面向大規模農田的農機跨區作業緊急調配研究

摘要：針對大規模農田的糧食搶收工作，由于搶收約束時間的限制，導致可能無法在規定時間內完成所有糧食的收割任務，此時則會出現糧食損失值。構建以糧食損失值最小化為目標的農機跨區緊急調配模型，提出基于兩階段的農機緊急調配算法（Agricultural Machinery Emergency Algorithm based on Two Stages，TSEA）。首先按照基于距離的分區策略對大規模農田進行分區，接著采用改進的遺傳算法分別對各農田分區進行農機緊急作業調配。為驗證算法的有效性，主要從緊急任務的糧食損失值、算法運行時間等方面將TSEA算法與GA、SA算法進行比較， 試驗結果表明，TSEA算法得到的緊急調度方案優于其他兩種算法。為驗證本文分區策略的有效性，分別采用TSEA算法和不分區的緊急調配算法從糧食損失值、算法運行時間等方面進行比較，驗證分區策略的有效性。多組試驗結果表明該文提出的策略和算法對于解決大規模農田的農機跨區緊急調配問題更有效，可為農機管理部門提供解決方案。

關鍵詞：農業機械；大規模農田；跨區作業；聚類分區；緊急調配

中圖分類號：S255.1" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 08?0196?08

Research on emergency allocation of agricultural machinery for cross?regions operation in large?scale farmland

Yu Chunhui1， Chang Shuhui1， 2， Zhang Fan1， 2， Yao Jingfa3， Meng Yu4， Guo Yaqian1

（1. College of Information Science and Technology， Hebei Agricultural University ， Baoding， 071001， China；"2. Key Laboratory of Agricultural Big Data of Hebei Province， Baoding， 071001， China； 3. Department of"Software Engineering， Hebei Software Institute， Baoding， 071030， China； 4. College of Continuing Education，"Hebei Agricultural University， Baoding， 071001， China）

Abstract： In the busy farming season， the most urgent work is to rush to harvest grain. Due to the lack of scientific and reasonable emergency operation scheduling plan of agricultural machinery， the agricultural machinery management department cannot guide the agricultural machinery to complete the emergency operation task of large?scale farmland. For the grain rush harvest of large?scale farmland， due to the restriction of the rush harvest constraint time， it may not be able to complete all the grain harvest tasks within the specified time， and then the grain loss value will appear. In this paper， a trans?regional emergency allocation model of agricultural machinery with the goal of minimizing the grain loss value is constructed， and an agricultural machinery emergency allocation algorithm based on two stages （TSEA） is proposed. Firstly， the large?scale farmland is divided according to the distance?based division strategy， and then the improved genetic algorithm is used to carry out the emergency operation allocation of agricultural machinery for each farmland division. In order to verify the effectiveness of the algorithm in this paper， the TSEA algorithm is compared with GA and SA algorithms in terms of the grain loss value of the emergency task and the running time of the algorithm. The experimental results show that the emergency scheduling scheme obtained by the TSEA algorithm is superior to the other two algorithms. In order to verify the effectiveness of the zoning strategy in this paper， the TSEA algorithm and the non?zoning emergency allocation algorithm are used to compare the grain loss value， algorithm running time and other aspects to verify the effectiveness of the zoning strategy. The results of multiple groups of experiments show that the strategies and algorithms proposed in this paper are more effective for solving the problem of emergency allocation of agricultural machinery across?regions in large?scale farmland， and can provide solutions for agricultural machinery management departments.

Keywords： agricultural machinery； large?scale farmland； across?regions operation；cluster partition； emergency deployment

0 引言

糧食安全是國家經濟和社會發展的“壓艙石”。在收獲季節，加強農業機械的社會化服務與作業調配，組織農戶及時搶收已成熟作物，確保糧食顆粒歸倉，是第一要務。面向大規模農田的農機作業緊急調配一般由政府或者農機管理部門主導，目的是在限定時間內最大限度的完成大規模農田的糧食搶收工作。因此，科學合理的農機緊急調配方案成為迫切需求。

