基于多元振蕩黏菌算法的田路分割模型參數優化方法

翟衛欣，潘家文，蘭玉彬，吳才聰

·農業信息與電氣技術·

基于多元振蕩黏菌算法的田路分割模型參數優化方法

翟衛欣1,2，潘家文1,2，蘭玉彬3,4，吳才聰1,2※

（1. 中國農業大學信息與電氣工程學院，北京 100083；2. 農業農村部農機作業監測與大數據應用重點實驗室, 北京 100083；3. 山東理工大學農業工程與食品科學學院，淄博 255000；4. 國家精準農業航空施藥技術國際聯合研究中心，廣州 510642）

田路分割是農機軌跡語義分割模型的重要任務之一，其目的是將軌跡自動分割為田間作業軌跡和道路行駛軌跡。田路分割模型的參數是影響其分割準確性及精度的關鍵因素，傳統的參數選擇方法效率較低且難以獲得較好的方案，限制了模型的分割性能。因此，該研究選用基于方向分布的田路分割模型（Field-Road Trajectory Segmentation Based on Direction Distribution，BDFRTS），嘗試從參數優化的角度研究模型的性能提升，提出的方法主要包括兩個方面，首先建立了一種基于元啟發式算法（Metaheuristic Algorithms，MA）的田路分割模型參數優化解決方案；其次，在黏菌算法（Slime Mould Algorithm，SMA）的基礎上提出了一種改進的多元振蕩黏菌算法（Multiplex Oscillation Slime Mould Algorithm，MOSMA）求解參數優化方案以更好地提高模型的分割性能。MOSMA分別提出一種動態引導策略與多元振蕩策略強化了黏菌的振蕩收縮反應及細胞質的流動過程，進而增強了算法的優化能力。為驗證所提參數優化方法的有效性，將博創聯動提供的中國農機在2021年9 月底—10月中下旬進行水稻收割的作業軌跡作為數據集開展試驗。試驗結果表明，該研究所提方法有效地提升了田路分割模型的準確性和性能。MOSMA-BDFRTS分割模型在10組高密度軌跡中的平均準確率相比網格搜索田路分割模型、粒子群田路分割模型分別提高了25和28個百分點；在10組低密度軌跡中分割的平均準確率分別提高了17和14個百分點。該研究可為田路分割技術提供合理的性能優化方案，也為農業機械運動軌跡分割技術的效率研究提供參考依據。

模型；參數優化；田路分割；黏菌算法；動態引導；多元振蕩

0 引 言

田路分割的目的是將農業機械上搭載的全球導航衛星系統終端中記錄的時空軌跡數據分割成一系列田間作業-道路行駛的子軌跡[1]。作為農業領域時空軌跡處理問題重要研究內容，田路分割可從大數據角度為精準農業相關課題的深入研究與科學管理提供有力支撐[2]，如鄉村路網構建[3]、田間作業效率評估[4-5]、農機跨區調度管理[6]、農機作業路徑規劃[7-9]等。

現有的田路分割方法大多利用邊界信息來區分農田軌跡和道路軌跡[10-11]，然而，由于邊界信息不夠可靠導致農田的實際邊界難以自動標定，使得此類方法的適用性較差[12]。為了解決這個問題，Chen等[13]利用機器學習技術[14]提出一種基于方向分布的田路分割模型，通過聚合內含相同空間特征的軌跡點實現了農田軌跡與道路軌跡的自動分割。模型的參數反映了其樣本學習的成效，同時也是影響其分割性能的關鍵因素，對參數進行優化可以使模型更好地表達軌跡的特征。然而，真實場景中的天氣、地形、采樣頻率、作業任務等因素都會影響軌跡變化，使軌跡空間特征呈現多元化現象，為模型參數的選擇帶來巨大的挑戰。目前，國內外學者對田路分割問題鮮有研究，現有模型在參數標定方面仍處于較原始的階段，無法充分發揮模型性能，導致分割效果仍不夠理想，如何通過參數優化提高模型準確性與性能成為了本文研究的首要問題。

