基于模糊隸屬度的多站點多機協同即時響應調度系統

黃 凰，陳燕燕，朱 明，劉亞東，張鎮府

基于模糊隸屬度的多站點多機協同即時響應調度系統

黃 凰1,2，陳燕燕1,2，朱 明1,2，劉亞東1，張鎮府1

（1. 華中農業大學工學院，武漢 430070； 2. 農業農村部長江中下游農業裝備重點實驗室，武漢 430070）

為了實現多農機站聯合調配完成農戶的實時作業訂單，該研究針對農田與農機的匹配與調度需求問題，綜合考慮農戶滿意度、多農機站協同、訂單數量、農田面積和位置坐標等因素，建立帶有模糊時間窗并以調度總時長最小和調度農機數量最少為目標的多農機站即時響應調度數學模型。設計了基于保留優秀父代基因的改進遺傳算法的農機調度系統，完成多農機站響應多農田的同時作業需求的任務，在最短時間里即時調配農機按照最短路徑至各農田完成作業要求。以武漢周邊某地區的3個農機站和35個農田作業訂單為例，驗證所提出的模型和智能優化算法，并進行可視化界面展示。試驗表明，當模糊隸屬度為0.8，比其為0.9時，調度總路程減少率為9.89%，農機數量降低率為15.38%；針對該地區各農機站農機數量的實際情況，在不影響農戶滿意度的前提下，單個農機站接受實時訂單數量以不超過20為宜。該研究實現了多農機站對多農田精準調度作業，有助于科學合理調度農機，提高農機作業效率，節約成本投入。

農業機械；調度；模糊時間窗；遺傳算法；即時響應

0 引 言

中國農業在現代化轉型過程中，面臨著農機供需信息滯后、資源配置不合理和農機作業效率低等問題，農機規模化作業已成為趨勢，農機社會化服務形式需不斷創新。在農機社會化服務中，包括了農機服務需求方和農機服務提供方，需求方發布自己的作業需求，其需求包括農田面積，作業類型和時間限制等，農機服務組織如農機站對已發布需求的眾多農田分配合適的農機，并規劃最短的行駛路線，從而實現即時調度的全局最優。

農機即時響應調度的本質是農機與農田的時空調度問題，該問題的目標是保證在規定時間內完成所有農田作業點任務且盡可能減少調配成本。隨著農機組織作業范圍的擴大，農機數量的增加以及與農田配置復雜度的增加，傳統只關注農機行走路徑的農機調度方式已不適應新形勢的要求。針對此問題，智能優化算法則在尋求最優調度方式中發揮著至關重要的作用，如元啟發式算中的遺傳算法[1]、蟻群算法[2]、粒子群算法[3]、模擬退火算法[4]、禁忌搜索算法[5-6]等。

在實現農機合理調度方面，國內外學者對智能調度算法進行了廣泛研究。國外學者Ma等[7]和Ribeiro等[8]研究了帶時間窗約束和路段容量限制的車輛調度問題，提出以配送時間為目標函數的車輛調度問題。Guan[9-10]對農機調度提出兩階段方案，先分配農機資源，再利用模擬退火和遺傳算法求得全局最優解。Alaiso等[11]建立的農機調度模型是旅行商問題的變體，其中對調度路徑優化采用群組優化算法—蟻群算法。Seyyedhasani等[12-13]考慮了多輛農機協同作業的情況，使用改進的 Clarke-Wright 算法和禁忌搜索算法，將農機調度問題轉換為車輛調度問題。Ma等[14]將遺傳算法的交叉和突變操作者引入粒子群算法，構建了雜交粒子群算法，并采用了三級編碼規則，實現了多個配送中心危險品風險均衡化的有力調度。Tuani等[15]基于旅行商問題，提出的3-opt局部搜索的異質自適應蟻群優化，在蟻群算法中引入自適應性，實現了在優化搜索過程中使參數接近最佳值，以便于找到近乎最佳的解決方案。

國內學者李洪等[16]為了解決農機作業過程中出現的缺乏有效的農機調度手段以及信息滯后和時效性差等問題，提出了基于GPS、GPRS和GIS的農機監控調度系統，為農機資源的實時監控和有效調度提供了一種切實可行的解決方案。張璠等[17-18]提出了一種基于機主選擇的農機調配模式，設計了基于啟發式優先級規則的農機調配算法。吳才聰等[19]以動態規劃的思想逐步分解決策過程，建立農機時空調度模型，給出農機調度的全局解算方法。王雪陽等[20]提出了基于遺傳算法的農機調度ASBOGA，考慮了農機在不充足的條件下，產生農機二次分配的情況，使農機在規定期限內完成調配任務且使調配成本最小。馬軍巖等[21]設計改進模擬退火和粒子群優化的混合智能算法求解調度模型，建立多區互聯的農機調度模型和智能優化調度算法，旨在從全局角度優化農機資源配置，實現資源合理利用。潘帥等[22]研究了多種服務需求的車輛調度問題，以禁忌搜索算法為基礎，改良解的構造方法與鄰域變換規則，證明了采用改進禁忌搜索算法處理此調度問題的有效性。另外，為實現農機的調度模式更符合實際田間作業情況，凌海峰等[23-25]在模型中加入時間窗限制，Sundaranarayana等[26-27]和張帆等[28-29]對遺傳算法進行改進優化，葉文超等[30-32]搭建農機調度管理與管理平臺，對農機進行調度和實時監控。綜上可見，國內外學者在農機資源調度技術中廣泛應用了元啟發式智能優化算法，對解決農機資源合理分配，提高農機調度精度和速度方面都有很大的突破和創新，但針對于跨區域多農機即時調度方面研究較少，且在農機調度領域無時間窗限制，或者考慮硬時間窗和軟時間窗的較多，而利用模糊時間窗來提高農戶滿意度和降低調度成本的研究不多。

