【技术实现步骤摘要】
本专利技术属于多农机任务分配，尤其涉及一种基于改进线性自适应遗传的多农机任务分配方法。
技术介绍
1、作为智慧农业技术体系中的核心关键技术，农机自动导航技术近年来不断进步和普及，使得多农机协同作业成为可能。多台农机或多种农机的协同作业技术，可以充分发挥机群作业的优势，提高农机作业效率，降低生产成本和提高生产效益。
2、多农机协同作业涉及任务分配、自动导航、环境感知与定位、自动控制、通信与信息共享等多项关键技术，任务分配是其中的一项研究重点。以任务价值最大化、生产成本最小化为原则。但是由于多农机控制算法及规划算法的局限性，即在迭代次数较小，样例不多的时候，便容易陷入局部最优的情况。
3、现有技术中，一般会采用传统的遗传算法求解农机任务分配的问题，流程如下：s1、选择合适的编码方式(二进制编码)，将任务分配情况转化为个体染色体；s2、随机生成一定数量的个体作为初始种群，必须确保种群中的个体能够覆盖任务分配的解的空间；s3、计算每个个体的适应度值，根据适应度函数进行评估，适应度高的个体表示较优的任务分配方案；s4、选择适应度较高的个体用于繁殖。常见的选择方法包括轮盘赌选择、锦标赛选择等；s5、选取两个或多个个体进行交叉操作(重组)，生成新的个体，要确保交叉后的个体仍然满足任务分配的约束条件；s6、对部分个体进行变异，改变个体的某些基因值，以增加种群的多样性。保证变异在一定概率下进行，并需要遵循任务分配的规则；s7、用新生成的个体替换掉适应度较低的个体，形成新一代种群；s8、判断是否满足最大迭代次数,若满足,结束
4、然而，现有的方法中的交叉和变异的概率在迭代过程中是固定的，并没体现随机的一个过程，同时现有的方法往往对种群大小、交叉率、变异率等参数设置非常敏感，不同的设置可能导致截然不同的结果，缺乏根据当前搜索状态自适应调整参数的能力。这样就会导致容易陷入停滞的状态，陷入到局部最优解，这样会使可行解大大降低。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于改进线性自适应遗传的多农机任务分配方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于改进线性自适应遗传的多农机任务分配方法，包括：
3、基于多农机的作业场景构建多农机作业任务集和多农机的作业任务场地，基于所述多农机作业任务集和多农机的作业任务场地构建输入数据集；
4、基于农机的性能参数构建多农机任务调度评估模型；
5、构建改进的线性自适应遗传算法，将所述输入数据集输入至所述改进的线性自适应遗传算法中进行迭代优化和分配计算，获得自适应的最优分配结果；
6、将所述自适应的最优分配结果输入至所述多农机任务调度评估模型中评估分配任务的合理性，生成最优的分配结果。
7、优选地，所述多农机作业任务集包括作业类型、作业面积和作业的地块数量；
8、所述多农机的作业任务场地包括场地编号、场地端点、地头的端点、入口端点和障碍物的端点。
9、优选地，所述多农机任务调度评估模型中，代价函数的表达式为：
10、
11、其中，f为协同代价的函数，f_cost为最小的代价，α、β与γ与为权重系数，ti为第i台农机的作业时间，task_pre为已工作量的百分比，si为第i台农机的作业路程。
12、优选地，所述所述多农机任务调度评估模型中，约束条件包括：农机的性能参数已知、农机作业之前需要作业的任务量已知、农机的数量小于等于需要完成的任务量和一台农机负责一个作业任务。
13、优选地，所述改进的线性自适应遗传算法的运行过程包括：
14、采用二进制编码方式产生数量为n的初始种群，定义交叉的概率pm,变异的概率pe,遗传算法的迭代次数k；
15、基于随机序列的顺序进行遗传迭代：设产生1个随机序列rr，并规定阈值re，且rr∈[0,1)，如果rr<re,则发生交叉，反之rr>re，那么不发生交叉；
16、从子代第一代，产生随机数rm,rm∈[0,1),若rm<pe,则该个体执行变异操作，否则该个体保持不变，计算个体的适应度函数，重复该步骤；
17、采用精英策略，更新每代种群的最优解，选出最优的个体，更新子代种群；
18、更新子代种群，设置变异率和选择率的阈值，给定最大的变异概率，最小的变异概率，最大的选择概率与最小的选择概率；
19、采用改进的自适应策略，根据适应度的大小，动态改变交叉概率和变异概率；
20、更新最优解，选出最优的个体，更新子代种群，如果达到迭代次数，则选择当前种群适应度最高的个体作为该任务分配的解，同时将最优的结果输出。
21、优选地，所述基于随机序列的顺序进行遗传的过程还包括：基于轮盘赌方法来选择，得到父代与1到m的随机序列，规定交叉阈值re,且rr∈[0,1),如果rr<re,则发生单因子交叉，若rr>re，那么进行双因子交叉，得到交叉后的子代个体。