參數優化是指從一個巨大受限解決方案空間找到最佳參數結構，本質上是函數優化問題。由于不同參數的交互影響，使分割模型參數優化問題呈現出非線性、多峰值的復雜數學特性，用傳統的方法求解費時耗力，選出的參數結構質量差，限制了模型的性能。近年來，元啟發式算法[15-18]因其魯棒性強、不依賴于目標問題的梯度信息等優勢被國內外眾多學者用于求解復雜非線性問題，相比傳統方法在更短時間內取得了相同或更好的結果[19-23]。張良安等[24]利用粒子群算法（Particle Swarm Algorithm，PSO）對四足激光除草機器人腿部結構的相關參數進行優化，有效地提高了續航能力。Ding等[25]利用PSO算法提出了一種用于植物虛擬生長模型的參數優化方法。Jamei等[26]提出了一種基于鯨魚優化算法的人工神經網絡模型，增強了模型在地表蒸散指數預測任務中的準確性。上述研究表明，利用元啟發式算法優化參數能夠有效提升相關算法模型解決實際任務的能力。

本文主要從參數優化的角度研究田路分割模型的性能提升問題。首先通過確定編碼方案和適應度函數將參數優化問題轉化為單目標優化問題，進而提出了一種基于元啟發式算法的田路分割模型參數優化解決方案，旨在利用元啟發式算法作為優化工具求解方案，在解空間內自動搜索模型的最優參數結構，進而實現準確、快速的田路分割。由于傳統的元啟發式算法易陷入局部收斂，訓練出來的參數難以為田路分割模型確定合適的空間特征來準確地分割農機軌跡。為提高模型分割效率，對基本黏菌算法（Slime Mould Algorithm，SMA）改進提出了一種多元振蕩黏菌算法（Multiplex Oscillation Slime Mould Algorithm，MOSMA）用以求解模型的參數優化問題。為驗證所提方法有效性，在真實的農機作業軌跡數據集上進行了實證研究。

1 材料與方法

1.1 基于方向分布的田路分割模型

本文選用基于方向分布的田路分割模型（Field-Road Trajectory Segmentation Based on Direction Distribution，BDFRTS）作為所提方法的優化實例。農機田間作業的軌跡點呈現兩種特點：1）田內軌跡因車速較低呈現聚集狀態，使得單位空間內的軌跡點密度較高。2）連續的作業軌跡帶的行駛方向角度近似平行分布且相反。分割方法利用上述特點對軌跡進行分割，如圖1所示，主要包括三個步驟：1）為提供高質量的軌跡數據進行分割，對軌跡噪聲點進行平滑處理，對重復軌跡點進行過濾。2）使用基于密度的聚類算法[27]分割軌跡，并分配不同的語義標簽。3）針對步驟2）錯誤分類情況（“農田”預測為“道路”或“道路”預測為“農田”），采用基于方向分布的推理算法進行糾正。具體地說，在基于軌跡簇的田轉路推理規則中，利用簇中軌跡點在區域方向分布的差異性將錯誤分類的假“田”點轉換為“路”；軌跡帶生成與軌跡帶噪聲過濾先將具有相同作業操作且連續的軌跡點連接為軌跡帶，再處理軌跡的噪聲點；在基于軌跡帶的路轉田推理規則中，利用同一塊農田中軌跡帶彼此平行關系將假“路”點轉換為“田”。

圖1 基于方向分布的田路分割模型

1.2 基于MOSMA的田路分割參數優化方法

田路分割模型能夠在軌跡空間中構建一種超平面來分離不同類別的軌跡，為實現其分割性能的最大化，需對模型參數進行優化來提高超平面的泛化能力。本文首先針對田路分割任務參數優化問題的需求，通過確定問題的優化目標、編碼方案，適應度函數建立起參數優化模型作為優化方案；然后以最大化分割準確率為優化目標，提出一種改進的多元振蕩黏菌算法來求解方案。整體優化方法的基本思想是：首先將模型的參數向量抽象為搜索個體，在軌跡數據的驅動下運行田路分割模型，并以分割結果作為搜索個體在解空間內適應情況的評價指標，然后按照優化算法的計算規則利用適應度來引導個體的搜索方向，同時更新搜索個體所對應參數向量的信息，最后將更新后的參數向量重新代入分割模型中計算適應度，如此反復，直到找到最佳參數結構或滿足算法終止條件。

1.2.1 編碼方案

設田路分割模型含有個參數，所有參數都被縮放到[]區域中形成一個統一的解空間，其中與分別表示解空間的上界與下界。解空間中的每個搜索個體都表示一項維度為的參數向量，其中每個元素都對應模型的一個參數，其值可根據模型實例設置為二進制或浮點數，為算法種群個體的數目。本文采用隨機初始化的方式構建算法的種群。

