多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)下的農(nóng)機服務(wù)資源優(yōu)化配置方法

馬軍巖 袁逸萍* 任年魯 郭 宇 劉 湘

(1.新疆大學(xué) 機械工程學(xué)院，烏魯木齊 830049；2.南京航空航天大學(xué) 機電學(xué)院，南京 210016)

近年來，隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)和云計算等技術(shù)日漸成熟，集現(xiàn)代信息技術(shù)為一體的智慧農(nóng)業(yè)進入高速發(fā)展階段。我國是農(nóng)業(yè)大國，智慧農(nóng)業(yè)作為智慧經(jīng)濟的主要組成部分是我國的民生之本，發(fā)展智慧農(nóng)業(yè)成為必然選擇[1]。智慧農(nóng)業(yè)數(shù)據(jù)中心解決了農(nóng)業(yè)生產(chǎn)中的信息孤島問題，為優(yōu)化農(nóng)業(yè)資源配置、服務(wù)“三農(nóng)”奠定了良好基礎(chǔ)[2]。隨著智慧農(nóng)業(yè)發(fā)展規(guī)模不斷壯大，傳統(tǒng)意義上以農(nóng)機服務(wù)組織為單位的農(nóng)機分散調(diào)度模式由于缺乏全局性已不再適用于當(dāng)前農(nóng)業(yè)的快速發(fā)展，農(nóng)機服務(wù)行業(yè)在一定程度上出現(xiàn)“重視機主收益，輕視農(nóng)戶損失”的現(xiàn)象，呈現(xiàn)出“有機沒活干，有活沒農(nóng)機”的資源格局[3-4]。如何提升農(nóng)機服務(wù)調(diào)度水平從而確保各地區(qū)“雙搶”、“三夏”及“三秋”農(nóng)忙時節(jié)糧食顆粒歸倉成為制約現(xiàn)代大農(nóng)業(yè)發(fā)展的關(guān)鍵問題。因此，在當(dāng)前形勢下，迫切需要以“分散資源集中使用、集中資源分散服務(wù)”的思想為指導(dǎo)，研究基于智慧農(nóng)業(yè)的多區(qū)互聯(lián)式農(nóng)機調(diào)度新模式，為提升區(qū)域內(nèi)農(nóng)機服務(wù)調(diào)度整體水平提供行之有效的方法。

傳統(tǒng)的農(nóng)機分散調(diào)度模式通常以各農(nóng)機服務(wù)組織為單位對農(nóng)機資源進行自治管理，以降低調(diào)度成本或提高機主收益等為目標(biāo)進行服務(wù)調(diào)度。已有研究對農(nóng)機調(diào)度機制提出多種模型和算法：1)以最小化完工時間為目標(biāo)建立農(nóng)機調(diào)度模型[5-6]；2)兩階段的農(nóng)機調(diào)度模型[7]；3)有容量限制的車輛調(diào)度模型[8-10]；4) 以最短距離為調(diào)度規(guī)則的路徑規(guī)劃模型[11]；5)基于機主選擇的農(nóng)機調(diào)配模式建立運籌學(xué)模型[12-13]；6)基于時間窗的農(nóng)機資源時空調(diào)度數(shù)學(xué)模型，并用啟發(fā)式算法對模型進行求解[14-15]；7)綠色收割農(nóng)機調(diào)度模型,并采用整數(shù)規(guī)劃的分支定界算法成功求解該模型[16]；8)農(nóng)機應(yīng)急調(diào)度和跨區(qū)作業(yè)模型[17-18]。上述農(nóng)機分散調(diào)度方法在解決相關(guān)問題方面已取得一定成效，但主要從局部優(yōu)化角度進行農(nóng)機調(diào)度研究，統(tǒng)籌各區(qū)域農(nóng)戶損失和機手收益問題仍存在薄弱環(huán)節(jié)。在此基礎(chǔ)上，部分已有研究嘗試從全局角度分析農(nóng)機調(diào)度問題，實現(xiàn)基于GIS、GPRS及GPS等技術(shù)的農(nóng)機監(jiān)控調(diào)度管理系統(tǒng)設(shè)計與開發(fā)[19-23]，但對于如何綜合考慮各區(qū)域機主收益和農(nóng)戶收益，在系統(tǒng)架構(gòu)基礎(chǔ)上開發(fā)適用于多區(qū)互聯(lián)的農(nóng)機調(diào)度模型和全局優(yōu)化智能調(diào)度算法，仍然是亟待解決的問題。針對上述研究中存在的問題，本研究擬構(gòu)建一種適用于智慧農(nóng)業(yè)發(fā)展的多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)，建立多區(qū)互聯(lián)的農(nóng)機調(diào)度模型和智能優(yōu)化調(diào)度算法，旨在從區(qū)域總效益、訂單響應(yīng)率和農(nóng)機效用比等角度研究農(nóng)機調(diào)度方法以及農(nóng)田面積對調(diào)度效果的影響，從全局角度優(yōu)化農(nóng)機資源配置，實現(xiàn)資源合理利用，提高區(qū)域農(nóng)業(yè)經(jīng)濟總效益。