國外農機一般都是農場主自有，所以很少組織大規模農機跨區作業，重點考慮的是農機田內路徑規劃以及農機與運糧車之間的協同調度等問題［1］。而農機跨區作業更符合中國國情，國內學者對農機跨區作業研究較多。王雪陽等［2］針對帶時間窗的農機調度問題，構建了基于多個基站帶時間窗的農機調度數學模型，通過改進傳統遺傳算法的編碼和交叉操作來進行問題的求解，有效降低了農機調度成本。張璠等［3］針對農機跨區作業問題，提出了一種基于機主選擇的農機調配模式，建立了以高收入低成本為調度目標的優化模型，設計了基于啟發式優先級規則的農機調配算法，最后通過對農田實例的計算求解，驗證了所設計算法從服務收入、調配路程和等待時間等方面優于一般的農機調配算法，證明了算法的有效性。張帆等［4］分析多塊農田需連續進行多產任務的多機協同作業問題，建立了以最小化時間為目標的農機作業調配模型，提出了改進多父輩遺傳算法的優化方法求解農機作業規劃方案。南風［5］在多農機調度問題基礎上引入小農戶的訂單場景，提出改進的GA?PFIH算法，有效優化了農機作業效率和轉移距離。李婷［6］研究了極端天氣下的農機緊急調配問題，以農機調配成本最小化和時間偏差最小化為目標，建立了多機多目標的調配模型，提出了基于循環博弈算法的農機應急調配算法，可最大限度的挽回經濟損失，但未考慮農機數量對此算法的影響。張璠等［7］針對目前農機跨區緊急作業缺少合理的調配方案，建立了以最小化調度成本和糧食損失為目標的緊急調配模型，并根據距離和貢獻度兩個指標分別提出了SDFA算法和MAFA算法，最后通過多組試驗驗證了算法的適用性。高威［8］根據緊急調配任務的截止時間約束，先確定所需要的農機數量，再使用改進的蟻群算法以農機成本最低為目標給出農機緊急調配路徑，但未考慮農機數量不足情況下如何減少糧食損失。農機跨區作業研究多數是從如何節約成本考慮，而跨區緊急調配則是以糧食損失最小為目標。目前針對農機緊急調配研究偏少，災區物資緊急調配研究可為農機緊急調配提供一定的研究思路。Cui等［9］為了應對災后應急物資的物流和配送。重點考慮供應鏈中斷和路徑風險等因素，以物資運輸時間和物資運輸成本最小化為目標，建立了不確定性條件下的災后物資運輸模型。利用遺傳算法求解該問題，得到了災后應急物資車輛調度和物資運輸優化方案。Wang等［10］針對災后救援中物資運輸路線與配送中心選址問題。構建了一個考慮行程時間、總成本和分次配送可靠性的救濟分配問題的非線性整數開放式選址模型，提出了非支配排序遺傳算法和非支配排序差分進化算法來求解該模型。Vahdani等［11］針對救災物資有效分配的問題，在三級救濟鏈中提供了一個兩階段、多目標、多周期和多商品的數學模型，同時為了使模型更接近現實，使用魯棒優化方法，在不確定的條件下開發模型，使用NSGAII和MOPSO兩種元啟發式算法來解決給定的問題，并通過多組數值示例評估了模型的準確性和所提算法的效率。Zhang等［12］為了提高應急救援管理中的可持續救援能力，提出了一種基于條件概率的情景樹來定義主次災害之間的相關性，建立了以運輸時間最短、運輸成本最低以及不滿意需求量最少為目標的三階段隨機規劃模型，使用了一種基于隸屬度模糊輔助變量的備選單目標模型來處理多目標函數，并通過汶川地震的案例驗證了所提方案的有效性。目前車輛緊急調度的相關研究可為農機緊急調度問題提供一定的研究思路，但這兩類問題還存在著很多差異。如車輛有裝載量的限制，農機緊急作業一般不考慮容量，只要時間允許可以一直作業。

當緊急情況發生，農機管理部門需要緊急調配農機完成大量農田作業點的糧食搶收工作，如果沒有科學合理的調配方案，將會造成糧食大量損失。現有的農機調度研究大多只考慮農機調配成本，并且未考慮農田規模對農機緊急作業調配的影響。本文研究主要針對在市或縣級行政區域內，組織多機在多地塊間進行搶收搶種工作，綜合農田、農機、農機站信息以及緊急任務截止時間等因素，以糧食損失值最小化為目標，構建緊急調配模型，設計基于遺傳算法的優化算法，為面向大規模農田的緊急調配問題提供解決思路。