1.2.2 適應度函數

適應度函數代表搜索個體在解空間的有效信息，同時也是評價參數向量泛化能力的重要準則。田路分割任務屬于二分類問題，利用機器學習中的三種基于時間的性能指標查準率（Precision），查全率（Recall）與調和平均值（F1-score）評估其分類精度。

參數優化的目標是通過持續調整每個參數向量的值來獲得泛化效果最好的超平面，進而最大限度地提高軌跡的分割效果。本文以最大化分割精準度為優化目標，將參數優化問題轉換為單目標優化問題。每個搜索代理使用F1-score作為其對應參數向量的適用性標準，最優搜索代理適應度應滿足于最大調和平均值。

1.2.3 基本黏菌算法

黏菌優化算法是由Li等[28]于2020年提出的一類元啟發式算法，其靈感來源于黏菌的覓食行為和形態變化，數學模型可以表達為

1.2.4 改進的多元振蕩黏菌算法

元啟發式算法的性能取決于其全局搜索能力、局部搜索能力及兩者之間的協調平衡。本文選用的SMA全局搜索能力較差，無法在田路分割模型參數約束范圍內充分搜索。為滿足模型的參數優化性能要求，本研究在SMA的基礎上，提出一種改進的多元振蕩黏菌算法求解田路分割模型參數優化問題。

1）動態引導策略

2）多元振蕩策略

1.2.5 計算流程

基于MOSMA參數優化方法計算步驟可概括為：

1）數據處理：清洗軌跡數據（包括平滑噪聲點和過濾重復點），并劃分為訓練集和驗證集。

2）參數設定與算法初始化：設置算法相關的參數，包括種群數目，參數維度、參數上界與下界、最大迭代次數等，初始化算法種群的位置。

4）參數優化：以適應度為引導信息更新算法的參數，種群中的每個搜索個體分別通過式（1）、動態引導策略與多元振蕩策略更新位置信息，最后更新迭代次數1。

2 結果與分析

2.1 試驗設置

為評估基于MOSMA的參數優化方法對田路分割模型計算效率的提升效果，本文采用真實的谷物聯合收割機在2021年9月底—10月中下旬進行水稻收割的作業軌跡展開試驗，所有軌跡數據均由博創聯動公司提供。地理空間上分布于中國的多個省級行政區，具體包括青海省、陜西省、四川省、內蒙古、河南省、湖北省、安徽省、江西省、江蘇省。為驗證參數優化方法的普適性，試驗選用了兩組搭載不同型號定位終端的農機軌跡數據集。為有效地區分兩組數據集，根據定位終端的采樣頻率不同及其之間的相對關系，定義了{低密度數據集，高密度數據集}語言集合。其中高密度數據集中相鄰軌跡點的時間間隔為3 s，低密度數據集相鄰軌跡點的時間間隔為5 s。每組數據集均包括10個不同的軌跡樣本，分別由D1～D10和S1～S10表示，詳細數據見表1。

表1 農機運動軌跡數據基本信息

注：緯度、經度取自軌跡樣本的起始點；樣本規模是指一幅軌跡所包含的軌跡點數目。

Note: Latitude and longitude are extracted from the first point of the trajectory sample; the size refers to trajectory point number of a trajectory.

2.2 模型對比試驗分析

表2表示MOSMA-BDFRTS和GS-BDFRTS兩種模型在高密度軌跡數據集中的試驗結果對比，可以看出，MOSMA-BDFRTS的計算結果均優于GS-BDFRTS和PSO-BDFRTS。在10組高密度軌跡中，MOSMA-BDFRTS的平均準確率相比GS-BDFRTS，PSO-BDFRTS分別提高了25和28個百分點。其中，MOSMA-BDFRTS在D03、D09等樣本中取得了明顯地提升，在農田作業軌跡的F1-score值相比GS-BDFRTS分別提升了3和12個百分點，相比PSO-BDFRTS分別提升了3和4個百分點；在道路行駛軌跡的F1-score值比GS-BDFRTS分別提高了34和69個百分點，相PSOPSO-BDFRTS分別提高了35和50個百分點。相比GS-BDFRTS和PSO-BDFRTS，MOSMA-BDFRTS在高密度軌跡樣本的分割識別中的農田作業軌跡的F1-score值均提高了6個百分點；在道路行駛軌跡的F1-score值平均提升了43和50個百分點。PSO-BDFRTS在D06、D08、D09的F1-score值優于GS-BDFRTS，但在其他樣本中均低于GS-BDFRTS，表明PSO易陷入局部最優，優化能力較差，而本文所提的MOSMA能夠擺脫局部最優，在全局范圍內為BDFRTS搜索到更好的參數結構。

