精英策略遺傳算法改進(jìn)及在作物模型參數(shù)優(yōu)化的應(yīng)用.pdf

1、遺傳算法（Genetic algorithm，GA）是一類借鑒生物進(jìn)化論和遺傳學(xué)原理的自適應(yīng)全局隨機(jī)搜索算法，具有簡單易行、魯棒性強(qiáng)等優(yōu)點(diǎn)。目前GA研究還存在局部搜索能力弱、早熟收斂和收斂速度慢等問題。精英策略是利用種群精英個體信息來改進(jìn)算法性能，已有改進(jìn)算法有效解決了收斂速度慢的問題，但是仍存在進(jìn)化后期局部搜索能力弱的問題，求解病態(tài)測試函數(shù)時(shí)會出現(xiàn)早熟收斂現(xiàn)象。
　　作物生長模型是以作物生長發(fā)育內(nèi)在規(guī)律為基礎(chǔ)，對作物生理過程與環(huán)

2、境和技術(shù)的關(guān)系加以理論概括和量化分析的數(shù)學(xué)模型。當(dāng)模型在不同環(huán)境條件或考慮品種差異時(shí)，模型品種參數(shù)需要重新優(yōu)化，屬于多變量、非線性的復(fù)雜優(yōu)化問題。遺傳算法作為一種啟發(fā)式的全局優(yōu)化方法，非常適合求解此類優(yōu)化問題，但傳統(tǒng)遺傳算法在應(yīng)用過程中存在早熟收斂現(xiàn)象。已有改進(jìn)遺傳算法雖然可獲得更準(zhǔn)確的模型參數(shù)，但存在著結(jié)構(gòu)復(fù)雜且參數(shù)較多、求解效率不高等問題。
　　針對上述問題，本研究提出了一種基于精英策略的改進(jìn)遺傳算法，提升了算法搜索性能;并將

3、其應(yīng)用到作物生長模型品種參數(shù)估算中，為解決作物模型參數(shù)優(yōu)化問題提供了一種新方法;在此基礎(chǔ)上開發(fā)了基于改進(jìn)遺傳算法的水稻生育期模型參數(shù)優(yōu)化系統(tǒng)。論文的主要貢獻(xiàn)包括:
　　(1)提出個體優(yōu)勢遺傳算法（Individual Advantages Genetic Algorithm，IAGA），提高了算法的收斂速度和收斂精度。
　　基于精英策略思想，在種群進(jìn)化過程中引入了一個精英子種群，保持算法全局收斂性的同時(shí)，增強(qiáng)算法在最優(yōu)解區(qū)域

4、的局部搜索能力。引入半粒子群變異算子（Semi-Particle Swarm Mutation Operator，SPSMO），利用精英個體信息引導(dǎo)個體變異，提高了算法前期向全局最優(yōu)解靠攏的速度;精英子種群更新中引入個體優(yōu)勢算子（Individual Advantages Operator，IAO），提高種群優(yōu)勢個體的多樣性。理論分析證明，IAGA具有全局收斂性。14個測試函數(shù)試驗(yàn)結(jié)果表明:算法收斂速度快，尋優(yōu)能力強(qiáng)。與已有同類算法相比

5、，平衡了收斂速度和全局收斂性之間矛盾的同時(shí)，進(jìn)一步提高了收斂速度和精度。
　　(2)提出基于IAGA的水稻生育期模型參數(shù)優(yōu)化方法，實(shí)現(xiàn)品種參數(shù)自動率定。
　　以IAGA為基礎(chǔ)，RiceGrow和ORYZA2000水稻生育期模型為應(yīng)用對象，設(shè)計(jì)了IAGA和水稻生育期模型耦合框架、目標(biāo)函數(shù)及適應(yīng)度函數(shù)。針對汕優(yōu)63、鹽粳2號、蘆絲占、雪花粘和兩優(yōu)培九等5個水稻品種多年實(shí)測數(shù)據(jù)的試驗(yàn)結(jié)果表明:
　　1）IAGA可獲得較準(zhǔn)確的

6、模型品種參數(shù)，試驗(yàn)驗(yàn)證結(jié)果的RMSE＜3.05d，R2＞0.9885。
　　2）調(diào)參數(shù)據(jù)量大小對IAGA擬合結(jié)果影響不大。由3年數(shù)據(jù)增加到6年數(shù)據(jù)，試驗(yàn)結(jié)果的最大NRMSE值由2.58％增大到3.08％，增加了0.5％。
　　3）選擇隔年并包含全生育期天數(shù)最大值與最小值的調(diào)參數(shù)據(jù)，可以獲得較準(zhǔn)確的模型品種參數(shù)。
　　4）IAGA應(yīng)用效果優(yōu)于復(fù)合形混合演化算法、遺傳模擬退火算法以及標(biāo)準(zhǔn)粒子群算法，可獲得更準(zhǔn)確的模型品種參