鑒于此，本文以運籌學中旅行商問題為基礎，構建以實現調度總路程和參與調度農機數量最少為優化目的，且最大程度上提高農戶滿意度的農機調度模型，并利用改進的遺傳算法完成農機調度路線最優解的解算，擬實現多站點多農機精準調度，解決多農田即時作業問題，提高農機作業效率。

1 農機調度模型

1.1 模糊時間窗的設計

在農機調度實際過程中，由于時間窗具有彈性，農戶對農機作業時間的要求并不是剛性的，農戶偏好于在發出作業請求的某一段時間進行作業，農機只要在一定時間內到達農田完成作業任務，對農作物的耕保收階段都不會產生很大的影響，但若推遲到達可能會引起農戶滿意度的下降。因此針對于本文即時調度的情況，借鑒車輛調度中對時間窗的模糊化處理[33-34]，設計農機調度的模糊時間窗，農機站不僅可以對農戶的即時訂單迅速制定出合理的農機調度策略，節省總體調度成本，而且可以更準確的反映農戶的心理。

本文處理時間窗所使用的模糊隸屬度函數表達式如式（1）所示，利用Qamsari[34]在車輛調度模型中對時間窗用線性函數來表示早于和晚于服務時間的服務水平，在此基礎上設計適應農機即時響應調配任務的線性模糊隸屬度函數，以此來反映晚于時間窗引起的農戶滿意度變化，其中模糊隸屬度U反映農戶滿意度，U值越大，農戶滿意度越高。

式中U為模糊隸屬度；l為農戶期望的農機最晚到達時間；t為農機站M中編號為的農機到達農田的時間；L為農戶期望的農機到達時間。

若農機在時間L之前到達，農戶滿意度為1；若到達時間超過農戶期望時間窗L，但在可容忍的最晚時間即l之前，農戶滿意度值在(0,1)范圍內；若超過l，則農戶滿意度為0。

1.2 模型假設

本文的帶模糊時間窗農機調度模型主要針對以農機站為代表面向農戶即時訂單的服務形式，該模式的假設條件：

1）農機站的位置信息、各農田的位置和面積以及農機行駛速度均已知，農機的作業能力一定。

2）每輛農機能夠給多個農田提供服務，一個農田只需要一臺農機作業。

3）有多個農機站，假設各農機站中針對不同的農機作業需求只配有一種車型。

4）在一次調度過程中，被調配的農機從對應的農機站出發，經過調度路徑上的農田作業點之后，返回其所屬農機站。

5）農機站針對農戶的即時訂單，須在農戶可接受的最遲模糊到達時間之前到達。

6）針對的是單環節作業問題，農田訂單為相同的作業任務，如油菜機播，農機站即時響應農田訂單，調配對應農機完成農田作業任務。

1.3 模型建立

在某區域范圍內有個農機站，分別編號為1，2，3，……，M，各農機站農機數量一定，在時刻，該區域中的農戶同時發出多個農田作業需求，該作業需求包括：農田編號分別為1，2……，，農田面積S，期望農機到達作業時間L，=1，2，……，。設農機單位時間內的工作效率為，農機完成有作業需求的農田所需時間為T，且T=S/；t表示農機站M中編號為的農機從農田到農田的時間；T表示農機站M中編號為的農機完成農田作業后的時間。

1.3.1 確立目標函數

由于在該模型中，農機的行駛速度一定，農田面積以及農機工作效率和作業成本一定，則在不計較損耗的情況下，農機對每塊農田的作業成本和作業時間是固定的，因此同種或相近作業型號的農機具有相同的作業能力，可用被調配的所有農機在整個調度過程中的總行駛和作業時間來衡量調度時間成本，用參與調度的農機數量來衡量農機調度成本，在模糊隸屬度U情況下，確立目標函數如下：

式中min(U)為在模糊隸屬度U下整個調度過程總代價成本；表示農機總轉移時間在目標函數中的權重；表示參與調度的農機數量在目標函數中的權重；L表示農機站M中編號為農機的調度總路程：X0j表示參與調度的農機數量；為農機站中農機數量；為農田數量。