表3展現了不同方法在低密度軌跡數據集中的試驗結果。MOSMA-BDFRTS分割模型在10組低密度軌跡中分割的平均準確率相比GS-BDFRTS，PSO-BDFRTS模型分別提高了17和14個百分點。相比GS-BDFRTS和PSO-BDFRTS，MOSMA-BDFRTS在所有的低密度軌跡樣本分割識別中的農田作業軌跡F1-score值平均提高了17和9個百分點，在道路行駛軌跡的F1-score值平均提升了17和19個百分點。試驗結果表明，MOSMA-BDFRTS在低密度軌跡數據中能夠取得更好的分割結果。此外，MOSMA-BDFRTS在S01、S08兩項軌跡樣本中相比GS-BDFRTS分別獲得了66與34個百分點的顯著提升;與PSO-BDFRTS比較，MOSMA-BDFRTS在S02、S04軌跡樣本有明顯的提升，其農田作業軌跡的分割準確率提升了17與1個百分點，道路行駛軌跡的準確率分別提升了36與31個百分點，而在其他軌跡樣本中也都取得了更好的優化效果，說明MOSMA的性能優于PSO。表4給出了不同田路分割模型參數選擇的執行時間，可以看出，本文所提方法的計算開銷明顯低于GS，略低于PSO。軌跡樣本的數據量越大，GS計算所需的時間就越久，此時使用MOSMA的計算收益就越大，因此MOSMA在處理大規模軌跡數據時更具優勢。綜上，基于MOSMA的參數優化方法能夠在更短的時間內確定田路分割模型的最優參數結構，提升模型分割準確率，具有較好的適應性和魯棒性。

2.3 收斂性分析

圖2展現了三種模型在四組軌跡樣本參數訓練過程中的收斂曲線，GS不具備元啟發式算法中常規意義上的迭代次數概念，為便于比較，將搜索次數按比例轉換成迭代次數。從圖2中可以看出，相比GS-BDFRTS和PSO-BDFRTS，MOSMA-BDFRTS能夠在較少的迭代次數內收斂于最優參數結構，證明了算法優化性能的優越性。從圖2整體來看，MOSMA-BDFRTS收斂曲線的變化呈單調上升趨勢，且在更少的迭代次數內取到最優值，說明算法有較好的收斂能力和優化速度。

表2 不同田路分割模型在高密度軌跡的分割結果對比

注：GS-BDFRTS、PSO-BDFRTS和MOSMA-BDFRTS表示基于方向分布的田路分割模型分別配置網格搜索法、粒子群算法和多元振蕩黏菌算法，下同。

Note: GS-BDFRTS, PSO-BDFRTS and MOSMA-BDFRTS are represent the field-road trajectory segmentation model configures grid search method, particle swarm algorithm and multiplex oscillation slime mould algorithm, respectively, same below.

表3 不同田路分割模型在低密度軌跡的分割結果對比

表4 不同參數選擇方法的耗時對比

注：GS、PSO和MOSMA分別表示使用網格搜索法、粒子群算法和多元振蕩黏菌算法選擇模型的參數。

Note: GS, PSO and MOSMA refers the use grid search method, particle swarm algorithm and multiplex oscillation slime mould algorithm to select parameters for the model.

2.4 參數優化效果對比

為更加直觀地分析本文所提方法的優化效果，圖3展現了部分軌跡樣本用GS-BDFRTS與MOSMA- BDFRTS進行分割的結果。由表2和表3可知，MOSMA-BDFRTS在D01、D02、S01、S02樣本中取得了明顯地提升，在農田作業軌跡的F1-score值分別提升了13、14、9與14個百分點；在道路行駛軌跡的F1-score值分別比GS-BDFRTS提高了68、69、66與5個百分點。從圖3展現的軌跡分割圖像可以清晰地看出，經MOSMA-BDFRTS分割后的軌跡分類在相應的地圖背景下的準確率更高，說明本文所提方法能夠提供更優越的分割結果。

a. 軌跡樣本D01a. Trajectory sample D01b. 軌跡樣本D02b. Trajectory sample D02c. 軌跡樣本S01c. Trajectory sample S01d. 軌跡樣本S02d. Trajectory sample S02

