1. 引言
在第二十次全国人民代表大会上,明确指出全面建设社会主义现代化国家,最艰巨最繁重的任务仍然在农村,并对全面推进乡村振兴作出重要部署,明确了新时代新征程上推进农业农村现代化的重大任务[1],为此提出“加快建设农业强国”的号召。但由于我国国内消费不断升级、粮食农产品需求不断增加,我国许多粮食生产地还未实现生产现代化,基础设施较为落后,又受新冠肺炎疫情的影响,农产品进口风险较大[2],粮食安全与主要农产品有效供给的压力始终存在,这些问题阻碍了我国农业强国的建设发展。为了解决这一系列问题,推进农业现代化,全方位夯实粮食安全根基,推进乡村振兴进程,实现农业强国建设,学者们提出“现代化智慧生态农业”这一基本方略,其中“社会化农业服务体系”的合理运用可以在提高农机社会化服务水平的基础上[3],推进农业机械化进程,增加粮食产量,保证粮食安全,提升“三农”工作。因此,如何从农机调度方面来提高农机利用率和降低调度成本,从而提升农机区域社会化服务水平来实现我国从农业现代化向农业强国的转变,成为当前我国农业现代化发展亟需解决的问题。
而针对农机调度问题,国内外研究也与时俱进,提出了多种新颖的算法和模型。在算法上,有:Jesus Conesa-Muñoz [4]等,使用模拟退火方法的元启发式算法提出较为通用的农机调度路径规划算法,从而解决了车辆同质和车辆异质的农机路径规划问题;Hasan Seyyedhasani, Joseph S. Dvorak [5]使用Clarke-Wright节约算法启发式和禁忌搜索算法元启发式算法以最小化转移时间,从而加快解决多农机多任务问题的速度;王猛[6]等对遗传算法的算子进行多变异分组的改进,利用多变异算子、分组交叉算子来提高了其分配性能和效率,以求解多农机协同分配问题;张帆[7]根据农机位置、农机类型、作业类型改进基于时间窗的多父辈遗传算法,解决多种农机连续作业调度。在模型上有:以局部优化为目标建立的两阶段模型[8] [9];以作业量限制、最短距离和最小作业时间为调度规则的路径规划模型[10] [11];以多区互联为优化目标的调度模型,可将多区互联问题转化为多背包问题,建立既适用于多区联合调度,又适用于智慧农业发展的调度模型[12],但对于农机调度的最小化成本以及最大化满意度的双变量遗传算法的区域协同调度优化模型仍需进一步研究。
因此,本研究从农机调度问题中的调度成本和农户满意度着手,基于带时间窗的车辆路径问题模型的特点,考虑局部优化和全局优化目标之间的差异,建立了单站点多农机的区域协同调度模型。本研究能优化区域内农机资源配置,最大限度地利用现有资源,降低农机作业成本,提高农机利用率,增加农户农机使用率、参与度,提高农户作业满意度、幸福度以此提升农机社会化服务水平,推进我国向农业强国转变发展。
2. 基于VRPTW改进的农机调度问题描述及模型建立
2.1. 问题描述
假设所有的农机类型相同,为了便于求出调度目标函数的最优解,本文所研究的问题应该满足以下条件:
1) 各站点农机数量一定;
2) 农机从站点出发前往工作农田,结束作业后必须返回站点;
3) 农机作业效率、调度成本相同;
4) 农机的行驶均保持在同一行驶速度;
5) 农机作业任务单次完成,拒绝二次调度;
6) 农户满意度仅与农机到达的时间相关;
7) 时间窗约束:农户接受服务的最早时间为ci,最晚接受服务的时间为di,即农户允许接受服务的时间在[ci, di]的时间窗内。
2.2. 模型建立
2.2.1. 引入农户满意度
设定农户接受服务的时段为时间窗[ai, bi]。在实际操作中,考虑到现实生活中的不确定性和农户的灵活性,即便农机在预定的时间窗[ai, bi]之外到达,农户仍然可能选择接受服务,但其对服务的满意度将会有所降低。因此,本文引入了农户满意度这一关键概念以量化评估农户对服务的满意程度。
我们假设农户能够接受服务的最早时间为ci,能接受服务的最晚时间为di。当农机在时间窗[ai, bi]内准时到达时,农户的满意度达到最大值,即100%。然而,若农机在预定的时间窗[ai, bi]之外,但在农户可接受的时间窗[ci, di]内到达,农户虽然仍会接受服务,但其满意度将随农机到达时间的延迟而逐渐降低。最后,若农机在农户可接受的时间窗[ci, di]之外到达农田,农户的满意度将降至0%。