1.3.2 確立約束條件

農田到是否有農機被調度前往作業，計算公式為

參與調度的農機不能超出農機站擁有的總數量，即

被調配的農機完成對應的農田作業任務之后返回到原所屬農機站，即

每個農田需被訪問且只能被訪問一次，計算公式為

農機完成當前農田的作業任務時間與到達下一個農田所花費時間的總和應低于下一個農田所要求的最遲到達時間，計算公式為

農機完成當前農田作業任務的時間、農機從當前農田到達下一個農田時間和下一個農田作業任務完成所需時間之和是下一個農田完成作業任務的時間。計算公式為

式中，=1，2，…，；=1，2，…，；=1，2，…，；X為農機站M中編號為的農機從農田到農田是否參與作業；X0為完成作業任務后回到農機站的農機數量。

2 遺傳算法改進

多站點多農機協同即時響應調度屬于組合優化問題，而在解決該問題的眾多元啟發式算法中，基于適者生存思想的遺傳算法應用較為廣泛，該算法具有很強的搜索最優解能力，支持多方向的搜索和信息交換，可自適應地調整搜索方向，因此，本文基于傳統遺傳算法框架來求解構建的農機調度模型。為節約算法求解時間，兼顧農機調度距離最短和調配農機數量最少的優化目標，提高算法搜索全局最優解能力，本文采用改進后的遺傳算法來尋求最優調度路徑。

2.1 染色體編碼

根據農機調度的特點，農機站和農田作業點是已知的，可采用自然數編碼方式，能直觀看到農機到農田的作業順序。0代表農機站，1，2，……，代表農田，不同農機的配送路線之間用0分隔，例如有塊農田有作業需求，輛農機，則染色體長度為1。

由以上的染色體編碼原則隨機生成一定數量的染色體，即構成初始種群，以便后續在此基礎上進行遺傳迭代。

2.2 適應度函數和選擇算子

遺傳算法就是學習生物遺傳特性—“適者生存”，為了判斷生成的染色體的優劣性，除了可行性判斷之外，還需要設計適應度評估函數，用來計算個體適應度，適應度越好的個體遺傳到下代的概率越大。在適應度函數設計上，考慮了調度距離和農機數量目標最小，以及農戶能容忍的最晚到達時間，相較于基于調度距離單目標建立的適應度函數，采用綜合目標函數倒數作為適應度函數來判斷染色體的優劣。采用以下公式計算種群個體的適應度：

式中為目標函數值；為各可行解的調配農機數量；為到達農戶的延遲時間；為懲罰權重。

選擇算子采用錦標賽選擇法，采用精英保留策略[35]，從種群中隨機選擇個個體，對這個個體比較適應度值，具有最高適應度的個體勝出，并參與到后續的交叉變異操作中。

2.3 交叉算子

本文采用的染色體編碼方式為自然數編碼，而對自然數編碼進行交叉的方式有順序交叉和循環交叉等，這些方法被廣泛運用在類似旅行商問題的單路徑問題上，但不適用于農機復雜的調度條件和多條子路徑的優化問題。因此，本文采用改進的交叉算子，以便最大可能保留優秀子路徑。

步驟一：改進的交叉算子分別在兩個父代染色體1和2上隨機選擇一段子染色體和作為子路徑，并將被選擇的子染色體分別前置；

步驟二：將父代染色體2中子染色體沒有的編碼，按照其在父代染色體2中的順序添加到父代染色體的子染色體的后面，并在染色體的末尾添加編碼0，得到子代染色體1，同理可得到子染色體2；

步驟三：針對于步驟二中得到的子代染色體1，在子染色體后面的m個位置添加1個編碼0，共有m種情況，分別計算其適應度，將適應度最大的個體作為子代染色體1，子代染色體2同樣方式得到。

2.4 變異算子

相較于傳統的單點變異、單點交換和路徑合并等變異方法，選擇2-opt算法對得到的子路徑進行變異操作，2-opt算法屬于局部搜索算法，而局部搜索算法是解決本文組合最優問題的有效工具，其核心在于隨機選擇一個區間段的染色體進行優化，這個優化只是對于當前一個狀態的優化，并不是對全局的優化，可加快算法的收斂速度。

步驟一：隨機選擇一個可行解染色體，并假設這個可行解是最優解；

步驟二：運用2-opt算法，在這個染色體上隨機選擇兩點i和k，保持i之前的染色體不變并添加到新染色體中，將i和k之間的染色體翻轉其編號添加到新染色體中，保持k之后的染色體不變并添加到新染色體中。

