【技术实现步骤摘要】
本专利技术涉及农机调度，特别是涉及一种强化学习与遗传算法融合驱动的多农机多任务调度方法。
技术介绍
1、在我国传统的农业生产中，还存在农机利用率低、劳动生产率低等问题。随着我国农业集约化、规模化和产业化的发展，近年来出现了"智慧农业"、"智慧农场"等新概念，利用高新技术和互联网技术发展智慧农业，改变传统农业生产方式，是现代农业发展的必然趋势之一。
2、在智慧农业生产中，农机自动导航技术是实施精准农业的关键技术，可实现高效、精准的农机作业。根据农田任务种类来划分农机调度，可分为单农机单任务调度和多农机多任务调度。单任务调度可以描述为每块农田只存在一种任务，在同种类型的农机和多农田之间建立映射关系，制定合理的任务分配策略，以最小化调度时间。然而，单任务应用场景并不能满足多任务的要求。农机作业具有很强的时效性，特别是在农忙时节，需要在较短的时间内完成农田的收割、耕整、播种等任务，这就要求在有限的期限内做出科学的和高效的农机调度决策。在这种场景下，完成不同任务需要的农机也各不相同，而且不同任务之间存在一定的先后顺序，因此称该问题为多农机多任务调度。多农机多任务调度是单农机单任务调度的扩展形式，在任务分配中引入了新的决策内容，包含任务排序和农机分配两个子问题，是一个更复杂的组合优化问题。对于农业生产来说，一个高效的农机调度能提高农业生产效率、农机使用率和土地利用率，实现“一年多季、一田多收”的目标。
3、农机调度问题已经得到了广泛研究(van elderen，1980；blanco2009，carpenteet a
4、可以看出，遗传算法在求解农机调度问题上是非常有效的和普遍的，影响算法性能的因素有很多，其中关键参数是影响算法性能和调度质量的重要因素，但是很少有人研究如何确定关键参数(shahrabi，2017)。交叉率和变异率对于遗传算法来说至关重要，如果交叉率和变异率过大，优秀个体的基因很容易被破坏；如果交叉率和变异率过小，种群进化的概率很低，很难产生新的个体。根据上述文献研究，可以发现在农业调度领域中智能算法的关键参数通常是固定的或以预先设置的方式更新，而关键参数的变化对算法的影响往往被忽视，这可能导致农业调度的结果较差。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种强化学习与遗传算法融合驱动的多农机多任务调度方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种强化学习与遗传算法融合驱动的多农机多任务调度方法，包括：
4、构建多农机多任务调度模型；所述多农机多任务调度模型包括：目标区域的多块农田组成的农田集、多台农机组成的农机集以及预设限制条件；
5、根据所述多农机多任务调度模型构建目标函数和所述目标函数的约束条件；
6、利用遗传算法对所述目标函数进行求解，得到农机的最佳调度策略；其中，在遗传算法的交叉率和变异率是通过sarsa算法确定的。
7、优选地，所述农田集的表达式为：f＝{f1，f2，…，fn}，fi＝{areai，taskseti}，areai和taskseti分别表示第i块农田的面积和连续任务序列集合，taskseti∈{ti，1，ti，2，…，ti,h}，m台农机组成的所述农机集的表达式为：m＝{m1，m2，…，mm}，mk＝{wsk，typek}，wsj和typej分别表示第k台农机的工作效率和农机类型，h表示任务类型总数；农田fii∈{1，2，…，n}有若干任务ti，jj∈{1，2，…，h}，ti，j表示第i块农田的第j个任务，pi,j,k表示农机mk完成ti，j的处理时间。
8、优选地，所述预设限制条件包括：每个任务ti，j的处理时间pi，j，k是非零常数、同一块农田的任务之间按优先顺序进行、每个任务ti，j至少有一台可处理的农机、每台农机在任何时候均处理一项任务、在任务完成之前，正在处理的任务不能中断、不考虑农机的准备时间和转移时间、不考虑农机故障问题。
9、优选地，所述目标函数的表达式为：
10、
11、其中，cmax为最小调度时间，ti为表示农田fi上所有任务的完成时间，si,j,k为ti，j在mk上的开始时间。
12、优选地，所述约束条件包括：
13、
14、
15、
16、
17、
18、
19、
20、
21、其中，z(i，j，k)为0-1变量，如果ti，j能在mk上处理则为1，否则为0；o(i，j，k，t)：0-1变量，如果在t时刻ti，j被分配到mk上处理则为1，否则为0。
22、优选地，利用遗传算法对所述目标函数进行求解，得到农机的最佳调度策略，包括：
23、利用两条染色体进行整数编码；每条所述染色体的长度等于任务总数，每条所述染色体分别表示农机选择和任务排序；所述农机选择的部分依次按照农田的任务顺序进行排列，每个整数表示当前任务选择的农机编号；所述任务排序的部分中每个基因按照农田编号进行编码；
24、对所述任务排序的部分从左到右扫描，以使每个任务在所述农机选择的部分找到该任务对应的农机编号，得到问题解集；
25、对所述问题解本文档来自技高网...
【技术保护点】
1.一种强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，包括：
2.根据权利要求1所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，所述农田集的表达式为：F＝{F1，F2，…，Fn}，Fi＝{areai，taskseti}，areai和taskseti分别表示第i块农田的面积和连续任务序列集合，taskseti∈{ti，1，ti，2，…，ti，h}，m台农机组成的所述农机集的表达式为：M＝{M1，M2，…，Mm}，Mk＝{wsk，typek}，wsj和typej分别表示第k台农机的工作效率和农机类型，h表示任务类型总数；农田Fii∈{1，2，…，n}有若干任务ti，jj∈{1，2，…，h}，ti，j表示第i块农田的第j个任务，pi，j，k表示农机Mk完成ti，j的处理时间。
3.根据权利要求2所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，所述预设限制条件包括：每个任务ti，j的处理时间pi，j，k是非零常数、同一块农田的任务之间按优先顺序进行、每个任务ti，j至少有一台可处理的农机、每台农机在任何时候均
4.根据权利要求3所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，所述目标函数的表达式为：
5.根据权利要求4所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，所述约束条件包括：
6.根据权利要求5所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，利用遗传算法对所述目标函数进行求解，得到农机的最佳调度策略，包括：
...【技术特征摘要】
1.一种强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，包括：
2.根据权利要求1所述的强化学习与遗传算法融合驱动的多农机多任务调度方法，其特征在于，所述农田集的表达式为：f＝{f1，f2，…，fn}，fi＝{areai，taskseti}，areai和taskseti分别表示第i块农田的面积和连续任务序列集合，taskseti∈{ti，1，ti，2，…，ti，h}，m台农机组成的所述农机集的表达式为：m＝{m1，m2，…，mm}，mk＝{wsk，typek}，wsj和typej分别表示第k台农机的工作效率和农机类型，h表示任务类型总数；农田fii∈{1，2，…，n}有若干任务ti，jj∈{1，2，…，h}，ti，j表示第i块农田的第j个任务，pi，j，k表示农机mk完成ti，j的处理时间。
3.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。