié) 期的誤差分別設(shè)置為1天和3天。
[0106] 步驟5設(shè)置算法的初始控制參數(shù)
[0107] 設(shè)置種群規(guī)模BN= 100、最大迭代次數(shù)TM= 100、交叉概率Pc = 0.8、變異概率Pm = 0.05、待優(yōu)化參數(shù)個(gè)數(shù)PN=5，算法終止條件為迭代次數(shù)達(dá)到最大迭代次數(shù)。
[0108] 步驟6初始種群的生成
[0109] 種群個(gè)體的編碼方式采用實(shí)數(shù)編碼，每一組個(gè)體對(duì)應(yīng)一套作物模型品種參數(shù)，每 個(gè)基因位對(duì)應(yīng)一個(gè)品種參數(shù)。由于濟(jì)南13號(hào)品種的春化特性為半冬性，因此根據(jù)表3，將PVT 參數(shù)的初始范圍設(shè)置為[30,40]，其他參數(shù)為初始參數(shù)。在該范圍內(nèi)隨機(jī)生成BN個(gè)個(gè)體。 [0110]步驟7適應(yīng)度函數(shù)的構(gòu)造
[0111] 適應(yīng)度函數(shù)是評(píng)價(jià)個(gè)體優(yōu)劣的指標(biāo)，主要由目標(biāo)函數(shù)和懲罰函數(shù)兩部分構(gòu)成。
[0112] 所述步驟7中包括：
[0113]步驟7.1目標(biāo)函數(shù)設(shè)計(jì)
[0114]利用模型模擬值和實(shí)際觀測(cè)值之間的根均方差(RMSE)構(gòu)造目標(biāo)函數(shù)，公式見(5)。 當(dāng)物候期實(shí)測(cè)數(shù)據(jù)是由步驟3推算估計(jì)獲得的范圍時(shí)，對(duì)該范圍進(jìn)行一下處理，公式見(6)。
[0117] 式中:Pi表示物候期模擬值，0i表示物候期實(shí)測(cè)值，n表示物候期實(shí)測(cè)數(shù)據(jù)樣本數(shù)，i 表示1，2,…，n，E表示估算物候期允許誤差天數(shù)，Omax表示估算范圍的上限，Omin表示估算范 圍的下限。
[0118] 步驟7.2構(gòu)造懲罰函數(shù)，對(duì)關(guān)鍵物候期集合K中任一元素1^的模擬效果極差的參數(shù) 集進(jìn)行懲罰，降低其傳入下一代的概率，懲罰函數(shù)見公式(7)。 「 1 r f ftarget' ~ 〇i ^ e ,，、
[0119] ftarget~\ (7) (2 * ftarget，Pi ~ 〇i > e
[0120]式中：ftarge5t表示目標(biāo)函數(shù)值，Pi表示物候期模擬值，Oi表示物候期實(shí)測(cè)值，e表示誤 差臨界值，本例取5。
[0121 ]步驟7.3首先采用公式(8)將最小化的目標(biāo)函數(shù)轉(zhuǎn)化為適應(yīng)度函數(shù)，再對(duì)各目標(biāo)的 適應(yīng)度函數(shù)值進(jìn)行加權(quán)求和，從而計(jì)算個(gè)體的適應(yīng)度函數(shù)值。
[0123] 式中：//a,5et表示物候期j的目標(biāo)函數(shù)值，fflt表示適應(yīng)度函數(shù)值，N表示關(guān)鍵物候期 個(gè)數(shù)，Wj表示物候期j的權(quán)重。
[0124] 步驟8構(gòu)造方向因子
[0125] 傳統(tǒng)遺傳算法的交叉和變異算子通常缺少方向性。而在交叉變異等算子中，某一 基因位的交叉或變異方向與其期望調(diào)整方向有可能不一致，導(dǎo)致了無效搜索。由于作物生 育期模型的品種參數(shù)的變化規(guī)律與各物候期模擬結(jié)果存在一定相關(guān)性，主要表現(xiàn)為正相關(guān) 和負(fù)相關(guān)，由步驟3.3可以獲得。在評(píng)價(jià)個(gè)體時(shí)，能夠得到個(gè)體物候期模擬結(jié)果與實(shí)測(cè)結(jié)果 之間的正負(fù)關(guān)系，而利用該正負(fù)關(guān)系，結(jié)合模型參數(shù)與物候期間的相關(guān)性，能夠?qū)€(gè)體中每 一基因位下一步期望進(jìn)化的方向進(jìn)行引導(dǎo)。
[0126] 作物模型品種參數(shù)個(gè)體中基因位期望進(jìn)化的方向可由公式(9) r 1, (P-0)*Zi<0
