基于改進蟻群算法的蔬菜大田無人農機路徑優化

王海琛 吳華瑞 朱華吉 繆祎晟 楊寶祝

摘要：推進蔬菜機械化與無人化種植能夠保障優良的蔬菜規模化種植技術效益，有力保證蔬菜質量與品質，有利于蔬菜規模化生產種植技術產業體系的發展。利用無人拖拉機作業GPS定位點集將實際農業作業區域轉化為規則矩形，在此基礎上建立以無人拖拉機總轉彎距離最短為優化模型，采用蟻群算法對無人拖拉機耕地作業路徑序列進行搜索。同時考慮到傳統蟻群算法易陷入局部最優、全局搜索能力不足等問題，提出一種基于和聲搜索策略的改進蟻群算法，通過引入sigmoid函數與和聲搜索機制改善路徑搜索能力，得到高質量耕地作業路徑序列。將傳統蟻群算法（AC）、精英蟻群算法（ELAC）作為對比算法，將傳統梭形、回形作業方法作為路徑對比作業方法，針對不同耕地作業規模進行無人拖拉機作業路徑搜索試驗。結果表明，本文算法得到的總轉彎距離較梭形耕法降低35.53%～43.08%、較回形耕法降低24.98%～86.88%。精英蟻群算法在小規模作業區域中性能較優，但隨著蔬菜大田規模擴大，改進和聲蟻群算法優化效果更明顯。

關鍵詞：路徑尋優；無人農機；排序優化；蟻群算法

中圖分類號：S24

文獻標識碼：A

文章編號：2095-5553 （2023） 04-0187-08

Abstract： Promoting vegetable mechanization and unmanned planting can guarantee the benefits of high-quality vegetable large-scale planting technology， and effectively guarantee the quality and quality of vegetables， which is conducive to the development of the industrial system of vegetable large-scale production planting technology. This paper uses the GPS positioning point set for unmanned tractor operation to transform the actual agricultural operation area into a regular rectangle. On this basis， an optimization model with the shortest total turning distance of the unmanned tractor is established， and the ant colony algorithm is used to search the path sequence of unmanned tractor cultivated land. At the same time， considering that the traditional ant colony algorithm is easy to fall into the local optimum and the global search ability is insufficient， an improved ant colony algorithm based on the harmony search strategy is proposed. The sigmoid function and the harmony search mechanism are introduced to improve the path search ability and obtain high sequence of quality farmland working paths. In this paper， the traditional ant colony algorithm （AC）， the elite ant colony algorithm （ELAC） and the shuttle and back operation methods are used as comparison algorithms， and the operation path search experiment of unmanned tractors is carried out for different farmland operation scales. The test results show that the total turning distance obtained by the algorithm in this paper is reduced by 35.53%-43.08% compared with the shuttle tillage method， and reduced by 24.98%-86.88% compared with the return tillage method. The elite ant colony algorithm has better performance in small-scale operation areas， but as the scale of vegetable fields expands， the optimization effect of the improved harmony ant colony algorithm is more obvious.

Keywords：? path optimization; unmanned agricultural machinery; ranking optimization; ant colony algorithm

0 引言

當前國內針對無人拖拉機作業研究大多聚焦于糧食作物領域，羅錫文院士團隊與雷沃重工在小麥種植方面實現全程無人化深耕、播種作業［1］。北大荒農墾集團針對平原地區集中大面積水稻完成全過程無人作業試驗。內蒙古、山東、新疆等地開展玉米、棉花等糧食經濟作物的田間播種、收割等無人農機全過程無人作業試驗，探索農藝與無人農機融合經驗［2］。由于蔬菜種植生產過程復雜，有著更高的農藝要求，蔬菜產業領域的無人化作業起步較晚，發展程度較低。