圖3 不同田路分割模型的分割結果

3 結 論

為了提升田路分割模型的性能，本研究從參數優化的角度切入，提出了一種面向田路分割模型的參數優化方法。該方法以最大化分割準確率為優化目標，為田路分割模型建立了一種通用的參數優化方案，其能夠使用元啟發式算法求解優化方案來自動標定模型的參數結構。為了解決傳統元啟發式算法因性能低下求解方案困難的問題，提出了一種多元振蕩黏菌算法，該算法提出了動態引導策略與多元振蕩策略提升了優化性能。在20組不同密度的農機作業軌跡數據中開展試驗，結果表明，基于多元振蕩黏菌算法的參數優化方法能有效提升田路分割模型的性能。在分割結果方面，多元振蕩黏菌算法優化的田路分割模型相比網格搜索法和粒子群算法優化的田路分割模型在高密度軌跡數據中的分割準確率分別提高了25和28個百分點；在低密度軌跡數據中的分割準確率分別提高了17和14個百分點。從分割效果和平均處理時間等指標綜合來看，基于多元振蕩黏菌算法的參數優化方法能夠有效地提升田路分割模型的性能。本文所提方法為田路分割模型提供了一種通用的參數優化解決方案，可直接應用于其他類型的模型實例中。

[1] 肖敬，劉卉，魏學禮，等. 基于時空立方體的農機運動軌跡分割方法[J]. 江蘇農業科學，2018，46(20)：244-247.

Xiao Jing, Liu Hui, Wei Xueli, et al. Segmentation of agricultural machinery trajectories based on space-time cube[J]. Jiangsu Agricultural Sciences, 2018, 46(20): 244-247. (in Chinese with English abstract)

[2] 孫忠富，杜克明，鄭飛翔，等. 大數據在智慧農業中研究與應用展望[J]. 中國農業科技導報，2013，15(6)：63-71.

Sun Zhongfu, Du Kengming, Zheng Feixiang, et al. Perspectives of research and application of big data on smart agriculture[J]. Journal of Agricultural Science and Technology, 2013, 15(6): 63-71. (in Chinese with English abstract)

[3] 馮曉莉，王永興，仇寶云. 基于混合狼群算法參數優選的泵站群運行優化[J]. 農業工程學報，2020，36(3)：30-36.

Feng Xiaoli, Wang Yongxing, Chou Baoyun. Optimization of pumping station group operation based on optimized parameters using hybrid wolf pack algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 30-36. (in Chinese with English abstract)

[4] 王培，孟志軍，尹彥鑫，等. 基于農機空間運行軌跡的作業狀態自動識別試驗[J]. 農業工程學報，2015，31(3)：56-61.

Wang Pei, Meng Zhijun, Yin Yanxin, et al. Automatic recognition algorithm of field operation status based on spatial track of agricultural machinery and corresponding experiment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 56-61. (in Chinese with English abstract)

[5] 劉卉，孟志軍，王培，等. 基于農機空間軌跡的作業面積的緩沖區算法[J]. 農業工程學報，2015，31(7)：180-184.

Liu Hui, Meng Zhijun, Wang Pei, et al. Buffer algorithms for operation area measurement based on global navigation satellite system trajectories of agricultural machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 180-184. (in Chinese with English abstract)

[6] 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)

[7] 翟衛欣，王東旭，陳智博，等. 無人駕駛農機自主作業路徑規劃方法[J]. 農業工程學報，2021，37(16)：1-7.

Zhai Weixin, Wang Dongxu, Chen Zhibo, et al. Autonomous operation path planning method for unmanned agricultural machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 1-7. (in Chinese with English abstract)

[8] 翟志強，王秀倩，王亮，等. 面向主從跟隨協同作業的導航路徑規劃方法[J]. 農業機械學報，2021，52(S1)：542-547.

Zhai Zhiqiang, Wang Xiuqian, Wang Liang, et al. Collaborative path planning for autonomous agricultural machinery of master-slave cooperation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(S1): 542-547. (in Chinese with English abstract)

[9] 姚竟發，劉靜，張璠，等. 基于多普勒與貪心策略的農機作業路徑優化研究[J]. 中國農機化學報，2020，41(4)：130-137.