1 多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)

本研究構(gòu)建多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)見圖1。該架構(gòu)適用于包含多個調(diào)度中心的智慧農(nóng)機調(diào)度問題。協(xié)調(diào)”是指上級農(nóng)機管理部門從全局視角對各子區(qū)域之間進行統(tǒng)籌協(xié)調(diào)調(diào)度，各下級農(nóng)機服務(wù)組織互相合作安排調(diào)度計劃以保證整個互聯(lián)區(qū)域的總體效益最大化。

農(nóng)業(yè)生產(chǎn)現(xiàn)場：包括農(nóng)機信息、農(nóng)田信息、氣象信息、市場調(diào)研信息及供求信息等。信息感知層：采用信息傳輸設(shè)備實時采集農(nóng)業(yè)生產(chǎn)現(xiàn)場數(shù)據(jù)信息，通過通訊模塊將信息傳輸至物聯(lián)網(wǎng)智能網(wǎng)關(guān)。信息交互層：智能網(wǎng)關(guān)將底層數(shù)據(jù)傳輸至數(shù)據(jù)中心，實現(xiàn)現(xiàn)場數(shù)據(jù)與上層調(diào)度決策實時準(zhǔn)確地傳輸與交互。分散調(diào)度層:各農(nóng)機合作組織根據(jù)任務(wù)特點選派相應(yīng)型號的農(nóng)機，聯(lián)系機手進行作業(yè)，并將作業(yè)進度匯報至上層調(diào)度中心。協(xié)調(diào)調(diào)度層：上級農(nóng)機管理部門整合各子區(qū)域農(nóng)機資源，以全局收益最大化為目標(biāo)進行任務(wù)排程決策，從而確定各農(nóng)機服務(wù)組織的作業(yè)任務(wù)。供需服務(wù)層：農(nóng)戶利用計算機或智能手機app發(fā)送農(nóng)機服務(wù)請求，經(jīng)過云端服務(wù)器自動生成線上訂單，并將訂單信息反饋至農(nóng)戶。

圖1 多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)

2 多區(qū)域互聯(lián)農(nóng)機服務(wù)資源協(xié)調(diào)調(diào)度模型與算法

2.1 多區(qū)域互聯(lián)農(nóng)機服務(wù)資源協(xié)調(diào)調(diào)度問題假設(shè)

有N個分布在不同子區(qū)域的農(nóng)機點，每個農(nóng)機點有M種類型農(nóng)機，各農(nóng)機點的農(nóng)機可跨區(qū)域調(diào)度。多個分布在不同區(qū)域的農(nóng)田點q為待作業(yè)點，每個區(qū)域有R種待收割農(nóng)作物。如何在綜合考慮各子區(qū)域內(nèi)各類農(nóng)作物信息和各農(nóng)機點農(nóng)機資源信息的條件下，按時收割各類農(nóng)作物且確保機手收益，使得區(qū)域總效益最大化為本研究的主要目標(biāo)。區(qū)域總效益是指所有農(nóng)戶總收益和所有機手總收益之和，具體指整個區(qū)域內(nèi)所有農(nóng)戶收割所有農(nóng)作物所得利益與所有機手完成任務(wù)訂單后的收益之和。基于智慧農(nóng)業(yè)平臺，農(nóng)戶和農(nóng)機點提前簽訂用機協(xié)議，當(dāng)訂單任務(wù)產(chǎn)生時存在以下假設(shè)：