步驟三：對于步驟二得到的新染色體，計算其適應度值，并與原染色體的適應度比較，選取適應度最好的染色體作為當前最優路徑，再重復上述過程直到迭代結束，找到最優路徑。

3 實例分析

3.1 農機調度結果可視化展示

在湖北省沙洋縣油菜輪作試點建有3個農機站，各農機站的某種型號農機數量均為7，農機行駛速度為 30 km/h，農機日工作量為5.33 hm2。在同一時間段，各農機站附近均勻分布35個農田訂單作業需求，由于農戶對農機作業需求的同時性，可優先按照距離劃分農機站和對應服務的農田，各農機站對分配到的農田訂單進行單獨調度作業，并將農田分別編碼，編碼后農機站和對應農田基本信息見表1。

根據表1中的農田和農機站的基本信息，劃定一定區域表示某一地區的農田總數。可得到如圖1所示的農機農田位置示意圖。

表1 農機站對應服務農田的基本信息

農機站編號及位置Agricultural machinery station No. and position農田編號Farmland numberXY農田面積Farmland area/hm2最遲作業時間Latest operating time/d完成作業任務時間The time of completing the task/d 3(40, 25)845162.0020.4 940381.3320.2 1035302.0020.4 1142152.6720.5 1233101.3310.2 1327201.6010.3

注：和表示農田的坐標和坐標，km。農機站位置和農田坐標的參考坐標系以112.304932°E和30.745032°N為坐標原點，以正東、正北方向為軸、軸。最遲作業時間是指發出農田作業訂單后，農戶期望的農機最遲作業時間，1、2分別表示發出訂單第一、二日農機能完成作業；完成作業任務時間是指農機完成農田訂單的作業時間，計算公式：完成作業任務時間=農田面積/農機日工作量。

Note:andrepresent theandcoordinates of the farmland, and the units of X coordinate and Y coordinate units are km. Reference coordinate system for the position of agricultural machinery station and farmland coordinates took east longitude 112.304932 and north latitude 30.745032 as the coordinate origin and took the east and north directions as theaxis andaxis. The latest operation time in the table refers to the latest operation time of agricultural machinery expected by farmers after issuing farmland operation orders. 1, 2 means that agricultural machinery can complete the operation on the first and second days of issuing orders, and 2 means that agricultural machinery can complete the operation on the second day of issuing orders. Completion task time refers to the operation time of agricultural machinery to complete farmland orders. The calculation formula is: completion task time = farmland area / daily workload of agricultural machinery.

注：五角星圖案和圓點圖案分別代表農機站和農田，其上的數字表示其編號。

針對本文的農機調度問題，由提出的改進的遺傳算法進行優化規劃，經過對種群規模、交叉和變異概率的多次調試，種群初始規模為100時已能滿足文中農機站對農機訂單的調配任務，且調度距離趨于穩定的迭代次數在50～200之間，交叉和變異算子分別為0.8和0.1時的調度距離較短。故將參數設置如下：種群初始規模為100，最大迭代次數為200次，交叉概率為0.8，變異概率為0.1。當模糊隸屬度U=1，權重=0.5，=0.5時，得到如圖2所示農機調度可視化路線示意圖，從線條和箭頭指示方向可看出，調配的農機對應的農田作業訂單和作業順序，例如針對農機站1，一臺農機的調度路線為0-9-7-10-12-11-0。

根據本文提出的帶模糊時間窗的農機調度模型以及遺傳算法，可得如表2所示的農機調度路線結果。每個農機站參與調度的農機數相差不大，分別為4和5，不超過農機站擁有的最大農機數量；每個農機在農田訂單作業時間窗內完成作業，且農機站最長調度時間都未超過最遲接受作業時間的2 d。

3.2 試驗任務分配結果分析

針對本文農戶同時發出的35個農田作業訂單，改變模糊隸屬度U的大小，U在區間[0.5-1.0]范圍內逐次降低，使其在不同農戶滿意度情況下，以不同的權重進行農機調配試驗，試驗結果如表3所示。

由表3試驗結果可看出，調度總路程和調配農機數量權重相同情況下，降低模糊隸屬度，調度總代價成本逐漸減小。考慮到實際農機作業和調度分配情況，農戶發出即時作業訂單，需要農機站快速響應，而農機站對于作業任務訂單，會優先考慮總調度路程代價成本，因而當取值較大，取值較小時，可以得到路程代價成本和農機數量代價成本較均衡的農機分配結果。為了觀察U（農戶滿意度）和農戶訂單數量對農機調度的影響，本文在其他影響因素不變的情況下，提取這兩項影響因素分別分析農機任務分配結果，分別以折線圖和迭代次數圖對代價成本變化進行直觀展示。

注：箭頭表示從農機站出發的農機完成分配到的農田作業任務，最終返回到農機站，數字表示農田的編號。實線、長劃線-點、圓點、短劃線和長劃線箭頭分別代表各農機站中農機編號為1、2、3、4和5的調度路徑。

表2 3個農機站調配農機路線結果

表3 不同模糊隸屬度、權重下的3個農機站調配試驗結果

注：表示農機總調度路程在目標函數中的權重；表示參與調度的農機數量在目標函數中的權重。

Note:represents the weight of the total dispatch distance of agricultural machinery in the objective function;represents the weight of the number of agricultural machinery participating in scheduling in the objective function.