[0127] d( = ? 0, (P - 0) * Zi = 0 (9) -1, (P-O)*Zi>0
[0128] 式中：cU表示個(gè)體中第i個(gè)品種參數(shù)的期望調(diào)整方向，P表示任意一個(gè)約束個(gè)體中 第i基因位的關(guān)鍵物候期模擬值，〇表示任意一個(gè)約束個(gè)體中第i基因位的關(guān)鍵物候期實(shí)測(cè) 值，Zi表示個(gè)體中第i個(gè)品種參數(shù)與物候期的正反比關(guān)系，計(jì)算公式見步驟3.3。
[0129] 步驟9采用輪盤賭選擇算子，首先根據(jù)個(gè)體適應(yīng)度值大小，計(jì)算個(gè)體遺傳進(jìn)入下一 代的概率。根據(jù)輪盤賭選擇原則，從父代中選取部分個(gè)體。
[0130]步驟10:構(gòu)造方向引導(dǎo)交叉算子。在模擬二進(jìn)制交叉算子的基礎(chǔ)上，結(jié)合個(gè)體基因 位的方向引導(dǎo)因子，對(duì)各基因的交叉方向進(jìn)行引導(dǎo)，如下式所示：
[0134] 式中，蜉、蚌表示兩個(gè)父代個(gè)體的第i位基因，#、yf表示兩個(gè)子代個(gè)體的第i位 基因，U表示區(qū)間[0，1]內(nèi)的均勻分布隨機(jī)數(shù)，n。表示交叉參數(shù)，一般取值為2，d〖、df表示兩 個(gè)父代個(gè)體第i位基因方向因子。
[0135] 步驟11:構(gòu)造方向和精英個(gè)體引導(dǎo)的變異算子。在非均勻變異算子的基礎(chǔ)上，利用 個(gè)體基因位的方向引導(dǎo)因子和種群精英個(gè)體引導(dǎo)變異算子，從而加快算法收斂到全局最優(yōu) 解的速度，公式見(13)。
[0137] 式中：X' k表示變異后第k位基因，Xk表示變異前第k位基因，dk表示第k位基因的方 向因子，r表示[0，1 ]內(nèi)的均勻分布隨機(jī)數(shù)，t表示當(dāng)前進(jìn)化代數(shù)，T表示最大進(jìn)化代數(shù)，b表示 非均勻度決定系數(shù)，c表示加速系數(shù)，表示最優(yōu)個(gè)體第k位基因，表示種群中第k位 基因的最大值。
[0138] 步驟12:基于精英個(gè)體的局部搜索。種群精英個(gè)體與全局最優(yōu)解之間的親和度要 大于種群中的其他個(gè)體，利用精英個(gè)體信息產(chǎn)生多個(gè)與精英個(gè)體有較大親和度的個(gè)體，可 以提高種群優(yōu)勢(shì)個(gè)體的多樣性，增加算法搜索到全局最優(yōu)解的概率。因此在精英個(gè)體附近 進(jìn)行隨機(jī)擾動(dòng)，產(chǎn)生一定數(shù)量的新個(gè)體，提高算法后期局部搜索能力。新個(gè)體產(chǎn)生公式如 下：
[0139] Xk =X^st±(U^ax-U^in)/r (14)
[0140] 式中k表示新個(gè)體第k位基因，;^est表示最優(yōu)個(gè)體第k位基因，咕％表示種群中 第k位基因的最大值，表示種群中第k位基因的最小值，r表示[0，1]內(nèi)的均勻分布隨機(jī) 數(shù)。
[0141] 步驟13重復(fù)步驟7至步驟12,直至算法運(yùn)行代數(shù)達(dá)到最大迭代次數(shù)。
[0142] 基于精英個(gè)體策略的改進(jìn)型遺傳算法(EISGA)的改進(jìn)效果見表4和附圖2至附圖4。 表4為基于精英個(gè)體策略的改進(jìn)型遺傳算法與其他遺傳算法在^ 5五個(gè)測(cè)試函數(shù)上的平均 進(jìn)化代數(shù)及收斂率的比較結(jié)果;附圖2為EISGA與蜜蜂進(jìn)化型遺傳算法在有關(guān)過程中種群的 分布情況。試驗(yàn)結(jié)果能夠發(fā)現(xiàn)，基于精英個(gè)體策略的改進(jìn)型遺傳算法的收斂速度快且精度 更高，表明變異算子及精英個(gè)體局部搜索等策略增強(qiáng)了算法的尋優(yōu)能力;進(jìn)化過程的種群 分布情況表明了 EISGA具有更強(qiáng)的后期在最優(yōu)解処的局部搜索能力，使算法搜索到全局最 優(yōu)解的概率增大。
[0143] fi = 100(xi2_X2)2+(l-xi)2，xi，X2G [_5,5]