1)各訂單中的農(nóng)田作業(yè)點的位置、作業(yè)面積、作業(yè)時間窗、所需機型已知。

2)不同類型作物在同一區(qū)域內(nèi)的適宜收獲時間范圍不相同。

3)訂單任務(wù)不可分割，即1個訂單僅由1個農(nóng)機點完成。

2.2 改進的多背包農(nóng)機調(diào)度模型

將多區(qū)互聯(lián)農(nóng)機服務(wù)資源協(xié)調(diào)調(diào)度問題轉(zhuǎn)化為多背包問題。在1次調(diào)度決策階段中，將N個農(nóng)機點視為N個背包，每個農(nóng)機點所擁有的農(nóng)機資源數(shù)量On等價于背包容量，將Q個農(nóng)田作業(yè)點任務(wù)分配給各個農(nóng)機點。則農(nóng)機調(diào)度問題等價于在農(nóng)機資源數(shù)量和時間窗限制范圍內(nèi)，決策如何將整個區(qū)域中所有農(nóng)作物按照收割時間窗將任務(wù)訂單分配給各個農(nóng)機點，使得區(qū)域內(nèi)所有農(nóng)戶和機手收益總和最大化。

考慮到不同農(nóng)機點完成同一訂單的作業(yè)成本C不同將導(dǎo)致總體效益不同。本研究對傳統(tǒng)多背包模型進行改進，建立價值可變的多背包農(nóng)機服務(wù)調(diào)度模型。具體可表示為：

(1)

式(1)為改進的價值可變的多背包農(nóng)機調(diào)度模型，調(diào)度目標(biāo)為最大化整個區(qū)域總效益。式中：N為農(nóng)機點總數(shù)量；Q為農(nóng)田點總數(shù)量；xn,q=1表示將農(nóng)田作業(yè)點q的作業(yè)任務(wù)分配給第n個農(nóng)機點，否則為0；W為農(nóng)機作業(yè)價格；C為作業(yè)成本；Hq為農(nóng)田點q的懲罰成本；wq表示農(nóng)田作業(yè)點q所需要的農(nóng)機數(shù)量；Oq為農(nóng)機點q的農(nóng)機保有量；E為所有農(nóng)機的總作業(yè)能力；TE為作業(yè)時間窗結(jié)束時刻，TS為作業(yè)時間窗開始時刻；S為農(nóng)田總面積；G為農(nóng)戶收益：

G=A×S

(2)

式中A為各類農(nóng)作物單位面積的收益。作業(yè)成本C表示為：

(3)

式中：C1為單位距離農(nóng)機行駛油耗成本；dq,m為農(nóng)機m和農(nóng)田點q之間的距離；C2為單位面積農(nóng)機作業(yè)油耗成本，Sq為農(nóng)田點q的面積，Em為農(nóng)機m的作業(yè)能力；fq,m為農(nóng)機m離開農(nóng)田點q的時刻；rq,m為農(nóng)機m到達農(nóng)田點q的時刻。懲罰成本函數(shù)Hq(rq,m)表示為：

(4)

式中：y1和y2分別表示農(nóng)機在作業(yè)時間窗開始前和結(jié)束后到達農(nóng)田的懲罰系數(shù)。

2.3 全局優(yōu)化的農(nóng)機調(diào)度算法設(shè)計

結(jié)合多區(qū)互聯(lián)農(nóng)機服務(wù)資源調(diào)度的特點，對原始粒子群算法進行改進，引入模擬退火過程，構(gòu)建改進的模擬退火粒子群算法(MSA-PSO)，提高算法的全局搜索能力。其基本思想為：第一層用粒子群優(yōu)化各農(nóng)機服務(wù)組織的作業(yè)任務(wù)分配；第二層用模擬退火算法優(yōu)化農(nóng)機作業(yè)路徑。種群初始溫度計算如式(5)所示，溫度退化計算如式(6)所示：

t0=f(pg)/ln5

(5)

式中：t0為粒子群的初始溫度；pg表示最優(yōu)粒子g的適應(yīng)值。粒子群降溫公式為：

tk+1=λtk

(6)

式中：λ為退溫系數(shù)；tk+1為第k+1個粒子的當(dāng)前溫度，tk為第k個粒子的當(dāng)前溫度。

改進的速度更新公式為：

cmin×b2×r2[pi,j-xi,j(t)]

(7)

式中：vi,j(t+1)和vi,j(t)分別表示在t+1時刻和t時刻，第i維粒子在第j維的速度；w為慣性權(quán)重；b為當(dāng)前迭代次數(shù)；B為最大迭代次數(shù)；c為學(xué)習(xí)因子；r1和r2為0～1之間均勻分布的隨機數(shù)；pi,j為第i維粒子在第j維的歷史最優(yōu)位置；pg,j為全局最優(yōu)粒子g在第j維的最優(yōu)位置。位置更新公式為：

xi,j(t+1)=xi,j(t+1)+vi,j(t+1)