（1）農戶滿意度對農機任務分配的影響

由于模糊隸屬度U側面反映的是農戶滿意度，下面將以農戶滿意度來代替模糊隸屬度進行分析，農戶滿意度對農機任務分配的影響見圖3。

圖3 調度總路程、農機數量與農戶滿意度的關系

當農戶滿意度從1.0到0.5逐漸降低時，對相鄰滿意度下的調度總路程和農機數量變化進行分析，可得出以下結論：當農戶滿意度在0.8時，用本文算法得出的農機調度總路程變化最快，比農戶滿意度為0.9時的調度總路程下降了近9.89%，下降趨勢較為明顯，大幅度節約了調度成本，當滿意度低于0.8時，調度總路程變化較平緩，無明顯變化；相鄰農戶滿意度下的農機數量進行比較，當農戶滿意度為0.8時，參與調度的農機數量才開始減少，此時的農機數量與農戶滿意度為0.9下的農機數量相比，下降了15.38%，遠遠高于其他相鄰滿意度下的農機數量下降率，這也與實際生產情況相符合，農機在一定時間內到達農田作業即可滿足農戶訂單要求。故可建議將農戶滿意度設置為0.8，以便于滿足大部分農戶，但若農戶對作業時間要求較高，需將其設置為0.9～1.0；若農戶對作業時間要求較低可將其設置為0.8以下。因此，具體的農戶滿意度參數設置需視農戶實際需求情況而定，以滿足不同要求的農戶，并以此來提高農機站的服務水平。

（2）訂單數量對農機任務分配的影響

為了更加直觀看出訂單數量對農機站調配農機的影響，以農機站1為例，在農戶滿意度為1的情況下，調度距離隨算法迭代次數的變化如圖4所示，當訂單數量分別為12，17和20時，調度路程趨于穩定的最少算法迭代次數分別接近30次，100次和150次，訂單數量越多，調度距離趨于穩定且最短所需的迭代次數越多。其中最少迭代次數、調度最短路程、農機數量和算法運算時間如表5所示。

從表4可看出，本試驗當農機站1號的訂單數量為17時，該農機站所有農機參與此次即時調度作業，且農戶滿意度為1，農戶不需要多余等待時間。如果農機站1接受農戶訂單數量超過17（例如表4中訂單數量為20時），若還需在農戶指定時間里完成作業，參與調度農機數量將超過該農機站擁有的總數7輛，此時可參照上文所講農戶滿意度對調度的影響，減小模糊隸屬度，適當降低農戶滿意度，以此來達到作業要求。由此可見，本文所建模型和智能優化算法能滿足多種情況下的農機調度作業。若在不影響農戶滿意度的提前下，依據本文模型和算法，單個農機站接受實時訂單數量以不超過20為宜。

圖4 訂單數量分別為12、17、20時的調度路程隨迭代次數變化曲線

3.3 算法對比分析

為進一步驗證本文所提算法的性能，與目前運用較多的混合遺傳算法進行比較，其中混合遺傳算法采用貪婪策略為農田訂單分配農機，并采用基于傳統遺傳算法的順序交叉算子和粒子群算法進行解的空間搜索。表5為本文算法和混合遺傳算法的對比結果，由表5可知，各農機站在兩種算法下需要調配的農機數量一致，但調度路程和算法運行時間卻有差異：對于農機站1，使用改進遺傳算法進行農機調度作業時，調度路程和運算時間分別縮短14.14%和0.55%；對于農機站2，調度路程和運算時間分別縮短11.05%和7.66%；對于農機站3，調度路程和運算時間分別縮短4.90%和14.78%。

從對比結果可看出，本文采用的改進遺傳算法總體上優于混合遺傳算法，縮短了調配算法運算時間，農機調配任務分配結果更加合理，減少了調度路程。

4 結 論

1）本文在建模的基礎上，增加了模糊時間窗，該方法更加貼合農機調度的實際情況，其中模糊隸屬度則反映了農戶滿意度。從以上農戶滿意度對調度總路程和時間、農機數量的影響可看出，建議將農戶滿意度設置為0.8，相較于農戶滿意度為0.9時的農機調度路程，其調度路程減少率可達9.89%，可滿足大部分農戶對作業時間的需求，若農戶對作業時間要求較高或者較低，可視情況設置為高于0.8或低于0.8。

2）基于改進的遺傳算法，相比于傳統的遺傳算法，本文對于交叉和變異算子的改進，減少了運算結果陷入局部最優解的風險，三個農機站調配農機的算法運行時間分別縮短了0.55%、7.66%和14.78%，調度路程分別縮短了14.14%、11.05%和4.90%。

實例分析中選取的是湖北省沙洋縣油菜輪作試點，若用文中提出的模型和算法來解決相似問題時，需修改對應的農機站和農田訂單信息，且文中農田訂單位置相對較分散，故以地塊中心點來代表農田位置，未來進一步研究相對集中的農田田塊時需考慮每個地塊的農機進入作業點和離開作業點的位置，且本文考慮的是單環節作業問題，若考慮的是流水作業問題，多個作業環節同時進行，不同環節之間存在作業時間的交叉，需要對模型中的約束方程進行補充，增加其他環節對該環節作業影響的約束條件。

[1] Li X, Shi X, He J, et al. Coupling simulation and optimization to solve planning problems in a fast-developing area[J]. Annals of The Association of American Geographers, 2011, 101(5): 1032-1048.