1 問題描述與模型構建

1.1 問題描述與假設

當惡劣天氣等緊急情況發生時，理想狀態下，農機管理部門可調配農機在限定時間內完成所有農田的糧食搶收工作，每個農田地塊可能只包含一戶田地，也可能包含多戶相鄰的田地，統稱為一個農田點或一個農田地塊。但是由于緊急任務限定時間與當前農機保有量的限制，導致可能出現無論如何調配農機仍存在個別農田不能被及時收割的現象，此時則存在糧食損失值。面向大規模農田的農機跨區緊急調配問題描述為：在市或縣級行政區域內，組織多機在多地塊間進行糧食搶收的作業優化調度，在限定時間內最大限度的降低糧食損失值，綜合農田、農機站以及農機信息等因素，以糧食損失值最小作為優化目標，計算得到最佳的農機緊急調配方案，供政府或者農機管理部門參考。

已知各個農田點的地理位置、地塊面積、農機站點的地理位置以及農機信息。結合復雜的農業環境與訂單需求，本研究做出假設：（1） 每臺農機可以服務多個農田點，每個農田點只能由一臺農機服務。（2） 農機轉移速度恒定，作業效率恒定，暫不考慮轉移與作業過程的農機故障、農機加油情況。（3） 農機從同一農機站點出發完成所分配的緊急任務之后返回原農機站點。（4） 暫不考慮農機的卸糧時間、機手的非工作時間。

1.2 調配模型建立

針對上述分析，對緊急調配問題進行形式化描述。

1） 農田信息。集合A=｛a1，a2，…，am｝表示m塊農田，任意農田可以表示為ai=｛si，lngi，lati｝，其中，si表示農田i的面積，lngi和lati分別表示農田i的經緯度信息。

2） 農機信息。集合B=｛b1，b2，…，bn｝表示n臺農機，v表示農機轉移速度，km/h；w表示農機作業效率，hm2/h；dij表示農機從農田i到農田j的轉移距離。

3） 決策變量。[xki]為農田的收割狀態，如果農機k完成了農田i的收割任務，其值為1，否則為0。[ykij]為農機的轉移狀態，如果農機k從農田i轉移到農田j，其值為1，否則為0。trule表示農機緊急調配限定時間。

調配目標為

[minL=total S-fact S] （1）

[total S=i=1msi] （2）

[fact S=i=1msixki] （3）

約束條件為

[fact S≤total S] （4）

[i=1mi=jmdijykijv+1w（i=1msixki）≤trule] （5）

式（1）表示農機緊急調配的糧食損失值；式（2）表示應收糧食總量；式（3）表示實收糧食總量；式（4）表示實收糧食總量應≤應收糧食總量；式（5）表示農機k完成所分配任務所用時間不能超過緊急任務的截止時間。

2 問題求解與算法設計

2.1 傳統農機調配算法

隨著對農機調配問題分析和研究的深入，遺傳算法GA、模擬退火算法SA等智能優化算法被廣泛應用，且在不同的作業情境下取得了良好的效果。

1） 遺傳算法。遺傳算法是將要解決的問題模擬成一個生物進化過程，每個個體都有對環境的適應程度，一定數量的個體組成了一個種群，通過選擇、交叉、變異等操作產生新一代種群，根據“物競天擇，適者生存”的思想，并逐步淘汰適應度低的個體，最終生成符合優化目標的個體［13?15］。

遺傳算法緊急調配流程如下：Step1：編碼。先對農田點進行隨機排序，直接產生調度路徑，如有10個農田任務點，染色體編碼可能就是：3-2-6-8-0-9-10-1-0-7-4-5，其中0代表從此處切割分為三條調配路徑，第一臺農機的調度路徑為3-2-6-8，第二臺農機的調度路徑為9-10-1，第三臺農機的調配路徑為7-4-5；Step2：初始化種群。編碼之后，根據所設置的種群規模參數隨機生成對應規模的初始化種群；Step3：適應度函數。按照目標函數值計算適應度去評價可行解的優劣；Step4：選擇操作。采用精英選擇法和輪盤賭選擇法相結合，首先選取若干適應度最大個體直接放入下一代種群，然后用輪盤賭選擇法將下一代種群數量填充至種群規模；Step5：交叉操作。隨機挑選2個不同的個體作為父代，然后生成一個（0，1）之間的隨機數r，如果r大于預先設置的交叉概率，2個父代不進行交叉操作，直接放入到下一代種群中，反之，則執行交叉操作，隨機選擇父代1中2個基因的起止位置，生成子代1，并保證子代中被選擇的基因的位置與父代相同，將父代2中不屬于子代1的基因按照順序依次填充到子代1中，生成完整的子代1，另一個子代生成過程完全相同，只需交換兩個父代的位置。重復此過程至下一代種群數量達到種群規模；Step6：變異操作。生成一個（0，1）之間的隨機數r，如果r大于預先設置的變異概率，此個體不進行變異操作，直接放入到下一代中，反之，則將此個體執行變異操作，隨機選擇2個不同的基因，交換這2個基因的位置產生新個體，放入到下一代中。重復此過程至遍歷完此代中的所有個體；Step7：重復Step4、Step5、Step6至達到算法進化次數。