蔬菜種植對土壤質量要求較高，為了創造蔬菜良好的生長環境，提高蔬菜的品質與產量，土壤翻耕是蔬菜種植中的一項關鍵工作［3］。當前蔬菜種植生產過程中大多采用傳統拖拉機翻耕作業方式，隨著我國蔬菜種植規模逐年擴大，生產種植過程中用工多、成本高、重復作業率高、作業效率低等問題正制約蔬菜產業體系的進一步發展［4］。在農村老齡化和蔬菜種植效率較低的情況下，需要加快研究和推廣種植全程無人機械化生產模式。合理的無人拖拉機耕地作業路徑規劃是影響無人拖拉機耕地作業效率的重要因素，無意義的重復作業路徑與無序的路徑規劃，不僅降低了無人拖拉機的耕地作業效率，同時加大了無人拖拉機的機械損耗［5-6］。為了提高蔬菜種植過程的效率，降低蔬菜種植成本［7-8］，建立無人拖拉機作業模型并優化無人拖拉機耕地作業路徑是精準農業領域的研究熱點。

Driscoll［9］提出一種求解規則矩形區域的方法，使農機作業路徑達到完全覆蓋的效果，該算法沒有考慮最佳作業起始方向與路徑，無法得到最優作業路徑。Hameed等［10］提出一種邊到邊的田地區域模型確定方法，有效減少區域模型建立時的重疊與遺漏問題。孟志軍等［11］則以轉彎次數少、作業消耗最小和有效作業路徑比最大為目標函數，采用劃分田間區域的方式進行拖拉機作業路徑規劃。Plessen［12］采用AB、CIRC（circular pattern）和CIRC*三種改進套耕模式可以改善規則矩形區域的農機作業路徑，但由于該模型在傳統套耕作業方式進行改進，重復路徑的減少效果有限。Rahman等［13］利用凸包算法構造農田實際作業區域模型，通過傳統路徑規劃對收割機的作業路線進行簡單規劃。

在以上研究中，大多在建立作業區域模型的基礎上通過傳統作業方式進行無人拖拉機的路徑規劃。Bochtis等［14］提出了一種計算拖拉機遍歷序列的算法，將加權圖的遍歷來表示拖拉機覆蓋農田的作業問題。由此拖拉機的最優作業路徑規劃問題等價于在圖中尋找最優遍歷序列的TSP問題。黃小毛等［15］改進了傳統農機的轉彎模型，并采用貪心算法求解拖拉機最優作業路徑序列，但該算法無法得到最短總轉彎距離。Utamima等［16］通過融合鄰域搜索和精英原理，提出一種新的分布估計算法，從大面積農田與多農機協同方面對拖拉機作業路徑進行優化。姚竟發等［17］采用多普勒與貪心策略改進傳統模擬退火算法，基于不同形狀的農田、不同的農機等方面對農機作業路徑進行優化。Seyyedhasani等［18］根據傳統割草作業路線，提出一種基于禁忌搜索的優化模型對傳統割草作業路線重新進行選擇優化，該模型有效提升割草機作業效率，但該方法仍然存在重復作業路線。

上述研究通常將拖拉機作業地塊建立為理想作業區域模型，采用傳統作業路徑或簡單路徑規劃方法進行土地翻耕作業，限制了無人拖拉機在農業領域的實際應用，降低了作業效率。針對上述問題，本文基于增量凸包算法理論建立了實際蔬菜大田的最優工作區域模型，通過蟻群算法解決無人拖拉機進行耕地作業時路徑的大規模路徑序列組合優化問題［19-20］，同時針對傳統蟻群算法存在的全局搜索作業路徑難度大，尋找路徑時容易陷入局部最優等問題［21-23］，提出一種基于和聲搜索的改進蟻群算法（Harmongy Search Ant Colony Algorithm，HSAC），利用sigmoid函數特性動態調整傳統蟻群算法信息素揮發因子，同時引入和聲搜索算法對信息素因子與啟發因子在算法迭代過程中進行最適應選擇，從而提升算法迭代效率與路徑尋優能力。

1 作業區域建模

本文通過無人拖拉機RTK-GPS（實時全球定位系統）得到作業地塊的有限位置點集，并利用增量凸包算法將作業地塊抽象為一般矩形，但不規則的作業地塊建模會降低路徑規劃精準度。如圖1所示，采用K-NN算法［24］構造了適用于實際田塊的規則無人拖拉機耕地作業區域模型。