[2] Chavez, Jhon J S, Escobar J W, et al. A multi-objective pareto ant colony algorithm for the multi-depot vehicle routing problem with backhauls[J]. International Journal of Industrial Engineering Computations, 2016, 7(1): 35-48.

[3] Xia L, Yeh G O. Integration of genetic algorithms and GIS for optimal location search[J]. International Journal of Geographical Information Science, 2005, 19(5): 581-601.

[4] Dupanloup I, Schneider S, Excoffier L. A simulated annealing approach to define the genetic structure of populations[J]. Molecular Ecology, 2010, 11(12): 2571-2581.

[5] Basnet C B, Foulds L R, Wilson J M. Scheduling contractors' farm-to-farm crop harvesting operations[J]. International Transactions in Operational Research, 2006, 13(1): 1-15.

[6] Schneider M. The vehicle-routing problem with time windows and driver specific times[J] European Journal of Operational Research, 2016, 250(1): 101-119.

[7] Ma H, Cheang B, Lim A, et al. An investigation into the vehicle routing problem with time windows and link capacity constraints[J]. Omega, 2011, 40(3): 336 -347.

[8] Ribeiro G M, Laporte G. An adaptive large neighborhood search heuristic for the cumulative capacitated vehicle routing problem[J]. Computers and Operations Research, 2011, 39(3): 728-735.

[9] Guan S, Nakamura M, Shikanai T, et al. Resource assignment and scheduling based on a two-phase metaheuristic for cropping system[J]. Computers and Electronics in Agriculture, 2009, 66(2): 181-190.

[10] Guan S, Nakamura M, Shikanai T, et al. A two-phase metaheuristic for farm work scheduling[J]. IFIP Advances in Information and Communication Technology, 2009, 1(295): 1999-2010.

[11] Alaiso S, Backman J, Visala A. Ant colony optimization for scheduling of agricultural contracting work[J]. IFAC Proceedings Volumes, 2013, 46(18): 133-137.

[12] Seyyedhasani H, Dvorak J S. Reducing field work time using fleet routing optimization[J]. Biosystems Engineering. 2018, 169: 1-10.

[13] Seyyedhasani H, Dvorak J S. Dynamic rerouting of a fleet of vehicles in agricultural operations through a dynamic multiple depot vehicle routing problem representation[J]. Biosystems Engineering. 2018, 171: 63-77.

[14] MaC, LiuP, XuX. Vehiclesrobustschedulingofhazardousmaterialsbasedonhybridparticleswarmoptimizationandgeneticalgorithm[J]. IETIntelligentTransportSystems, 2020, 14(14):1955-1966

[15] TuaniAF, KeedwellE, CollettM. Heterogenousadaptiveantcolonyoptimizationwith3-optlocalsearchforthetravellingsalesmanproblem[J]. AppliedSoftComputing, 2020, 97(4):106720.

[16] 李洪，姚光強，陳立平．基于GPS、GPRS和GIS的農機監控調度系統[J]．農業工程學報，2008，24(增刊2)：119-122．

Li Hong, Yao Guangqiang, Chen Liping. Farm machinery monitoring and scheduling system based on GPS, GPRS and GIS[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(Supp. 2): 119-122. (in Chinese with English abstract)

[17] 張璠，滕桂法，馬建斌，等．基于啟發式優先級規則的農機調配算法[J]．農業工程學報，2012，28(10)：78-85．

Zhang Fan, Teng Guifa, Ma Jianbin, et al. Farm machinery scheduling and allocating based on heuristic priority rules[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28 (10): 78-85. (in Chinese with English abstract)

[18] 張璠，滕桂法，苑迎春，等．農機跨區作業緊急調配算法適宜性選擇[J] ．農業工程學報，2018，34(5)：47-53．

Zhang Fan, Teng Guifa, Yuan Yingchun, et al. Suitability selection of emergency scheduling and allocating algorithm of agricultural machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 47-53. (in Chinese with English abstract)

[19] 吳才聰，蔡亞平，羅夢佳，等．基于時間窗的農機資源時空調度模型[J]．農業機械學報，2013，44(5)：237-241,231．

Wu Caicong, Cai Yaping, Luo Mengjia, et al. Time-windows based temporal and spatial scheduling model for agricultural machinery resources[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 237-241,231. (in Chinese with English abstract)

