精英策略遗传算法改进及在作物模型参数优化的应用

遗传算法(Genetic algorithm, GA)是一类借鉴生物进化论和遗传学原理的自适应全局随机搜索算法,具有简单易行、鲁棒性强等优点。目前GA研究还存在局部搜索能力弱、早熟收敛和收敛速度慢等问题。精英策略是利用种群精英个体信息来改进算法性能,已有改进算法有效解决了收敛速度慢的问题,但是仍存在进化后期局部搜索能力弱的问题,求解病态测试函数时会出现早熟收敛现象。 作物生长模型是以作物生长发育内在规律为基础,对作物生理过程与环境和技术的关系加以理论概括和量化分析的数学模型。当模型在不同环境条件或考虑品种差异时,模型品种参数需要重新优化,属于多变量、非线性的复杂优化问题。遗传算法作为一种启发式的全局优化方法,非常适合求解此类优化问题,但传统遗传算法在应用过程中存在早熟收敛现象。已有改进遗传算法虽然可获得更准确的模型参数,但存在着结构复杂且参数较多、求解效率不高等问题。 针对上述问题,本研究提出了一种基于精英策略的改进遗传算法,提升了算法搜索性能；并将其应用到作物生长模型品种参数估算中,为解决作物模型参数优化问题提供了一种新方法；在此基础上开发了基于改进遗传算法的水稻生育期模型参数优化系统。论文的主要贡献包括： (1)提出个体优势遗传算法(Individual Advantages Genetic Algorithm, IAGA),提高了算法的收敛速度和收敛精度。 基于精英策略思想,在种群进化过程中引入了一个精英子种群,保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子(Semi-Particle Swarm Mutation Operator, SPSMO),利用精英个体信息引导个体变异,提高了算法前期向全局最优解靠拢的速度；精英子种群更新中引入个体优势算子(Individual Advantages Operator, IAO),提高种群优势个体的多样性。理论分析证明,IAGA具有全局收敛性。14个测试函数试验结果表明：算法收敛速度快,寻优能力强。与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。 (2)提出基于IAGA的水稻生育期模型参数优化方法,实现品种参数自动率定。 以IAGA为基础,RiceGrow和ORYZA2000水稻生育期模型为应用对象,设计了IAGA和水稻生育期模型耦合框架、目标函数及适应度函数。针对汕优63、盐粳2号、芦丝占、雪花粘和两优培九等5个水稻品种多年实测数据的试验结果表明：1) IAGA可获得较准确的模型品种参数,试验验证结果的RMSE<3.05d, R2>0.9885.2)调参数据量大小对IAGA拟合结果影响不大。由3年数据增加到6年数据,试验结果的最大NRMSE值由2.58%增大到3.08%,增加了0.5%。3)选择隔年并包含全生育期天数最大值与最小值的调参数据,可以获得较准确的模型品种参数。4)IAGA应用效果优于复合形混合演化算法、遗传模拟退火算法以及标准粒子群算法,可获得更准确的模型品种参数。 (3)研制基于IAGA的水稻生育期模型参数优化系统(CDSMPOS-IAGA),提供模型自动调参软件工具. 以基于IAGA的水稻生育期模型参数优化方法为基础,采用构件化软件开发方法,研制了CDSMPOS-IAGA系统。RiceGrow和ORYZA2000水稻生育期模型品种参数优化应用案例表明：CDSMPOS-IAGA可快速准确估算水稻生育期模型参数。