2 模型建立

如圖2所示，當無人拖拉機在蔬菜生產無人農場進行耕地作業時，為了提升蔬菜大田利用率，降低重復耕地作業率，管理者通常根據無人拖拉機作業幅寬，將蔬菜大田劃分為等寬耕地作業行。無人拖拉機依次沿著每一條等寬作業行進行耕地作業，完成一行耕地作業后，在地頭進行轉彎，調整機身，進入下一作業行進行耕地作業，最終實現全覆蓋耕地作業。

為了減少無人拖拉機在地頭轉彎時的倒車次數與轉彎距離，同時考慮到地頭轉彎預留區域空間有限，如圖3所示，選擇Τ型轉彎和П型轉彎兩種拖拉機轉彎方式。在矩形蔬菜大田中，每條作業行長度相同，拖拉機行走距離直接受轉彎路徑影響。無人拖拉機以不同的路徑遍歷序列完成所有作業行的耕地作業會產生不同的轉彎總距離。因此，需要完成無人拖拉機的耕地作業行路徑序列的大規模組合優化，使無人拖拉機在轉彎時產生的總距離最小，如圖4所示。

由于和聲搜索算法通過模仿即興演奏者的活動來發揮作用，經常為復雜函數找到最優的輸入集［25］。和聲搜索算法時間復雜度小，根據和聲搜索算法的搜索機制，通過個體的擾動策略每次迭代時都可以得到一個新的解向量，從而可以增加和聲組合的多樣性［26］。為了提高蟻群信息素因子和啟發函數因子組合的多樣性，利用和聲搜索算法每次產生的新解對和聲記憶庫中的組合不斷更新與替換的特性，以無人拖拉機耕地作業路徑總轉彎距離達到最短作為目標函數，確定由信息素因子與啟發函數因子組成的最優解向量。

改進和聲蟻群算法流程如圖5所示。

改進和聲蟻群算法具體步驟如下。

1）? 初始化算法主要參數：和聲記憶庫大小（HMS）、和聲記憶保留概率（HMCR）、音高調整率（PAR）、調整步長（BW）以及最大循環次數。

2）? 選擇無人拖拉機耕地作業時總轉彎距離作為求解的目標函數F（x）。

3）? 構建和聲記憶庫。通過迭代關系式（15）求出每次迭代時的啟發式因子和信息素因子，并組合為目標函數F（x）的解向量X（x1、x2、x3…xImax）。

4）? 更新和聲記憶庫。根據生成的新解向量，利用基于HMCR考慮、基于PAR結合步長BW調整的基音考慮兩種操作方式，從HM中即興創作出新的和聲向量。并與解得的和聲向量進行比較。如果產生的和聲比HM中最差的和聲好，更新和聲向量Xi。

5）? 將和聲搜索每次迭代得到的解更新蟻群算法中信息素因子α、啟發因子β。

4 試驗與分析

4.1 試驗環境

為驗證算法性能與無人拖拉機作業路徑優化效果，本文分別采用傳統蟻群算法、精英蟻群算法與改進和聲蟻群算法進行作業路徑優化對比試驗。試驗采用版本為3.7的Python語言編寫，在Windows10 64位操作系統、處理器為Intel（R）Core（TM）ig-9300H的環境下進行仿真。

4.2 矩形蔬菜大田下拖拉機路徑優化結果分析

在田間無人拖拉機耕地作業優化路徑試驗中，蔬菜大田大小不同，規劃出的耕地作業行數目也不同，無人拖拉機在搜索路徑的難度隨著作業行數的增多而增大。為研究在不同規模蔬菜大田的耕地作業行下，本文算法的無人拖拉機作業路徑優化效果及其規律，選擇了當前農業生產中常見的約翰迪爾6B1204型號無人拖拉機參數作為試驗參數，無人拖拉機作業寬幅為2.5 m，最小轉彎半徑為5 m。作業場景為8行、12行、22行、30行、54行和90行的6種規模蔬菜大田。本試驗所有算法均采用如表1所示的相同參數。