[20] 王雪陽，苑侗侗，苑迎春，等．帶時間窗的農機調度方法研究[J]．河北農業大學學報，2016，39(6)：117-123．

Wang Xueyang, Yuan Tongtong, Yuan Yingchun, et al. A Study on method of agricultural scheduling with time window[J]. Journal of Hebei Agricultural University. 2016, 39(6): 117-123. (in Chinese with English abstract)

[21] 馬軍巖，袁逸萍，任年魯，等．多區域協調調度架構下的農機服務資源優化配置方法[J]．中國農業大學學報，2020，25(4)：113-122．

Ma Junyan, Yuan Yiping, Ren Nianlu, et al. Optimal allocation of agricultural machinery service resources under multi-regional coordinated scheduling architecture[J]. Journal of China Agricultural University, 2020, 25(4): 113-122.(in Chinese with English abstract)

[22] 潘帥，陳鈺成，高元，等．帶軟時間窗的多種服務需求車輛調度問題及其禁忌搜索算法研究[J]．武漢理工大學學報：交通科學與工程版，2020，44(6)：1123-1128．

Pan Shuai, Chen Yucheng, Gao Yuan, et al. Research on the vehicle scheduling problem of multiple service demands with soft Time window and its tabu search algorithm[J]. Journal of Wuhan University of Technology: Transportation Science and Engineering Edition, 2020, 44 (6): 1123-1128. (in Chinese with English abstract)

[23] 凌海峰，谷俊輝．帶軟時間窗的多車場開放式車輛調度[J]．計算機工程與應用，2017，53(14)：232-239．

Ling Haifeng, Gu Junhui. Study on multi-depot open vehicle routing problem with soft time windows[J]. Computer Engineering and Applications, 2017, 53(14): 232-239. (in Chinese with English abstract)

[24] 張惠珍，劉云，倪靜．基于客戶滿意度的MOVRPFTW的單親遺傳混合蟻群算法[J]．系統管理學報，2019，28 (5)：927- 933．

Zhang Huizhen, Liu Yun, Ni Jing. MOVRPFTW's partheno-genetic hybrid ant colony algorithm based on customer satisfaction[J]. Journal of System Management, 2019, 28(5): 927-933. (in Chinese with English abstract)

[25] 唐麗敏，張雅茹，潘相君，等．帶雙時間窗約束的糧食專用車調度優化[J]．上海海事大學學報，2021，42 (1)：50-55．

Tang Limin, Zhang Yaru, Pan Xiangjun, et al. Scheduling optimization of special grain vehicles with dual time windows constraints[J]. Journal of Shanghai Maritime University, 2021, 42(1): 50-55. (in Chinese with English abstract)

[26] Sundaranarayana D, Suresh A, Saravanan G. A improved genetic algorithm based proficient resource management and scheduling[J]. Materials Today: Proceedings, 2020, 481(11): 1-7.

[27] Kuo R J, Zulvia F E. Hybrid genetic ant colony optimization algorithm for capacitated vehicle routing problem with fuzzy demand-a case study on garbage collection system[C]. 4th Intemational Conference on Industrial Engineering and Applications. IEEE, 2017: 244-248.

[28] 張帆，羅錫文，張智剛，等．基于改進多父輩遺傳算法的農機調度優化方法[J]．農業工程學報，2021，37(9)：192-198．

Zhang Fan, Luo Xiwen, Zhang Zhigang, et al. Optimization method for agricultural machinery scheduling based on improved multi-parent genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 192-198. (in Chinese with English abstract)

[29] 王占中，趙利英，曹寧博．基于多層編碼遺傳算法的危險品運輸調度模型[J]．吉林大學學報：工學版，2017，47(3)：751-755．

Wang Zhanzhong, Zhao Liying, Cao Ningbo. Hazardous material transportation scheduling model based on multilayer coding genetic algorithm[J]. Journal of Jilin University: Engineering and Technology Edition, 2017, 47(3): 751-755. (in Chinese with English abstract)

[30] 葉文超，張小花，廖東東，等．基于Android的農機調度與管理平臺設計與應用[J]．仲愷農業工程學院學報，2019，32(3)：53-57．

Ye Wenchao, Zhang Xiaohua, Liao Dongdong, et al. Design and application of agricultural machinery scheduling and management platform based on Android[J]. Journal of Zhongkai University of Agricultural Engineering, 2019, 32(3): 53-57. (in Chinese with English abstract)

[31] 劉振宇，梁建平．基于BDS的農機精確調度和高效作業平臺設計與應用[J]．中國農機化學報，2018，39(10)：97- 102．

Liu Zhenyu, Liang Jianping. Design and application of accurate scheduling and efficient operation platform for agricultural machinery based on BDS[J]. Chinese Journal of Agricultural Machinery Chemistry, 2018, 39(10): 97-102. (in Chinese with English abstract)