2） 模擬退火算法。模擬退火算法是模仿物理學中金屬固體退火過程而提出的一種組合優化算法，其物理退火過程主要分為加溫過程、等溫過程和降溫過程。加溫過程對應算法中初始溫度的設定。降溫過程對應算法中控制參數的下降過程，即外循環。等溫過程對應算法中的內循環，其中Metropolis抽樣過程是算法的關鍵所在，如果新個體的適應度大于舊個體則直接保留放入下一代中，反之則概率性的接收新個體［16?18］。

模擬退火算法緊急調配流程如下：Step1：升溫操作。設置初始溫度T0、等溫迭代參數K以及對農田點進行隨機排序生成初試解；Step2：等溫過程。隨機交換兩個農田點的位置生成新解，用Metropolis準則概率性的接收新解。迭代K次；Step3：降溫過程。降低初始溫度T0；Step4：重復Step2和Step3至終止溫度。

2.2 基于兩階段的農機緊急調配算法

TSEA算法流程如圖1所示。

傳統農機調配研究多為算法改進工作，往往直接使用改進的算法得出調配方案，雖能給出具體可行的調配方案，但隨著農田規模的擴大，所給出解的質量明顯下降，且求解算法所需時間也會呈指數上升。因此，本文提出基于兩階段的農機緊急調配算法TSEA。算法分為兩個階段，首先根據農田位置特點對大規模農田進行分區處理，接著以糧食損失值最小為目標，調度可用農機對各分區的農田進行緊急作業。

2.2.1 基于距離的分區策略

農田分區階段采用基于距離的分區策略來處理大規模農田劃分問題，使用輪廓系數作為聚類分區結果的評價指標，從而確定農田分區的個數。輪廓系數是評價聚類結果優劣的一種重要方式。本文將輪廓系數定義如式（6）所示。SC為聚類總的輪廓系數，數值越大代表同一分區內農田分布越密集，不同分區內農田距離越遠，即農田聚類分區效果越好。

[Si=Bi-Aimax（Ai，Bi）] （6）

[SC=1Ni=1NSi] （7）

式中： Ai——農田點i與所在分區內其他農田點的平" " " " " " " " "均距離；

Bi——與其他分區內農田點的平均距離；

N——農田總數；

Si——農田點i的輪廓系數。

基于距離的分區策略具體步驟如下：Step1：將大規模農田默認分成K'個分區，首次分區K'取值為2；Step2：在大規模農田區域內隨機選取K'個位置作為初始的聚類中心；Step3：計算每個農田點與聚類中心之間的距離，把每個農田點分配給離它最近的聚類中心。這樣，聚類中心以及分配給它們的農田點就組成一個分區；Step4：根據各分區內農田點的位置，計算均值并取之位置作為新的聚類中心；Step5：重復Step3和Step4，直到聚類中心的位置不再改變，完成聚類；Step6：計算本次聚類結果的輪廓系數記為SCk；Step7：重復步驟Step1到Step5，計算K'+1以及K'+2的輪廓系數記為SCk1和SCk2；Step8：如果SCk1和SCk2均小于SCk，則確定大規模農田分區個數為k，保留分區方案進行接下來的農機緊急調配工作。否則，將k+1，重復Step1到Step7。

2.2.2 區域內多機緊急調配算法

基于距離的分區策略將大規模農田分區后，下一步將研究各區域內的農機緊急作業調配。本文以糧食損失值最小化為目標，根據緊急調配問題的特點以及遺傳算法中存在的不足，對遺傳算法的編碼、解碼以及變異操作進行改進，使用改進的遺傳算法進行問題的求解。

