改進(jìn)遺傳算法在油茶果采摘機(jī)優(yōu)化中的應(yīng)用

　　摘要:為了提升算法在求解優(yōu)化問題時(shí)的性能，提出了一種改進(jìn)的實(shí)數(shù)遺傳算法(ＲCGA)。算法的改進(jìn)之處在于引入了一種新的交叉算子及替換操作:交叉算子通過增大算子的搜索范圍來提升解的質(zhì)量與算法收斂速度;替換操作則同時(shí)考慮了個(gè)體目標(biāo)函數(shù)值與多樣性貢獻(xiàn)率兩個(gè)特征，以方波函數(shù)的模式對種群進(jìn)行周期性的局部初始化操作，從而增大種群多樣性。將改進(jìn)的算法應(yīng)用于油茶果采摘機(jī)的優(yōu)化設(shè)計(jì)中，通過一系列的對比實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法的性能優(yōu)于其他先進(jìn)有效的算法;同時(shí)，改進(jìn)后的算法能夠明顯優(yōu)化采摘機(jī)的工作空間與采摘臂的長度，使整體結(jié)果提升了63．49%?？梢姡倪M(jìn)后的算法是解決采摘機(jī)優(yōu)化的一種有效方法。

　　關(guān)鍵詞:油茶果采摘機(jī);實(shí)數(shù)遺傳算法;交叉算子;替換操作

　　0引言

　　遺傳算法是一種特殊的元啟發(fā)式優(yōu)化算法，它以生物進(jìn)化理論為基礎(chǔ)，利用統(tǒng)計(jì)學(xué)方法對一個(gè)大而有限的解空間進(jìn)行智能搜索，是目前最常用、最有效的進(jìn)化算法，被成功地應(yīng)用于多個(gè)領(lǐng)域［1－6］。遺傳算法的搜索能力主要受兩個(gè)因素影響，即種群競爭壓力與多樣性［5］。競爭壓力過小，算法的搜索過程會(huì)變得隨機(jī)，降低收斂速度;而如果迭代初期種群就失去多樣性，會(huì)使算法搜索過程停滯，陷入局部最優(yōu)區(qū)域。由此可知，種群競爭壓力與多樣性成反比關(guān)系，增大競爭壓力會(huì)加速種群多樣性的喪失，而維持種群多樣性則抵消了競爭壓力的影響［7］。因此，只有當(dāng)種群同時(shí)具有多樣性與競爭壓力時(shí)，算法才會(huì)有較強(qiáng)的搜索能力。

　　1改進(jìn)算法簡介

　　1．1目標(biāo)函數(shù)的構(gòu)造方法

　　為了將有約束優(yōu)化問題轉(zhuǎn)化為無約束優(yōu)化問題，引入罰函數(shù)概念［3］，通過懲罰不可行解將約束條件附加至原目標(biāo)函數(shù)中形成一個(gè)增廣目標(biāo)函數(shù)，轉(zhuǎn)換形式為F(x)=f(x)+MC(1)C=∑pi=1＜gi(x)＞2+∑qj=1［hj(x)］2(2)式中f(x)—約束優(yōu)化問題的原目標(biāo)函數(shù);M—懲罰系數(shù);C—懲罰項(xiàng)。懲罰系數(shù)通常選取一個(gè)足夠的大的數(shù)，而懲罰項(xiàng)由p個(gè)不等式約束gi(x)與q個(gè)等式約束hj(x)構(gòu)成。當(dāng)gi(x)為負(fù)值時(shí)，符號‘＜＞’表示操作數(shù)的絕對值;當(dāng)gi(x)為非負(fù)數(shù)時(shí)，則返回零值。

　　1．2選擇算子

　　選擇算子作用于整個(gè)種群，選擇最具潛力的個(gè)體參與交叉操作，目的在于將有利基因遺傳到下一代。本文選用排序分組選擇，根據(jù)目標(biāo)函數(shù)值將種群分為兩組:一組由目標(biāo)函數(shù)值較好的個(gè)體構(gòu)成，另一組由目標(biāo)函數(shù)值較差的個(gè)體構(gòu)成。兩組個(gè)體依次配對能夠增大配對個(gè)體差異性，避免近親繁殖［7］。