农户的满意度S与农机到达时间T的关系如图1所示。
引入农户满意度函数如下式所示:
Figure 1. Relationship diagram between farmers’ satisfaction and the arrival time of agricultural machinery to farmland
图1. 农户的满意度与农机到达时间关系图
(1)
2.2.2. 数学模型
本研究在带时间窗的车辆路径问题(VRPTW)的基础上,引入了农户满意度,并解除了传统模型中车辆最大装载量的约束。然后在充分考虑了农户满意度和农机调度实际作业成本情况下,构建单站点多农机协同的农机调度模型。这一模型旨在优化农机调度策略,最大化农户满意度并降低实际作业成本,为农业生产提供更为高效、灵活的农机配送服务。并对模型中参数进行定义(表1)。
Table 1. Parameter definitions
表1. 参数定义
参数 |
定义 |
m |
站点的集合
; |
t |
区域内农户发出作业需求的时刻; |
n |
农田数量; |
G1 |
农机单位行驶距离成本; |
G3 |
每辆农机的固定成本; |
dij |
农田i到农田j的距离; |
Si |
农田面积,
; |
Ek |
农机k单位时间内的工作效率; |
Tmkij |
站点m中编号为k的农机从农田i到农田j的时间,
;
; |
Tmki |
站点m中编号为k的农机完成农田i作业后的时间; |
Qm |
表示农机合作社M中农机的保有量; |
Xmk0j |
参与调度的农机数量; |
Xmki0 |
完成作业任务后回到农机合作社的农机数量; |
Xmki0 |
农机合作社M中编号为k的农机从农田i到农田j是否参与作业; |
[ai,bi] |
农户最佳的服务时间窗,ai表示左时间窗,bi表示右时间窗; |
[ci,di] |
农户可接受的服务时间窗,ci表示可接受的左时间窗,di表示可接受的右时间窗。 |
决策变量:
目标函数:
(2)
(3)
约束条件:
(4)
(5)
(6)
(7)
(8)
式(2)表示运输成本和固定成本最小的目标函数;式(3)表示最大化平均顾客满意度;式(4)表示参与调度的农机不能超过农机合作社拥有的总数量;式(5)表示被调配的农机完成对应的农田作业任务后返回到原站点;式(6)表示每个农田有且只能被访问一次;式(7)表示农机完成当前农田作业任务的时间、农机从当前农田到达下一个农田时间和下一个农田作业任务完成所需时间之和是下一个农田完成作业任务的时间;式(8)表示满意度时间窗约束条件。
3. 算例描述与数据采集
3.1. 算例来源
本研究选取江苏省宿迁市西南部地区为研究对象。宿迁市西南部毗邻洪泽湖,气候温和、土壤肥沃且水源充足,非常适合农业的发展。鉴于耕地面积广大,并且生态环境保护压力大,该地区需要大力发展农机耕作。
3.2. 采集流程
3.2.1. 地块选取
在宿迁市西南部地区选取65块地表平整、面积适中且无障碍物的典型农田,如图2所示。选取泗洪县朱湖镇庄塘村村民委员会为农机合作社拟定区域,如图3所示。
Figure 2. Selection of farmland plots
图2. 农田地块选取
Figure 3. Selection of agricultural machinery cooperatives
图3. 农机合作社选取
3.2.2. 坐标采集
将目标农田和农机合作社的位置信息导入坐标拾取器,采取其坐标。为了简化路径规划算法的计算过程,并提高算法的效率和精度,将经纬度坐标转化为平面坐标,并使用K-means算法将65个农田点聚类成15个。
根据聚类信息,将同一类别的地块整合到一起,以类别内所有地块的坐标均值作为农田坐标点。同时,对农田地块的时间窗和服务时间进行假定,如表2所示。