1） 改進的編碼和解碼操作。在使用遺傳算法解決調度問題時，確定染色體的編碼方式是一項非常重要的工作，直接決定算法的實現難度以及性能的優劣。傳統算法直接插入分割點的編碼方式可能會出現某臺農機完成所分配任務時長會超出緊急任務截止時間的約束，根本不符合實際情況。本文提出一種全新的染色體編碼方案，染色體編碼方式是一條總的任務路徑，并不是開始直接給出每一臺農機的調度路徑，而是在算法每一次迭代的過程中以緊急任務截止時間為約束條件再進行路徑分割給出具體每臺農機的任務路徑，保證每條調度路徑的真實性和可行性。

染色體的編碼方式步驟：（1）對服務區所有農田點進行隨機排序，即對每個農田點賦值唯一的編號；（2）每個區域分別執行各自的農機緊急調配操作；（3）將區域內的所有農田點連接構成一條完整的染色體，這個染色體就是該區域所需農機的緊急調配方案，后續根據緊急任務截止時間約束將該染色體分割，形成具體每一臺農機的緊急調配方案。

以某一區域為例，設區域1中共有7個農田點，將區域內所有農田點隨機排序形成一條完整的染色體：3-5-1-7-2-4-6，之后的迭代過程中，首選派遣第1臺農機，從農機站點出發，根據距離和農機的行駛速度，計算到達農田點3的路程時間；再根據農田點3的農田面積以及農機的工作效率，計算要完成農田點3所需的工作時長，判斷農田點3是否超出緊急任務截止時間，如果沒有超過，則把農田點5加入到第1臺農機的調度路徑，繼續判斷是否超出緊急任務截止時間，再將農田作業點1加入，然后再判斷，若仍不超過，繼續將農田點7加入，再次判斷。設此時超出緊急任務截止時間，說明農田7不能加入到調配路徑，于是得到了第一臺農機的緊急調配方案，繼續重復執行此操作。得到區域1的農機調配方案，如：0-3-5-1-0，0-7-2-4-6-0，0-3-5-1-0表示農機站點中的第1臺農機從站點出發依次完成農田點3，5，1的收割任務之后返回該站點，0-7-2-4-6-0表示農機站中的第2臺農機從站點出發依次完成農田點7，2，4，6的收割任務后返回站點。

2） 改進的變異操作。傳統變異操作沒有考慮新個體適應度的影響，新個體無論優劣都會被直接放入到下一代中，使得算法收斂速度變慢甚至產生種群退化。本文在變異操作中引入模擬退火算法SA中的Metropolis準則，完成對傳統變異操作的改進，如式（8）所示。

[pz=1E（Xafter）gt;E（Xbefore）exp-E（Xafter）-E（Xbefore）TE（Xafter）≤E（Xbefore）] （8）

式中： E（Xbefore）——原解；

E（Xafter）——新解；

T——溫度系數。

因Metropolis準則中的T隨著溫度的降低是不斷減小的，因此本文使用算法迭代次數的倒數替換T以達到同樣的目的。新的變異操作不再需要人為設置變異概率，具體操作步驟：（1）選取上一代中第一個個體，隨機選擇其中2個不同的基因，交換這2個基因的位置產生新個體；（2）比較變異前后2個個體的適應度，如果變異之后的個體適應度高，則直接放入下一代，如果變異之前的個體適應度高，則生成一個（0，1）之間的隨機數r；（3）如果pzgt;r，接受變異之后的個體放入到下一代中，反之，則接受變異之前的個體。

改進后的算法與傳統的算法相比，編碼和解碼方式是全新的，滿足所有約束條件，符合緊急調配實際情況。并且引入了Metropolis的變異策略使算法隨著迭代次數的增加，接受適應度較差個體的概率變低，保證種群穩定進化的同時也不會使算法陷入局部最優。改進后的遺傳算法流程如圖2所示。

3 試驗驗證與分析

3.1 試驗數據準備

本文在河北省保定市（東經113.4°～116.2°，北緯38.1°～40°）境內隨機生成農田位置與農機站點位置信息進行模擬仿真試驗并對試驗數據做出如下假設：（1） 在河北省保定市境內，隨機生成100個農田點以及1個農機站點數據，包括農田的經緯度、地塊面積（0.30.6 hm2）以及農機站點的經緯度信息，農機站點與農田信息如表1所示。（2） 設農機保有量為16，需要在8 h內調配所擁有農機完成糧食緊急搶收工作。（3） 設農機行駛速度為30 km/h，農機作業能力為3 335 m2/h。