在當前農業生產環境下，無人拖拉機作業路徑選擇方式仍然采用傳統拖拉機耕地作業方式中的梭形耕法與回形耕法，如圖6所示。從圖6中可以看出，當拖拉機選擇梭形耕法作業時，每結束一行作業均需要在地頭進行倒車操作進入下一行作業，降低了拖拉機作業效率，增加了拖拉機的機械損耗。

而拖拉機采用回形耕法作業時，雖然不存在倒車操作的問題，卻增加了拖拉機轉彎的距離，加大了拖拉機能源消耗，同樣降低了拖拉機耕地作業效率。其試驗仿真結果如表2所示，采用改進和聲蟻群算法對拖拉機作業路徑序列進行優化后，無人拖拉機耕地作業轉彎路徑顯著縮短，對比傳統梭形耕法與回形耕法，改進和聲蟻群算法優化路徑后的路徑縮短效果分別達到35.53%～43.08%和24.98%～86.88%。

圖7為傳統蟻群算法（AC）、精英蟻群算法（ELAC）和改進和聲蟻群算法在12行、54行、90行三類作業田地中的作業尋優效率。

從圖7中可以發現，傳統蟻群算法迭代次數多，收斂速度較慢，精英蟻群算法迭代次數有顯著減少。由于本文算法通過調整信息素揮發策略，避免了拖拉機搜索作業路徑時在正反饋的作用下向局部解收斂，提高了算法的收斂速度。

從圖7（c）可以發現，改進和聲蟻群算法改進了搜索路徑時的啟發機制，在蔬菜大田規模較大時仍可以保持較高算法效率，算法在迭代100次前即可完成收斂。

表3為三種算法在不同規模農田下的作業尋路時間。

從表3中可以發現，相對傳統蟻群算法與本文提出的改進蟻群算法，精英蟻群算法的尋路時間最短。在較大面積農田下，使用精英蟻群算法優勢更為明顯，而本文所提出的改進蟻群算法，在算法迭代過程中，使用了和聲搜索策略尋找蟻群算法的啟發因子，導致算法在尋路過程中增加了計算時間，由于本文算法應用場景為離線式路徑搜索系統，即非實時搜索作業優化路徑，同時在大部分作業場景中仍然可以以較快速度尋找最優路徑，因此本文提出的改進蟻群算法仍然具有實際應用效果。

傳統蟻群算法、精英蟻群算法與改進和聲蟻群算法對拖拉機耕地作業田地進行路徑優化，對比結果如表4所示。從表4中可以發現，傳統蟻群算法存在易陷入局部最優的不足，路徑尋優能力較弱。精英蟻群算法與改進和聲蟻群算法對比傳統蟻群算法均能找到更優的拖拉機作業路徑。隨著蔬菜大田規模增大，作業行數增多，改進和聲蟻群算法動態調整了信息素揮發策略，通過優化路徑搜索啟發機制提高了搜索路徑能力。蔬菜大田規模增大時，改進和聲蟻群算法較精英蟻群算法的路徑尋優效果有進一步提升。

無人拖拉機在12行耕地作業行條件下，由傳統蟻群算法、精英蟻群算法與改進和聲蟻群算法所得出的路徑規劃示意圖，如圖8所示。

圖8中，圓形符號表示路線的起點，而菱形符號表示路線的終點。從圖8可看出，通過智能優化算法對無人拖拉機耕地作業路徑進行優化后，對比傳統梭形耕法，倒車操作的次數大大減少，Τ型與Π型轉彎方式的結合使用可以使拖拉機作業路徑達到最短。改進和聲蟻群算法的路線中（圖8（c））由于沒有Τ型轉彎倒車操作的情況，所用作業實際時間比精英蟻群算法更短，更有助于無人拖拉機的維護與保養。