　　2實(shí)例分析

　　2．1油茶果采摘機(jī)優(yōu)化模型建立

　　隨著我國油茶果種植面積的不斷擴(kuò)增，油茶果采摘效率低下制約著其產(chǎn)業(yè)的發(fā)展，因此優(yōu)化油茶果采摘機(jī)具有重大的研究意義［10］。油茶果采摘機(jī)的優(yōu)化主要包括兩方面:一是采摘臂長度的優(yōu)化，二是采摘機(jī)工作空間的優(yōu)化。油茶果采摘機(jī)的執(zhí)行機(jī)構(gòu)及油茶果分布空間的詳細(xì)信息如文獻(xiàn)所示［11］。采摘機(jī)優(yōu)化過程中涉及的變量包括:主柱高L1，主臂長L2，副臂長L3，主臂的轉(zhuǎn)角θ2，副主臂的轉(zhuǎn)角θ3。通過固定限制角的分段作圖法得出采摘機(jī)執(zhí)行機(jī)構(gòu)末端在二維平面內(nèi)的工作空間圖，如圖5(a)所示。工作空間由4條曲線構(gòu)成，曲線的方程依次為S1:L23=(x－L2cosθ2max)2+(y－L2sinθ2max－L1)2S2:L23+L22－2L2L3cosθ3max=x2+(y－L1)2S3:L23=(x－L2cosθ2min)2+(y－L2sinθ2min－L1)2S4:L23+L22－2L2L3cosθ3min=x2+(y－L1?2(5)

　　2．2優(yōu)化計(jì)算結(jié)果分析

　　根據(jù)油茶果的生長范圍對a、b、c、d進(jìn)行賦值，依次為a=1．5、b=0．3、c=1．9、d=2．8。利用本文改進(jìn)的算法進(jìn)行求解，本文改進(jìn)算法的參數(shù)設(shè)置如表1所示。

　　3結(jié)論

　　為了提升算法搜索性能，提出了一種簡單的IX交叉算子及SSＲ替換操作。IX算子的特點(diǎn)在于通過增加交叉方向，擴(kuò)大算子的搜索區(qū)域來提升解的質(zhì)量與收斂速度。SSＲ操作的特點(diǎn)則是根據(jù)父代目標(biāo)函數(shù)值與多樣性貢獻(xiàn)率兩個(gè)因素更新種群，同時(shí)對種群進(jìn)行周期性的初始化操作，以維持種群多樣性。將改進(jìn)后的算法應(yīng)用于油茶果采摘機(jī)的優(yōu)化問題上，通過對比實(shí)驗(yàn)可知:改進(jìn)的算法性能優(yōu)于其他先進(jìn)的算法，且改進(jìn)的算法能夠明顯優(yōu)化采摘機(jī)模型，使采摘機(jī)能夠在滿足工作空間的前提下機(jī)械臂的長度最小。

　　參考文獻(xiàn):

　　［1］HoseinianFatemehSadat，AbdollahzadehAliakbar，ＲezaiBahram．Semi－autogenousmillpowerpredictionbyhybridneuralgeneticalgorithm［J］．JournalofCentralSouthUniversity，2018，25(1):151－158．

　?。?］吳剛，邱煜晶，王國仁．基于隱馬爾可夫模型和遺傳算法的地圖匹配算法［J］．東北大學(xué)學(xué)報(bào)，2017，38(4):472－475．

　　［3］陳齊平，舒紅宇，任凱，等．基于改進(jìn)遺傳算法的微型電動(dòng)車輪轂電機(jī)優(yōu)化設(shè)計(jì)［J］．中南大學(xué)學(xué)報(bào):自然科學(xué)版，2012，43(8):130－135．

　?。?］何慶，吳意樂，徐同偉．改進(jìn)遺傳模擬退火算法在TSP優(yōu)化中的應(yīng)用［J］．控制與決策，2018(2):219－225．

《改進(jìn)遺傳算法在油茶果采摘機(jī)優(yōu)化中的應(yīng)用》

上一篇：基于模型的智慧農(nóng)業(yè)平臺的構(gòu)建

下一篇：仿生多面體型幾何結(jié)構(gòu)鎮(zhèn)壓輥的設(shè)計(jì)與試驗(yàn)