[0144] f2 = (-1)(x2+2y2-〇.3cos(3x)-〇.4cos(3y))+4,x,y G [-1,1]
[0148]表4各測(cè)試函數(shù)的平均進(jìn)化代數(shù)及其收斂率
[0150] 約束性知識(shí)與精英個(gè)體策略遺傳算法融合的優(yōu)化方法在作物生育期模型參數(shù)優(yōu) 化中的各項(xiàng)改進(jìn)如表5、附圖3和附圖4;表5為分別采用關(guān)鍵約束目性物候期的估算日期和 估算誤差范圍構(gòu)造適應(yīng)度函數(shù)的優(yōu)化結(jié)果對(duì)比；圖3-1為作物模型品種范圍約束對(duì)參數(shù)PVT 分布結(jié)果的影響，圖3-2為關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)約束對(duì)品種參數(shù)IE分布結(jié)果的影響。 圖3-3為徐州和濟(jì)寧兩地試驗(yàn)中，方向因子對(duì)收斂速率的影響。圖4為本方法在徐州、濟(jì)寧、 濰坊、贛榆四個(gè)地點(diǎn)模擬效果的1:1關(guān)系圖；試驗(yàn)結(jié)果能夠發(fā)現(xiàn)，在作物模型品種參數(shù)優(yōu)化 中，在加入PVT品種參數(shù)范圍約束后，能夠有效的約束PVT的優(yōu)化結(jié)果均符合半冬性的品種 特性;加入關(guān)鍵約束性物候期的實(shí)測(cè)數(shù)據(jù)約束后，品種參數(shù)IE的分布也有明顯約束，并且采 用關(guān)鍵物候期估算范圍構(gòu)造適應(yīng)度函數(shù)的優(yōu)化效果較好，表明估算關(guān)鍵物候期的實(shí)測(cè)數(shù)據(jù) 范圍對(duì)品種參數(shù)的分布具有明顯的約束作用，并且能夠減小經(jīng)驗(yàn)估算的誤差;加入方向因 子后，算法的尋優(yōu)速度有所提高，表明了針對(duì)該應(yīng)用問題方向算子是有效的。算法優(yōu)化結(jié)果 在四個(gè)地點(diǎn)均取得了良好的優(yōu)化效果，證明了本方法的有效性。
[0151] 表5分別采用估算的關(guān)鍵物候期的物候日期和物候范圍構(gòu)造適應(yīng)度函數(shù)的對(duì)比結(jié) 果
【主權(quán)項(xiàng)】
1. 約束性知識(shí)與精英個(gè)體策略遺傳算法融合的作物生育期模型品種參數(shù)優(yōu)化方法，其 主要包括W下步驟： 1) 作物生育期模型品種參數(shù)優(yōu)化的數(shù)據(jù)準(zhǔn)備； 2) 作物生育期模型品種參數(shù)初始范圍的等級(jí)劃分； 3) 確定對(duì)模型品種參數(shù)具有關(guān)鍵約束性的物候期； 4) 關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)范圍的估算； 5) 設(shè)置改進(jìn)型遺傳算法控制參數(shù)的初始值； 6) 初始種群的生成； 7) 適應(yīng)度函數(shù)的構(gòu)造； 8) 構(gòu)造個(gè)體的基因位方向因子； 9) 采用輪盤賭方法構(gòu)造選擇算子； 10) 構(gòu)造方向引導(dǎo)交叉算子； 11) 構(gòu)造方向與精英個(gè)體引導(dǎo)的變異算子； 12) 基于精英個(gè)體的局部捜索； 13) 重復(fù)步驟7至步驟12,直至算法運(yùn)行代數(shù)達(dá)到算法終止條件。2. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟2)中作物生育期模型品種參數(shù)初始范圍的等級(jí)劃分，按公式（1)(2)對(duì) 品種參數(shù)范圍進(jìn)行望 (1) (2) 式中：表示品種參數(shù)i原始范圍最大值，表示品種參數(shù)i原始范圍最小值， 表示參數(shù)i重新劃分等級(jí)后，第j級(jí)特性的最大值，表示參數(shù)i重新劃分等級(jí)后，第j級(jí)特 性的最小值，n表示參數(shù)i品種特性的等級(jí)個(gè)數(shù)。3. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟3)中確定對(duì)模型品種參數(shù)具有關(guān)鍵約束性的物候期，包括：步驟3.1定義模型品種參數(shù)集合P= Ul，X2,…，Xn}，模型模擬物候期集合W= {Y1， Y2，-'Jn};采用W下方法確定作物模型模擬物候期對(duì)品種參數(shù)的約束能力:通過公式(3) 衡量物候期Yi與品種參數(shù)Xi的約束關(guān)系W及正反比關(guān)系；若Zi聲0,則Yi約束Xi;若Zi = O, 則Yi不約束Xi; (3) 式中：Xi表示品種參數(shù)初始值，1表示品種參數(shù)改變后的值，Yi表示物候期i日期，Yw 表示物候期i+1的日期，1表示改變后Xi后物候期i的日期，r W表示改變后Xi后物候期i+1 的日期，Z康示品種參數(shù)i的敏感度。 步驟3.2定義關(guān)鍵物候期集合K=化l，k2,…，kn}，采用W下規(guī)則確定作物模型參數(shù)優(yōu) 化的關(guān)鍵物候期，若物候期Yi滿足W下兩個(gè)條件之一時(shí)認(rèn)為該物候期為關(guān)鍵物候期，將該 物候期Yi加入關(guān)鍵物候期集合K中： (1)若某一 Xi僅被唯一的Ki約束時(shí)，貝化i為關(guān)鍵物候期； (2)若Xi被Kj至趾發(fā)育階段中的物候期約束時(shí)，則選取Kj和趾的兩個(gè)物候期作為關(guān)鍵 物候期； 步驟3.3判定品種參數(shù)與模型模擬物候期的相關(guān)性 根據(jù)步驟3.1得到的Z的情況能夠確定品種參數(shù)Xi與物候期Yi持續(xù)天數(shù)之間存在一定 的相關(guān)性，當(dāng)Z>0時(shí)，Xi與Yi成正相關(guān)，當(dāng)Z<0時(shí)，Xi與Yi成負(fù)相關(guān)，當(dāng)Z = O時(shí)，Xi與Yi不相 關(guān)。4. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟4)中關(guān)鍵約束性物候期實(shí)測(cè)數(shù)據(jù)范圍的估算，包括： 步驟4.1估算關(guān)鍵物候期ki基礎(chǔ)日期 首先判斷實(shí)測(cè)物候期數(shù)據(jù)是否完全包含關(guān)鍵物候期集合K中全部元素的實(shí)測(cè)數(shù)據(jù)，若 包含，則跳過該步驟;若缺失某一關(guān)鍵物候期ki的實(shí)測(cè)數(shù)據(jù)，則根據(jù)公式(4)推理估算該關(guān) 鍵約束性物候期ki的物候日期；(4) 式中：Dj表示待估算的物候y期，Di表示已知物候期的日期，dij表示物候期i與物候期i 的持續(xù)天數(shù)，i，j表示物候期索引，i>j表示物候期j在物候期i之前，其中，如的值可由文獻(xiàn) 資料或栽培經(jīng)驗(yàn)獲取。 步驟4.2構(gòu)造關(guān)鍵物候期實(shí)測(cè)數(shù)據(jù)的允許誤差范圍構(gòu)造關(guān)鍵目標(biāo)物候期估算數(shù)據(jù)的運(yùn) 行誤差范圍[Dj-E，Dj+E]，E為相差范圍。5. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟7)中適應(yīng)度函數(shù)的構(gòu)造，主要由目標(biāo)函數(shù)和懲罰函數(shù)兩部分構(gòu)成，包 括：步驟7.1利用模型模擬值和實(shí)際觀測(cè)值之間的根均方差(RMSE)構(gòu)造目標(biāo)函數(shù)ftarget，公 式見(5);當(dāng)物候期實(shí)測(cè)數(shù)據(jù)是由步驟3推算估計(jì)獲得的范圍時(shí)，對(duì)該范圍進(jìn)行一下處理，公 式見(6); (5) (6) 式中：Pi表示物候期模擬值，Oi表示物候期實(shí)測(cè)值，n表示物候期實(shí)測(cè)數(shù)據(jù)樣本數(shù)，i表示 1，2,…，n，E表示估算物候期允許誤差天數(shù)，Omax表示估算范圍的上限，Omin表示估算范圍的 下限。 步驟7.2構(gòu)造懲罰函數(shù)，對(duì)關(guān)鍵物候期集合K中任一元素 ki的模擬效果極差的參數(shù)集進(jìn) 行懲罰，降低其傳入下一代的概率，懲罰函數(shù)見公式(7);(7) 式中：ftarget表示目標(biāo)函數(shù)值，P康示物候期模擬值，0康示物候期實(shí)測(cè)值，e表示誤差臨 界值，超過e即認(rèn)為模擬效果極差。 