Table 2. Related data of farmland operation points
表2. 农田作业点相关数据
编号 |
横坐标(KM) |
纵坐标(KM) |
最佳时间窗 |
可接受时间窗 |
服务时间(min) |
备注 |
坐标点0 |
54.26 |
9.55 |
-- |
-- |
0 |
农机合作社 |
坐标点1 |
50.07 |
13.29 |
10:00~18:00 |
9:30~18:30 |
25 |
农田 |
坐标点2 |
58.50 |
7.30 |
6:00~14:00 |
5:30~14:30 |
14 |
农田 |
坐标点3 |
54.20 |
10.43 |
8:30~12:00 |
8:00~12:30 |
19 |
农田 |
坐标点4 |
61.41 |
12.96 |
11:30~16:00 |
11:00~16:30 |
8 |
农田 |
坐标点5 |
53.91 |
6.08 |
10:00~14:00 |
9:30~14:30 |
16 |
农田 |
坐标点6 |
53.82 |
13.25 |
8:00~10:30 |
7:30~11:00 |
13 |
农田 |
坐标点7 |
58.91 |
12.42 |
6:00~12:00 |
5:30~12:30 |
6 |
农田 |
坐标点8 |
49.30 |
9.98 |
9:00~16:30 |
8:30~17:00 |
17 |
农田 |
坐标点9 |
46.89 |
14.08 |
12:00~18:30 |
11:30~19:00 |
9 |
农田 |
坐标点10 |
51.32 |
5.41 |
12:30~17:00 |
12:00~17:30 |
20 |
农田 |
坐标点11 |
51.32 |
5.41 |
11:30~13:00 |
11:00~13:30 |
5 |
农田 |
坐标点12 |
56.27 |
14.69 |
9:00~18:00 |
8:30~18:30 |
25 |
农田 |
坐标点13 |
52.08 |
11.06 |
7:00~10:00 |
6:30~10:30 |
7 |
农田 |
坐标点14 |
51.29 |
8.13 |
12:30~17:30 |
12:00~18:00 |
6 |
农田 |
坐标点15 |
56.86 |
10.77 |
11:30~17:30 |
11:00~18:00 |
23 |
农田 |
农机合作社和农田地块位置散点图如图4所示:
Figure 4. Location and dispersion map of agricultural technology cooperatives and various farmland plots
图4. 农技合作社和各农田地块位置分散图
4. 算例参数设定
本研究算例采用MATLAB R2021a软件为仿真平台,设计遗传算法为农机合作社分配农机路线。
4.1. 模型参数设定
本研究的模型参数根据宿迁市东南部地区农田的实际情况进行设定,由实地调研获得。设定农机每公里的行驶成本G1为2.7元/KM,每辆农机的固定成本G2为150元。
4.2. 算法参数设定
针对本研究的农机调度问题类型,由双目标遗传算法对农机调度任务分配进行优化规划。本算例的算法中所涉及到的基本参数信息如表3所示。
Table 3. The algorithm parameter values
表3. 算法参数值
参数 |
含义 |
参数值 |
popsize |
种群大小 |
200 |
maxiteration |
最大迭代次数 |
200 |
belta |
违反时间窗约束的惩罚系数 |
700 |
m |
目标个数 |
2 |
Pc |
变异概率 |
0.9 |
pm |
交叉概率 |
0.1 |
5. 算例求解及结果分析
5.1. 算例求解