5 結論

1） 本文利用蟻群算法對矩形蔬菜大田下無人拖拉機耕地作業路徑的調度序列進行優化，使無人拖拉機在作業中的總轉彎距離達到最短，同時針對傳統蟻群算法易陷入局部最優的問題研究了基于sigmoid函數特性的蟻群算法信息素揮發動態調整的方法。同時，考慮到傳統蟻群全局搜索能力較弱，本研究利用和聲搜索算法確定蟻群算法信息素因子與啟發因子的最優參數組合。

2）? 與傳統蟻群算法、精英蟻群算法相比，本文所提出的改進和聲蟻群算法，在不同規模的矩形蔬菜大田場景下，迭代次數有顯著減少，搜索作業路徑效率較優，算法性能得到較好提升。

3）? 與傳統耕地作業方式相比，改進和聲蟻群算法比梭形耕法的總轉彎距離降低了35.53%～43.08%，比回形耕法的總轉彎距離降低了24.98%～86.88%，有效降低無人拖拉機實際作業過程中的作業時長，減少了無人拖拉機作業成本與機械損耗。

參 考 文 獻

［1］ 農機君. 雷沃無人農場： 智慧農機守護“大國糧倉”［J］. 農業機械（上半月）， 2021（1）： 61-62.

［2］ 馬國建， 陳夢佳， 許夢凡. 基于無人農業系統試驗的智能農機補貼政策研究［J］. 新疆農機化， 2021（3）： 36-39.

Ma Guojian， Chen Mengjia， Xu Mengfan. Research on intelligent agricultural machinery subsidy policy based on unmanned agricultural system experiment ［J］. Xinjiang Agricultural Mechanization， 2021（3）： 36-39.

［3］ 李娟， 秦東梅. 蔬菜種植應提前做好土壤翻耕與整理［J］. 農村百事通， 2021（5）： 192.

［4］ 鄭平平， 湯瑋， 宋偉杰， 等. 無人駕駛拖拉機路徑跟蹤聯合控制研究［J］. 農業裝備與車輛工程， 2021， 59（2）： 79-82.

Zheng Pingping， Tang Wei， Song Weijie， et al. Research on path tracking joint control of driverless tractor ［J］. Agricultural Equipment & Vehicle Engineering， 2021， 59（2）： 79-82.

［5］ 韓樹豐， 何勇， 方慧. 農機自動導航及無人駕駛車輛的發展綜述［J］. 浙江大學學報（農業與生命科學版）， 2018， 44（4）： 381-391.

Han Shufeng， He Yong， Fang Hui. Recent development in automatic guidance and autonomous vehicle for agriculture： A review ［J］. Journal of Zhejiang University （Agriculture and Life Sciences Edition）， 2018， 44 （4）： 381-391.

［6］ 劉成良， 林洪振， 李彥明， 等. 農業裝備智能控制技術研究現狀與發展趨勢分析［J］. 農業機械學報， 2020， 51（1）： 1-18.

Liu Chengliang， Lin Hongzhen， Li Yanming， et al. Analysis on status and development trend of intelligent control technology for agricultural equipment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（1）： 1-18.

［7］ 李玉林. 大田作物機械化收運系統精益運作及關鍵問題研究［D］. 重慶： 重慶大學， 2015.

Li Yulin. Research on lean operation and key issues of mechanized crop harvesting-to-transport system ［D］. Chongqing： Chongqing University， 2015.

［8］ Santos L C， Santos F N， Pires E J S， et al. Path planning for ground robots in agriculture： a short review ［C］. 2020 IEEE International Conference on Autonomous Robot Systems and Competitions （ICARSC）. IEEE， 2020： 61-66.

［9］ Driscoll T M. Complete coverage path planning in an agricultural environment ［J］. Digital Repository， 2011.

［10］ Hameed I A， Cour-Harbo A L， Osen O L. Side-to-side 3D coverage path planning approach for agricultural robots to minimize skip/overlap areas between swaths ［J］. Robotics and Autonomous Systems， 2016， 76： 36-45.

［11］ 孟志軍， 劉卉， 王華， 等. 農田作業機械路徑優化方法［J］. 農業機械學報， 2012， 43（6）： 147-152.