[32] 朱登勝，方慧，胡韶明，等．農機遠程智能管理平臺研發及其應用[J]．智慧農業（中英文），2020，2(2)：67-81．

Zhu Dengsheng, Fang Hui, Hu Shaoming, et al. Development and application of remote intelligent management platform for agricultural machinery[J]. Smart Agriculture (Chinese and English), 2020, 2(2): 67-81. (in Chinese with English abstract)

[33] 曹慶奎，楊凱文，任向陽，等．基于交通流的多模糊時間窗車輛路徑優化[J]．運籌與管理，2018，27(8)：20-26．

Cao Qingkui, Yang Kaiwen, Ren Xiangyang, et al. Multi-fuzzy time window vehicle path optimization based on traffic flow[J]. Operations Research and Management, 2018, 27(8): 20-26. (in Chinese with English abstract)

[34] Qamsari A, Hosseini-Motlagh S M, Ghannadpour S F. A column generation approach for an inventory routing problem with fuzzy time windows[J]. Operational Research, 2020: 1-51.

[35] 張浩為，謝軍偉，張昭建，等．基于混合自適應遺傳算法的相控陣雷達任務調度[J]．兵工學報，2017，38(9)：1761-1770．

Zhang Haowei, Xie Junwei, Zhang Zhaojian, et al. Task scheduling of phased array radar based on hybrid adaptive genetic algorithm[J]. Acta Armamentarii, 2017, 38(9): 1761-1770. (in Chinese with English abstract)

Multi-site and multi-machine cooperative instant response scheduling system based on fuzzy membership

Huang Huang1,2, Chen Yanyan1,2, Zhu Ming1,2, Liu Yadong1, Zhang Zhenfu1

(1.430070;2.430070)

This study aims to realize the joint deployment of multiple agricultural machinery stations, particularly for the real-time job orders. A mathematical model with a fuzzy time window was also established to minimize the total scheduling time and the number of dispatching agricultural machinery. Some factors were comprehensively considered, such as farmers' satisfaction, the cooperation of multiple agricultural machinery stations, the number of orders, the area of farmland, and the location coordinates. An improved genetic method (GA) with excellent parent genes was designed to fulfill the task of multi machine station responding to the demand of multi farmland. At the same time, the agricultural machinery was allocated in the shortest time to implement the operation requirements of each farmland, according to the shortest path. A case study was carried out to verify the model and the visual interface, including three stations of agricultural machinery and 35 operation orders of farmland in a certain area around Wuhan, Hubei Province of China. The results showed that an excellent searching and stable convergence were achieved in the scheduling system of agricultural machinery. Specifically, the reduction rate of the total scheduling distance was 9.89%, and the reduction rate of the number of agricultural machinery was 15.38%, when the fuzzy membership degree was 0.8. An optimal number of real-time orders accepted by a single farm station was not more than 20, according to the actual situation of the agricultural machinery quantity in each station. Furthermore, the improved GA presented a better performance than the hybrid genetic in general, indicating the less calculation time of the deployment, the more reasonable allocation of tasks, and the reduced scheduling distance. The multi-site and multi-machine cooperative instant repose scheduling was also considered the joint deployment agricultural machinery and fuzzy time window in the modeling. There was a higher accuracy of the scheduling operation on agricultural machinery, and the fully considered satisfaction of farmers, even though the complexity of model increased, compared with the scheduling operation at a single agricultural machinery station. In the scheduling algorithm, the crossover and mutation operators were improved to reduce the risk of the operation data falling into the local optimal solution with the less running time. Consequently, the scheme can be widely expected to completely deal with agricultural machinery scheduling under complex backgrounds, fully meeting the cooperative operation of multiple agricultural machinery stations for the real-time operation needs of farmers. This finding can provide a strong support to the cost-saving and high efficiency of operation on agricultural machinery in modern agriculture.

agricultural machinery; dispatching; fuzzy time window; genetic algorithm; immediate response

10.11975/j.issn.1002-6819.2021.21.009

S232.3

A

1002-6819(2021)-21-0071-09

黃凰，陳燕燕，朱明，等.基于模糊隸屬度的多站點多機協同即時響應調度系統[J]. 農業工程學報，2021，37(21)：71-79.doi：10.11975/j.issn.1002-6819.2021.21.009 http://www.tcsae.org

Huang Huang, Chen Yanyan, Zhu Ming, et al. Multi-site and multi-machine cooperative instant response scheduling system based on fuzzy membership[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 71-79. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.009 http://www.tcsae.org

2021-06-04

2021-10-23

國家自然科學基金項目（71503095）；湖北省農業科技創新行動；中央高校基本科研業務費專項資金資助項目（2662015QC017，2662014BQ037）；中國工程院咨詢項目（2019-ZD-5）

黃凰，博士，講師，研究方向為農業機械化與農業智能化管理。E-mail：wmyhuang@qq.com