现利用遗传算法对宿迁东南部地区农机调度进行求解。本模型以调度成本最低、农户满意度最高的调度方案为目标,共进行了200次迭代。随着迭代的进行,农户满意度不断提高,但也伴随着调度成本的上升,如图5所示。这反映了两者之间的权衡关系,即提高满意度通常需要增加资源投入,从而增加成本。当农户的满意度增加到64.75%时,停止迭代。此时,调度成本为1764.21元。
5.2. 算例结果分析
研究设置了迭代200次作为停止条件。在迭代200次后,算法不再继续,认为此时已达到较优的解决方案。最终,在停止迭代时,农户满意度和调度成本分别达到了各自的最佳值。具体而言,这意味着在当前模型和算法设置下,已经找到了一个相对最优的平衡点,使农户满意度达到最高,同时将成本控制在最低可接受范围内。此时,本研究模型共为该地区农机合作社规划了5条行驶路线,分别为:
路线1:0→13→3→10→11→9→0
路线2:0→4→12→7→0
路线3:0→14→8→1→0
路线4:0→5→2→0
路线5:0→15→6→0
该调度方案的总成本为1763.2154元,农户的满意度为64.196,共使用5辆农机,行驶总距离为35.964 km,最优方案路线如图6所示。
Figure 5. Trend chart of farmer satisfaction and scheduling cost
图5. 农户满意度和调度成本变化趋势图
Figure 6. Roadmap of the optimal distribution scheme
图6. 最优配送方案路线图
本研究通过算例分析验证了模型的有效性,并讨论了结果的实际应用价值。结果表明,遗传算法能够有效解决农机调度的满意度、成本双目标优化问题,并在一定程度上平衡了农户满意度和调度成本之间的冲突。
6. 结论与建议
为了响应“加快建设农业强国”的号召,我国在农机社会化服务水平提高的基础上,推进农业机械化水平的提高和农业现代化的建设。本研究同时考虑了农机调度成本和农户满意度两个主体因素,建立了单站点多农机的区域协同调度模型,并通过双因素遗传算法求解。宿迁地区的实例证明了,该模型能够有效解决区域农机调度问题,能够有效适用于我国各有千秋的粮食生产地,降低调度成本,提高农机利用率,同时增加了农户参与度,提高农户满意度,提高粮食生产水平与农机社会化服务水平,在我国农业实际生产中具有一定的理论价值与实践意义。
随着我国高新技术的创新与拓展、国情的变化与发展,我国实现农业现代化的方式、途径日新月异,如何利用其中有利部分,才能不断完善单站点多农机的区域协同调度优化模型以此更加切于实际来提高农机社会化服务水平。
6.1. 切实农户多种满意度
1) 农户满意度反馈机制:对农户需求进行调研,确定方案满足实际需求,建立农户满意度反馈机制,对农机调度服务进行定期评估,及时调整调度方案,以满足农户的期望。
2) 优化调度算法:利用先进的调度算法,如人工智能、大数据等,对农机进行智能调度,提高调度效率和准确性,从而提升农户满意度。
6.2. 整合聚类目标农田
1) 聚类算法应用:整合农田地块信息,再运用聚类算法,如K-means、层次聚类等,将农田地块聚类成目标地块,使得同一目标地块内的地块具有相似的特征,提高农机调度和作业的效率。
2) 目标地块动态调整:根据农田的实际情况和农户的需求,对目标地块进行动态调整,确保调度方案的灵活性和适应性。
6.3. 提高农机合作社的管理与服务能力
1) 完善管理制度、加强人员培训:建立健全的管理制度,对农机合作社的管理人员和技术人员进行定期培训,提高农机合作社社会服务能力。
2) 引入先进技术、强化合作社与农户的合作关系:引入先进的农机装备和技术,加强合作社与农户之间的沟通和合作,建立长期稳定的合作关系。通过提供优质的服务和合理的价格,赢得农户的信任和支持。
随着区域协同调度模型与GIS、GPRS及GPS实际运用的紧密结合,能促进“人、机、地”的有效结合,降低农机闲置率、提高农田利用率和农户空闲率,促进农户“多”就业,以此提高农民生活水平。在此基础上,农机社会化服务水平的提高,能够促进我国“三农”问题得到有效解决,加快农业现代化建设的进程,实现农业强国的目标。
基金项目
省级大学生创新创业训练计划项目编号:864050。
NOTES
*通讯作者。