22、优选地，采用精英策略，更新最优解，选出最优的个体，更新子代种群的过程还包括：在基因编码的过程中，对超出范围的基因进行变异，所述对超出范围的基因进行变异的表达式为：
23、
24、其中，为变异率的上限与下限区间。
25、优选地，采用改进的自适应策略，根据适应度的大小，改变交叉概率和变异概率的过程还包括：采用余弦改进型的自适应策略结合交叉和变异算子时，在生成新个体时动态调整交叉和变异的概率或参数；
26、调整交叉的概率的表达式为：
27、
28、调整变异的概率的表达式为：
29、
30、其中，pcmax，pcmin分别表示交叉概率的最大值与最小值，fmax为种群适应值最大值，fmin为种群适应值最小值，favg表示种群适应值的平均值，f(i)为当前第i个个体适应度的值，pmmax，pmmin分别表示变异概率的最大值与最小值。
31、与现有技术相比，本专利技术具有如下优点和技术效果：
32、本专利技术的一种改进线性自适应遗传的多农机任务分配方法，通过获取农机的参数信息，作业农田的参数信息，根据任务设定输入参数；构建多农机作业任务集及多农机的任务调度评估模型；根据所述的输入参数、多农机的任务调度评估模型以及改进线性自适应的遗传算法，配合云端服务平台与自组网的调度系统，结合实时收到的农机参数信息，获取农机的最优分配方案。本专利技术设计的改进线性自适应的遗传算法，其采取动态变异率和交叉率去调整种群的全局搜索能力，调整算法参数，来加速收敛速度，避免在搜索过程中出现过早收敛的情况，增加找到全局最优解的机会。。
本文档来自技高网...【技术保护点】
1.一种基于改进线性自适应遗传的多农机任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述多农机作业任务集包括作业类型、作业面积和作业的地块数量；
3.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述多农机任务调度评估模型中，代价函数的表达式为：
4.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述所述多农机任务调度评估模型中，约束条件包括：农机的性能参数已知、农机作业之前需要作业的任务量已知、农机的数量小于等于需要完成的任务量和一台农机负责一个作业任务。
5.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述改进的线性自适应遗传算法的运行过程包括：
6.根据权利要求5所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述基于随机序列的顺序进行遗传的过程还包括：基于轮盘赌方法来选择，得到父代与1到m的随机序列，规定交叉阈值Re,且Rr∈[0,1
7.根据权利要求5所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，采用精英策略，更新最优解，选出最优的个体，更新子代种群的过程还包括：在基因编码的过程中，对超出范围的基因进行变异，所述对超出范围的基因进行变异的表达式为：
8.根据权利要求5所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，采用改进的自适应策略，根据适应度的大小，改变交叉概率和变异概率的过程还包括：采用余弦改进型的自适应策略结合交叉和变异算子时，在生成新个体时动态调整交叉和变异的概率或参数；
...【技术特征摘要】
1.一种基于改进线性自适应遗传的多农机任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述多农机作业任务集包括作业类型、作业面积和作业的地块数量；
3.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述多农机任务调度评估模型中，代价函数的表达式为：
4.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述所述多农机任务调度评估模型中，约束条件包括：农机的性能参数已知、农机作业之前需要作业的任务量已知、农机的数量小于等于需要完成的任务量和一台农机负责一个作业任务。
5.根据权利要求1所述的基于改进线性自适应遗传的多农机任务分配方法，其特征在于，所述改进的线性自适应遗传算法的运行过程包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：龚立娇，易翰林，李荣轩，周杰，李轩杰，项若雪，王雯烁，
申请(专利权)人：石河子大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。