步驟7.3首先采用公式(8)將最小化的目標(biāo)函數(shù)轉(zhuǎn)化為適應(yīng)度函數(shù)，再對(duì)各目標(biāo)的適應(yīng) 度函數(shù)值進(jìn)行加權(quán)求和，從而計(jì)算個(gè)體的適應(yīng)度函數(shù)值；(8) 式中：/tiwt表示物候期J的目標(biāo)函數(shù)值，ffit表示適應(yīng)度函數(shù)值，N表示關(guān)鍵物候期個(gè) 數(shù)，Wj表示物候期j的權(quán)重。6. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟8)中構(gòu)造個(gè)體的基因位方向因子;作物模型品種參數(shù)個(gè)體的基因位期 望進(jìn)化方向可由公式(9)計(jì)曰 式中：di表示個(gè)體中第i個(gè)基因位(品種參數(shù))的期望調(diào)整方向，P表示任意一個(gè)約束個(gè)體 中第i基因位的關(guān)鍵物候期模擬值，O表示任意一個(gè)約束個(gè)體中第i基因位的關(guān)鍵物候期實(shí) 測(cè)值，Zi表示個(gè)體中第i個(gè)品種參數(shù)與物候期的正反比關(guān)系，計(jì)算公式見公式(3)。7. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于包括步驟10)中構(gòu)造方向引導(dǎo)交叉算子;在模擬二進(jìn)制交叉算子的基礎(chǔ)上， 結(jié)合個(gè)體基因位方向引導(dǎo)因子，對(duì)各基因的交叉方向進(jìn)行引導(dǎo)，如下式所示；式中，種、Xf表示兩個(gè)父代個(gè)體的第i位基因，知、yf表示兩個(gè)子代個(gè)體的第i位基因， U表示區(qū)間[0，1]內(nèi)的均勻分布隨機(jī)數(shù)，n。表示交叉參數(shù)，一般取值為2,耐、df表示兩個(gè) 父代個(gè)體第i位基因方向因子。8. 根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟11)中構(gòu)造方向與精英個(gè)體引導(dǎo)的變異算子。在非均勻變異算子的基礎(chǔ) 上，利用個(gè)體基因位方向引導(dǎo)因子與種群精英個(gè)體綜合引導(dǎo)變異算子，從而加快算法收斂 到全局最優(yōu)解的速度，公式見(13)。(13) 式甲：X' k巧不雙弁后弟k位基巧，Xk巧不雙弁前弟k位基巧，dk巧不弟k位基因的方向因子，r 表示[〇，1]內(nèi)的均勻分布隨機(jī)數(shù)，t表示當(dāng)前進(jìn)化代數(shù)，T表示最大進(jìn)化代數(shù)，b表示非均勻度 決定系數(shù)，C表示加速系數(shù)，dk表示第k位基因的方向引導(dǎo)因子，端表示種群中第k位基因 的最大值，St表示最優(yōu)個(gè)體第k位基因。9.根據(jù)權(quán)利要求1所述的精英個(gè)體策略遺傳算法的作物生育期模型品種參數(shù)優(yōu)化方 法，其特征在于步驟12)中基于精英個(gè)體的局部捜索。在精英個(gè)體附近進(jìn)行隨機(jī)擾動(dòng)，產(chǎn)生 一定數(shù)量的新個(gè)體，提高算法后期局部捜索能力;產(chǎn)生新個(gè)體的個(gè)數(shù)由種群大小決定，一般 取種群大小的1/10;新個(gè)體產(chǎn)生公式如下：式中:公k表示新個(gè)體第k位基因，Xfest表示最優(yōu)個(gè)體第k位基因，f/點(diǎn)^表示種群中第k位 基因的最大值，喘h(huán)表示種群中第k位基因的最小值，r表示[0，1]內(nèi)的均勻分布隨機(jī)數(shù)。
【文檔編號(hào)】G06F19/20GK105913326SQ201610220442
【公開日】2016年8月31日
【申請(qǐng)日】2016年4月6日
【發(fā)明人】姜海燕, 許驊, 許一驊, 莊嘉祥, 劉蕾蕾, 朱艷, 于娟娟, 吳冕
【申請(qǐng)人】南京農(nóng)業(yè)大學(xué)