3.2 算法對比分析

為驗證本文所提算法的有效性，采用TSEA、GA、SA算法分別對該試驗數據各進行10次測試。表2、表3、表4分別記錄3種算法10次試驗中最優的農機緊急調配方案。表5分別記錄每種算法10次試驗結果的平均糧食損失值以及平均算法運行時間，在這兩個方面對3種算法進行比較。

通過算法TSEA計算出的糧食損失值、算法運行時間分別記為Losst、Timet；通過算法GA計算出的糧食損失值、算法運行時間分別記為Lossg、Timeg；通過算法SA計算出的糧食損失值、算法運行時間分別記為Losss、Times。Ratio1指算法TSEA的糧食損失值比GA糧食損失值的下降比例，Ratio2指算法TSEA的糧食損失值比SA糧食損失值的下降比例；Ratio3指算法TSEA的算法運行時間比GA算法運行時間的下降比例，Ratio4指算法TSEA的算法運行時間比SA算法運行時間的下降比例。具體定義如式（9）～式（12）所示。

[Ratio1=Lossg-LosstLossg] （9）

[Ratio2=Losss-LosstLosss] （10）

[Ratio3=Timeg-TimetLossg] （11）

[Ratio4=Times-TimetLosss] （12）

從表5可知，在可用農機為16的情況下， TSEA算法的糧食損失值比GA算法的降低了16.33%，比SA算法的降低了17.21%；算法的平均運行時間比GA算法的降低了39.61%，比SA算法的降低了37.75%。即在可用農機相同的情況下，TSEA算法可以完成更多的農田收割任務，從而減少更多的糧食損失值，且算法運行效率有明顯提升，驗證了TSEA算法的有效性和優越性。

3.3 試驗分析

由于TSEA算法包含分區和調配兩個階段，為進一步驗證TSEA算法中分區策略的有效性，將完整的TSEA算法與不分區直接使用其中的調配算法進行比較。使用完整的TSEA算法進行緊急調配求解的模式記為分區模式；不分區直接使用其中區域內多機緊急調配算法進行緊急調配求解的模式記為不分區模式。依舊在河北省保定市隨機生成1組150塊農田試驗數據與200塊農田試驗數據，緊急任務限定時間仍為8 h。應用不同數量的可用農機分別從糧食損失值與算法運行時間兩方面來對分區模式與不分區模式進行比較，比較結果如表6所示。

由表6可知，在農田數量為150塊，可用農機為27臺時，分區模式的糧食損失值比不分區模式的降低了23.21%，算法運行時間減少了42.86%；可用農機為28臺時，不分區模式會造成糧食損失值，而分區模式則可以完成所有農田的糧食搶收工作，不會出現糧食損失值，并且算法運行時間遠遠小于不分區模式。通過農田數量為200塊，可用農機為37臺的調配結果進一步驗證了此結論，證明了TSEA算法中分區策略的有效性。

4 結論

利用聚類分析和遺傳算法研究面向大規模農田的農機緊急調配問題，提出先分區再調配的兩階段農機緊急調配算法TSEA，并通過多組試驗驗證算法的有效性。

1） TSEA算法的分區階段采用基于距離的分區策略，將大規模農田進行分區處理，減小問題規模和計算復雜性。

2） TSEA算法農機緊急調配階段以糧食損失值最小化為目標，建立農機緊急調配數學模型，并使用改進的遺傳算法對問題進行計算求解。將TSEA算法分別與GA算法、SA算法進行多組試驗分析比較。結果表明TSEA算法的糧食損失值比GA算法的降低16.33%，比SA算法的降低17.21%；算法的平均運行時間比GA算法降低39.61%，比SA算法降低37.75%，驗證TSEA算法整體的有效性和優越性。

3） 將完整TSEA算法與不分區直接使用其中的調配算法進行多組試驗分析比較。結果顯示，可用農機為27臺時，分區模式比不分區模式的糧食損失值降低23.21%，算法運行時間減少42.86%；可用農機為28臺時，不分區模式會造成糧食損失值，而分區模式則可以完成所有農田的糧食搶收工作，驗證分區策略的有效性。

參 考 文 獻

[ 1 ] Seyyedhasani H， Dvorak J S， Roemmele E. Routing algorithm selection for field coverage planning based on field shape and fleet size [J]. Computers and Electronics in Agriculture， 2019， 156： 523-529.