(8)

式中：xi,j(t+1)和xi,j(t)分別表示(t+1)和t時刻，第i維粒子在第j維的位置。MSA-PSO算法流程如下：

1)隨機初始化種群中各微粒的位置和速度；

2)評價每個微粒的適應(yīng)度，將當(dāng)前各微粒的位置和適應(yīng)值存儲在pi中，將所有粒子群中適應(yīng)值最優(yōu)的個體位置和適應(yīng)值存儲在pg中；

3)根據(jù)式(5)確定種群初始溫度；

4)根據(jù)式(9)確定當(dāng)前溫度下各粒子的pi適配值：

(9)

5)采用輪盤賭策略從所有pi中確定全局最優(yōu)的替代值pg，然后根據(jù)式(7)和式(8)更新各微粒的速度和位置；

6)更新權(quán)重和更新學(xué)習(xí)因子；

7)計算各微粒新的目標(biāo)值，更新各微粒的pi值及群體的pg值；

8)根據(jù)式(6)進行退溫操作；

9)若滿足停止條件，搜索停止并輸出結(jié)果，否則執(zhí)行4)。

3 實例分析

為驗證本研究設(shè)計的農(nóng)機協(xié)調(diào)調(diào)度方法的有效性，選取新疆沙灣縣各鄉(xiāng)鎮(zhèn)農(nóng)田點和農(nóng)機點為研究對象，分析不同訂單數(shù)量下的農(nóng)機服務(wù)資源調(diào)度情況。依據(jù)新疆各縣市農(nóng)田面積和農(nóng)用機械擁有量統(tǒng)計年鑒數(shù)據(jù)[24-25]和GPS定位數(shù)據(jù)，得到沙灣縣農(nóng)田和農(nóng)機信息見表1～表4。各鄉(xiāng)鎮(zhèn)中所包括的村莊農(nóng)田信息較多，由于篇幅限制，不在本文中列出。

表1 各子區(qū)域農(nóng)田基本信息

表2 各子區(qū)域之間的距離

表3 各子區(qū)域棉花、玉米及小麥聯(lián)合收割機保有量

注：M1,M2和M3分別為棉花、玉米和小麥聯(lián)合收割機保有量。

Note:M1，M2，M3are respectively the number of cotton, corn and wheat combine harvesters.

表4 聯(lián)合收割機的性能參數(shù)

基于上述實例的基本數(shù)據(jù)，將沙灣縣的11個鄉(xiāng)鎮(zhèn)農(nóng)機點抽象為11個背包。整個沙灣縣農(nóng)作物收獲時間窗如下：棉花收獲時間為9月15日—10月15日；玉米收獲時間為7月10日—8月10日；小麥?zhǔn)斋@時間為7月20日—8月20日。依據(jù)區(qū)域農(nóng)田總面積，設(shè)置訂單數(shù)量范圍為[0,1 000]，仿真3種農(nóng)作物收獲時的聯(lián)合收割機調(diào)度過程。表5為棉花、玉米及小麥聯(lián)合收割機仿真參數(shù)。

3.1 區(qū)域總效益與訂單數(shù)量的關(guān)系

仿真得到區(qū)域總效益與訂單數(shù)量的關(guān)系見圖2。可見當(dāng)訂單數(shù)量增加到一定數(shù)量時，各農(nóng)機點均出現(xiàn)農(nóng)機資源不足的情況，區(qū)域總效益增長幅度趨于平緩，協(xié)調(diào)調(diào)度方法下的區(qū)域總效益比文獻[17]中分散調(diào)度方法的區(qū)域總效益平均高出10.65%。

表5 棉花、玉米及小麥聯(lián)合收割機的仿真參數(shù)

圖2 區(qū)域總效益與訂單數(shù)量的關(guān)系

3.2 訂單響應(yīng)率與訂單數(shù)量的關(guān)系

圖3示出本研究提出的農(nóng)機協(xié)調(diào)調(diào)度方法和文獻[17]中分散調(diào)度方法的任務(wù)訂單響應(yīng)率與訂單數(shù)量的關(guān)系比較。當(dāng)訂單數(shù)量增加到625時，2種調(diào)度方法均出現(xiàn)訂單響應(yīng)率降低的現(xiàn)象，由曲線的平均斜率可得下降率分別為32.39%和47.27%，協(xié)調(diào)調(diào)度方法比分散調(diào)度方法的訂單響應(yīng)率高出14.88%。由于本研究調(diào)度方法基于多背包模型和MSA-PSO算法進行全局搜索，農(nóng)機資源利用率較高。因此在農(nóng)機資源一定的情況下，農(nóng)機協(xié)調(diào)調(diào)度方法的訂單響應(yīng)率明顯高于分散調(diào)度方法的訂單響應(yīng)率。