Yao Jingfa, Liu Jing, Zhang Fan, et al. Optimization of agricultural machinery operation path based on doppler and greedy strategy[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(4): 130-137. (in Chinese with English abstract)

[10] Kortenbruck D, Griepentrog H W, Paraforos D S. Machine operation profiles generated from ISO 11783 communication data[J]. Computers and Electronics in Agriculture, 2017, 140: 227-236.

[11] Hanke S, Tr?sken L, Frerichs L. Development and parameterization of an object-oriented model for describing agricultural process steps[J]. Landtechnik, 2018, 73(2): 22-36.

[12] Kilic T, Zezza A, Carletto C, et al. Missing (ness) in action: selectivity bias in GPS-based land area measurements[J]. World Development, 2017, 92: 143-157.

[13] Chen Y, Zhang X, Wu C, et al. Field-road trajectory segmentation for agricultural machinery based on direction distribution[J]. Computers and Electronics in Agriculture, 2021, 186: 106180.

[14] Bertolini M, Mezzogori D, Neroni M, et al. Machine Learning for industrial applications: A comprehensive literature review[J]. Expert Systems with Applications, 2021, 175: 114820.

[15] Ding X, Zheng M, Zheng X. The application of genetic algorithm in land use optimization research: A review[J]. Land, 2021, 10(5): 526.

[16] Houssein E H, Gad A G, Hussain K, et al. Major advances in particle swarm optimization: theory, analysis, and application[J]. Swarm and Evolutionary Computation, 2021, 63: 100868.

[17] Yu X, Xu W, Li C. Opposition-based learning grey wolf optimizer for global optimization[J]. Knowledge-Based Systems, 2021, 226: 107139.

[18] Dhiman G, Singh K K, Soni M, et al. MOSOA: A new multi-objective seagull optimization algorithm[J]. Expert Systems with Applications, 2021, 167: 114150.

[19] Tam N T, Hung T H, Binh H T T. A decomposition-based multi-objective optimization approach for balancing the energy consumption of wireless sensor networks[J]. Applied Soft Computing, 2021, 107: 107365.

[20] Dhal P, Azad C. A multi-objective feature selection method using newton’s law based pso with gwo[J]. Applied Soft Computing, 2021, 107: 107394.

[21] D’Angelo G, Palmieri F. GGA: A modified genetic algorithm with gradient-based local search for solving constrained optimization problems[J]. Information Sciences, 2021, 547: 136-162.

[22] Kapoor K, Rani S, Kumar M, et al. Hybrid local phase quantization and grey wolf optimization based SVM for finger vein recognition[J]. Multimedia Tools and Applications, 2021, 80(10): 15233-15271.

[23] Xu L, Hou L, Zhu Z, et al. Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm[J]. Energy, 2021, 222: 119955.

[24] 張良安，唐鍇，趙永杰，等. 四足激光除草機器人腿部結構參數優化[J]. 農業工程學報，2020，36(2)：7-15.

Zhang Liang’an, Tang Kai, Zhao Yongjie, et al. Optimization of leg structure parameter of quadruped laser weeding robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 7-15. (in Chinese with English abstract)

[25] Ding W L, Zhao Y L, Xin W T, et al. Parameter extraction method of virtual plant growth model based on Improved Particle Swarm Optimization[J]. Computers and Electronics in Agriculture, 2021, 191: 106470.

[26] Jamei M, Elbeltagi A, Maroufpoor S, et al. Combined terrestrial evapotranspiration index prediction using a hybrid artificial intelligence paradigm integrated with relief algorithm-based feature selection[J]. Computers and Electronics in Agriculture, 2022, 193: 106687.

[27] Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]// Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. Portland, America: ACM, 1996: 226-231.

[28] Li S, Chen H, Wang M, et al. Slime mould algorithm: A new method for stochastic optimization[J]. Future Generation Computer Systems, 2020, 111: 300-323.

[29] 王鵬新，齊璇，李俐，等. 基于粒子群優化投影尋蹤的玉米單產估測[J]. 農業工程學報，2019，35(13)：145-153.