[ 2 ] 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 Agricultural University of Hebei， 2016， 39（6）： 117-123.

[ 3 ] 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， 2012， 28（10）： 78-85.

[ 4 ] 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. Agricultural machinery scheduling optimization method based on improved multi?parents genetic algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 192-198.

[ 5 ] 南風. 小麥機收任務分配與收運協同調度優化研究[D]. 北京： 中國農業科學院， 2021.

[ 6 ] 李婷. 極端天氣下的農機應急調配仿真模型[J]. 科技通報， 2014， 30（12）： 193-195.

Li Ting. Simulation modeling of agricultural machinery emergency deployment under extreme weather [J]. Bulletin of Science and Technology， 2014， 30（12）： 193-195.

[ 7 ] 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， 2018， 34（5）： 47-53.

[ 8 ] 高威. 農機緊急調配技術研究[D]. 保定： 河北農業大學， 2014.

[ 9 ] Cui S， Liu S， Tang X， et al. Emergency material allocation problem considering post?disaster impact [C]. 2019 8th International Conference on Industrial Technology and Management， IEEE， 2019： 290-294.

[10] Wang H， Du L， Ma S. Multi?objective open location?routing model with split delivery for optimized relief distribution in post?earthquake [J]. Transportation Research Part E： Logistics and Transportation Review， 2014， 69： 160-179.

[11] Vahdani B， Veysmoradi D， Noori F， et al. Two?stage multi?objective location?routing?inventory model for humanitarian logistics network design under uncertainty [J]. International journal of disaster risk reduction， 2018， 27： 290-306.

[12] Zhang J， Liu H， Yu G， et al. A three?stage and multi?objective stochastic programming model to improve the sustainable rescue ability by considering secondary disasters in emergency logistics [J]. Computers amp; Industrial Engineering， 2019， 135： 1145-1154.

[13] 張立毅， 高楊， 費騰， 等. 求解旅行商問題的搜尋者遺傳算法[J]. 數學的實踐與認識， 2019， 49（7）： 115-122.

Zhang Liyi， Gao Yang， Fei Teng， et al. Seeker genetic algorithm solving traveling salesman problem [J]. Mathematics in Practice and Theory， 2019， 49（7）： 115-122.

[14] 張維， 馬志華， 楊洋洋， 等. 基于改進遺傳模擬退火算法的刀具準時化配送路徑規劃[J]. 現代制造工程， 2 020（10）： 83-90.

Zhang Wei， Ma Zhihua， Yang Yangyang， et al. Just?in?time tools distribution route planning based on improved genetic simulated annealing algorithm [J]. Modern Manufacturing Engineering， 2020（10）： 83-90.

[15] 陳磊， 霍永亮， 霍波陶. 基于混合遺傳算法的物流車輛調度優化[J]. 重慶師范大學學報（自然科學版）， 2015， 32（2）： 7-12.

Chen Lei， Huo Yongliang， Huo Botao. Vehicle schedule optimization of logistics based on combinational genetic algorithm [J]. Journal of Chongqing Normal University （Natural Science）， 2015， 32（2）： 7-12.

[16] 陳科勝， 鮮思東， 郭鵬. 求解旅行商問題的自適應升溫模擬退火算法[J]. 控制理論與應用， 2021， 38（2）： 245-254.

Chen Kesheng， Xian Sidong， Guo Peng. Adaptive temperature rising simulated annealing algorithm for traveling salesman problem [J]. Control Theory amp; Applications， 2021， 38（2）： 245-254.

[17] 馬晗， 常安定， 陳童， 等. 基于文化混合優化算法的旅行商問題求解[J]. 計算機工程與科學， 2019， 41（7）： 1273-1278.

Ma Han， Chang Anding， Chen Tong， et al. A hybrid culture algorithm optimization strategy for traveling salesman problem [J]. Computer Engineering amp; Science， 2019， 41（7）： 1273-1278.

[18] 李景文， 李旭， 姜建武， 等. 改進模擬退火算法在旅游路線定制中的應用[J]. 科學技術與工程， 2020， 20（26）： 10808-10814.

Li Jingwen， Li Xu， Jiang Jianwu， et al. Application of improved simulated annealing algorithm in tourism route customization [J]. Science Technology and Engineering， 2020， 20（26）： 10808-10814.