圖3 訂單響應(yīng)率與訂單數(shù)量的關(guān)系

3.3 農(nóng)機效用比與訂單數(shù)量的關(guān)系

農(nóng)機效用比是指區(qū)域總效益與農(nóng)機資源成本之比，反映了單元農(nóng)機資源的效益情況。仿真得到農(nóng)機效用比與訂單數(shù)量的關(guān)系見圖4。可見農(nóng)機效用比隨著訂單數(shù)量的增加不斷增大，當(dāng)請求數(shù)量增加到375個時，2種調(diào)度方法的農(nóng)機效用比增長幅度均減緩。由于本研究設(shè)計的協(xié)調(diào)調(diào)度方法依據(jù)多背包模型進行調(diào)度，提高了區(qū)域總效益并降低農(nóng)機資源成本，農(nóng)機協(xié)調(diào)調(diào)度方法比分散調(diào)度方法的農(nóng)機效用比平均高出2.74%。當(dāng)個別農(nóng)機發(fā)生隨機故障時，農(nóng)機效用比均發(fā)生微小波動，但協(xié)調(diào)調(diào)度方法的訂單響應(yīng)率仍然高于分散調(diào)度方法的訂單響應(yīng)率，確保了機主收益。

圖4 農(nóng)機效用比與訂單數(shù)量的關(guān)系

3.4 農(nóng)田面積對農(nóng)機調(diào)度方法的影響

農(nóng)田面積對任務(wù)訂單響應(yīng)率與農(nóng)機效用比的影響見圖5。利用rand()函數(shù)按實際區(qū)域地理位置信息隨機生成農(nóng)田面積信息。在農(nóng)作物類型數(shù)量和農(nóng)機總數(shù)一定時，農(nóng)田面積增大(14萬、20萬和27萬hm2)，訂單數(shù)量增加，訂單響應(yīng)率隨之降低，部分農(nóng)田得不到服務(wù)，導(dǎo)致農(nóng)機效用比減小。當(dāng)農(nóng)田面積和農(nóng)機資源總量一定時，隨著作業(yè)類型的增加，每類農(nóng)機數(shù)量和農(nóng)作物面積減小，訂單響應(yīng)率的下降率分別約為4.31%，6.8%，10.89%，農(nóng)機效用比的下降率分別約為1.41%，10.8%，18.89%。當(dāng)農(nóng)田面積過多(27萬hm2)時，下降趨勢最為明顯；因此，當(dāng)區(qū)域中種植適當(dāng)面積的農(nóng)作物(14萬hm2)時，能夠降低作業(yè)類型數(shù)量變化帶來的影響，使得訂單響應(yīng)率和農(nóng)機效用比之間達到平衡。

圖5 農(nóng)田面積S對任務(wù)訂單響應(yīng)率(a)和農(nóng)機效用比的影響(b)

4 結(jié) 論

本研究根據(jù)智慧農(nóng)業(yè)的發(fā)展特點，設(shè)計了多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)，構(gòu)建價值可變的多背包農(nóng)機服務(wù)調(diào)度模型和智能優(yōu)化算法，對多區(qū)域的棉花、玉米及小麥聯(lián)合收割機的作業(yè)調(diào)度進行模擬，模擬結(jié)果表明，本研究設(shè)計的調(diào)度方法提高了區(qū)域總效益，訂單響應(yīng)率及農(nóng)機效用比。在農(nóng)田面積和農(nóng)作物種類變化時，訂單響應(yīng)率和農(nóng)機效用比隨之發(fā)生變化，由變化趨勢可確定區(qū)域適宜種植的農(nóng)田面積及農(nóng)作物種類。多區(qū)域協(xié)調(diào)調(diào)度架構(gòu)更加切合現(xiàn)代大農(nóng)業(yè)多區(qū)互聯(lián)的發(fā)展要求，適用范圍比較廣泛，有效改善農(nóng)戶服務(wù)體驗和機主收益。同時也對發(fā)展智慧服務(wù)具有一定的指導(dǎo)意義。