Wang Pengxin, Qi Xuan, Li Li, et al. Estimation of maize yield based on projection pursuit with particle swarm optimization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 145-153. (in Chinese with English abstract)

Parameter optimization of field-road trajectory segmentation model using multiplex oscillation slime mould algorithm

Zhai Weixin1,2, Pan Jiawen1,2, Lan Yubin3,4, Wu Caicong1,2※

(1.,,100083,;2.,,100083,;3.,,255000,;4.,510642,)

Field-Road Trajectory Segmentation (FRTS) is one of the important tasks of agricultural machinery. A sequence of field-road segments of a trajectory can be automatically divided for the big data in precision agriculture. The parameter of the FRTS model can also determine the segmentation accuracy and precision. However, the traditional parameter selection cannot obtain the superior solution, limiting the segmentation performance of the model. Therefore, this study aims to investigate the performance improvement of the FRTS model from the perspective of parameter optimization. Two aspects were mainly contained as follows. Firstly, the metaheuristic algorithms were used to determine the parameter configuration of the model. The classification accuracy was considered as an objective to transform the parameter into a single-objective optimization. Specifically, the parameter structure of the model was abstracted as the searched individual of the optimization. The reasonable fitness function was set, according to the metrics of FRTS evaluation. Then, the fitness was used to evaluate the search of the individual in the solution space. The location of the searched individual was also continuously adjusted, according to the calculation rules of the optimization. As such, the global optimal parameter structure was achieved to converge. Secondly, a Multiplex Oscillation Slime Mould Algorithm (MOSMA) was proposed to realize the parameter optimization with the nonlinear characteristics and multiple locally optimal solutions. A dynamic guidance strategy was also established to adaptively change the individual movement for the better exploitation capability of the model, according to the search process of the population. Then, a strategy (called multivariate oscillation) was proposed to improve the segmentation performance and exploration capability of the model. Different search paths were utilized to produce multiple oscillations before the individual moves, and the priori rule was then to evaluate the qualities of paths. As such, the path with the highest quality was selected to move. The synergy of the two strategies enhanced the optimization capability of the model. Dynamic guidance and a multiplex oscillation strategy enhanced the oscillation contraction patterns of the slime mould and the process of the cytoplasm flows, thereby improving the optimization performance of the model. The experiments were also performed on real agricultural trajectory datasets with different sampling frequencies. A comparison was then made with the Grid Search (GS) and Particle Swarm Optimization (PSO) to validate the effectiveness of the model. The experiment results show that the new optimization effectively improved the accuracy and performance of the FRTS model using direction distribution (BDFRTS). The average accuracy of the MOSMA-BDFRTS on high-density trajectory data was increased by 25 percentage points and 28 percentage points compared with GS-BDFRTS and PSO-BDFRTS. MOSMA-BDFRTS achieved more competitive results on low-density trajectory data, whose average accuracy of segmentation was improved by 17 percentage points and 14 percentage points compared with GS-BDFRTS and PSO-BDFRTS. The proposed method provides a generalized parameter optimization solution for field-road trajectory segmentation models, and it can be applied directly to other types of model instances. The study also provides a reference for the research of the agricultural machinery movement trajectory segmentation technology.

model; parameter optimization; field-road trajectory segmentation; slime mould algorithm; dynamic guidance; multiplex oscillation

10.11975/j.issn.1002-6819.2022.18.019

S126

A

1002-6819(2022)-18-0176-08

翟衛欣，潘家文，蘭玉彬，等. 基于多元振蕩黏菌算法的田路分割模型參數優化方法[J]. 農業工程學報，2022，38(18)：176-183.doi：10.11975/j.issn.1002-6819.2022.18.019 http://www.tcsae.org

Zhai Weixin, Pan Jiawen, Lan Yubin, et al. Parameter optimization of field-road trajectory segmentation model using multiplex oscillation slime mould algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 176-183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.019 http://www.tcsae.org

2022-06-26

2022-09-12

國家精準農業應用項目（JZNYYY001）；北京市科技計劃項目（Z201100008020008）；中國科協科技智庫青年人才計劃項目（20220615ZZ07110141）

翟衛欣，博士，副教授，博士生導師，研究方向為時空大數據、地圖學與地理信息系統、智能農機等。Email：zhaiweixin@cau.edu.cn

吳才聰，博士，教授，博士生導師，研究方向為農機導航與位置服務等。Email：wucc@cau.edu.cn

中國農業工程學會會員：翟衛欣（E041201339S）