Meng Zhijun， Liu Hui， Wang Hua， et al. Optimal path planning for agricultural machinery ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2012， 43（6）： 147-152.

［12］ Plessen M M G. Partial field coverage based on two path planning patterns ［J］. Biosystems Engineering， 2017， 171（121-32）.

［13］ Rahman M M， Ishii K， Noguchi N. Optimum harvesting area of convex and concave polygon field for path planning of robot combine harvester ［J］. Intelligent Service Robotics， 2019， 12（2）： 167-179.

［14］

Bochtis D D， Vougioukas S G， Griepentrog H W. A mission planner for an autonomous tractor ［J］. Transactions of the ASABE， 2009， 52（5）： 1429-1440.

［15］ 黃小毛， 付正坤， 丁幼春， 等. 矩形邊界條件下農機作業方向平行路徑的排序優化［J］. 華中農業大學學報， 2014， 33（4）： 130-136.

Huang Xiaomao， Fu Zhengkun， Ding Youchun， et al. Sequence optimization of direction parallel path for the agricultural vehicles in field of rectangle boundary ［J］. Journal of Huazhong Agricultural University， 2014， 33（4）： 130-136.

［16］ Utamima A， Reiners T， Ansaripoor A H. Evolutionary estimation of distribution algorithm for agricultural routing planning in field logistics ［J］. Procedia Computer Science， 2019， 161： 560-567.

［17］ 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.

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

［19］ 張松燦， 普杰信， 司彥娜， 等. 蟻群算法在移動機器人路徑規劃中的應用綜述［J］. 計算機工程與應用， 2020， 56（8）： 10-19.

Zhang Songcan， Pu Jiexin， Si Yanna， et al. Survey on application of ant colony algorithm in path planning of mobile robot ［J］. Computer Engineering and Applications， 2020， 56（8）： 10-19.

［20］ 柳丹， 郭忠， 張樹麗. 基于無人機航路規劃問題的蟻群算法綜述［J］. 汽車實用技術， 2018（1）： 111-113.

Liu Dan， Guo Zhong， Zhang Shuli. The review of ant colony algorithm based on UAV route planning ［J］. Automobile Applied Technology， 2018（1）： 111-113.

［21］ 毛嘉琪. 改進蟻群算法的機器人路徑規劃研究［J］. 計算機應用與軟件， 2021， 38（5）： 300-306.

Mao Jiaqi. Robot path planning based on improved ant colony algorithm ［J］. Computer Applications and Software， 2021， 38（5）： 300-306.

［22］ 陳余慶， 李桐訓， 于雙， 等. 基于勢場蟻群算法的機器人全局路徑規劃［J］. 大連理工大學學報， 2019， 59（3）： 316-322.

Chen Yuqing， Li Tongxun， Yu Shuang， et al. Global path planning of robots based on potential field ant colony algorithm ［J］. Journal of Dalian University of Technology， 2019， 59（3）： 316-322.

［23］ 何亞輝. 基于改進蟻群算法的物流配送路徑規劃算法［J］. 計算機與數字工程， 2021， 49（5）： 920-924.

He Yahui. Logistics distribution route planning based on improved ant colony algorithm ［J］. Computer and Digital Engineering， 2021， 49（5）： 920-924.

［24］ Waleed M， Um T W， Kamal T， et al. Determining the precise work area of agriculture machinery using internet of things and artificial intelligence ［J］. Applied Sciences， 2020， 10（10）： 3365.

［25］ Zhang T， Geem Z W. Review of harmony search with respect to algorithm structure ［J］. Swarm and Evolutionary Computation， 2019， 48： 31-43.

［26］ 吳瑩， 歐云， 姚玄石， 等. 基于改進和聲算法的TSP路徑求解［J］. 吉首大學學報（自然科學版）， 2021， 42（1）： 35-40.

Wu Ying， Ou Yun， Yao Xuanshi， et al. Solving TSP issue based on improved harmony algorithm ［J］. Journal of Jishou University （Natural Sciences Edition）， 2021， 42（1）： 35-40.