一种基于协同拮抗与多目标优化的施肥养分推荐方法
本发明涉及农业施肥管理,具体涉及一种基于协同拮抗与多目标优化的施肥养分推荐方法。
背景技术:
1、施肥养分管理是现代农业生产中的关键环节,其直接影响作物产量、品质形成、肥料利用效率以及农业生态环境安全。对于中药材栽培而言,科学施肥不仅关系到药材生物量形成,还影响药用植物有效成分的积累水平,因此精准养分管理具有重要意义。
2、随着智能农业的发展,研究人员开始采用机器学习、作物生长模型及智能优化算法开展施肥推荐研究。例如,通过回归模型预测产量响应关系,通过dssat等作物模型模拟不同施肥措施下的生长结果,并结合遗传算法、粒子群算法、差分进化算法等智能优化方法搜索较优施肥组合。
3、ahmed等人(computers and electronics in agriculture, 2021, 189:106407)提出了一种以进化计算为核心的土壤施肥养分推荐体系。该体系基于田间土壤和作物数据构建适应度评价函数,将目标作物的氮、磷、钾施肥量作为决策变量,并通过进化算法迭代搜索兼顾产量和肥料利用效率的养分组合,能够在多种土壤情景下生成高产、低投入的施肥方案。
4、zhou等人(engineering applications of artificial intelligence, 2025,141: 109750)提出带有动态扰动和维度双向交叉机制的自适应差分进化算法,通过引入动态扰动机制抑制早熟收敛并增强种群多样性,同时采用维度双向交叉机制促进有效信息交换,提高搜索效率。
5、然而,上述现有技术仍存在以下不足:
6、第一,传统交叉与变异算子未融入氮、磷、钾之间的协同与拮抗关系。在作物施肥中,氮与磷之间存在正向协同效应,适量的磷促进根系发育并提高氮素吸收效率;氮与钾之间同样存在协同作用,钾素参与氮代谢酶激活并促进氮素同化;而过量的铵态氮肥与钾离子在根系吸收位点形成竞争关系,表现为拮抗效应。传统优化算法对各养分施用量施加独立随机扰动,容易产生氮素显著增加的同时磷素大幅减少等违背作物养分吸收规律的配比方案,导致大量不可行解和不可解释解。
7、第二,施肥方案具有阶段性与模式化结构。中药材全生育期划分为多个物候期,不同物候期的施肥策略构成时序施肥模式,如“前期重施促生、后期控肥促成分”与“全程均衡施肥”等模式具有不同的农学意义。但常规演化算子缺乏保持原型结构的能力,在优化过程中施肥模式容易被破坏,降低了种群多样性与解的稳定性。
8、第三,现有方法在初始化阶段采用均匀随机分布,难以覆盖帕累托前沿的两个极端区域,低施肥、高养分利用效率的低投入高效率策略,以及高施肥、高产量潜力的高投入产量最大化策略,限制了算法对全局最优解的搜索能力。
9、因此,施肥养分推荐方法仍需进一步改进,以使优化过程能够遵循养分协同拮抗规律、保持施肥模式的时序结构,并在初始阶段有效覆盖边界策略。
技术实现思路
1、针对上述背景技术中存在的缺陷,本发明提出一种基于协同拮抗与多目标优化的施肥养分推荐方法,通过连续型偏向随机初始化、融入农学先验知识的结构化演化算子以及动态精英保留策略,在保证算法收敛性与多样性的同时,生成兼顾有效成分积累、成本与环境效益且符合农学规律的精准施肥方案,提高施肥方案的科学性与实用性。
2、本发明通过下述技术方案实现:
3、一种基于协同拮抗与多目标优化的施肥养分推荐方法,包括:
4、获取目标作物的历史田间样本数据集并进行预处理得到预处理观测矩阵,所述样本数据集包含全生育期各物候期的多种养分施肥量、环境状态变量以及对应的产出评价指标;
5、将全生育期各物候期的多种养分施肥量作为决策变量,构建包含在给定环境状态下有效产出最大化、施肥成本最小化和环境流失最小化的多目标优化模型;
6、基于所述预处理观测矩阵训练代理模型,用于对所述多目标优化模型中的有效产出、施肥成本和环境流失进行快速预测;
7、基于beta分布在决策变量取值范围内生成覆盖低施肥边界至高施肥边界的初始施肥方案种群;
8、根据预处理观测矩阵中的样本数据提取全生育期各物候期的多种养分之间的协同与拮抗交互系数,构建协同拮抗交互矩阵,基于所述交互矩阵对父代施肥方案进行多元高斯扰动,生成子代施肥方案;
9、将父代与子代施肥方案合并,计算各施肥方案在所述多目标优化模型对应的目标空间与决策空间中的综合距离,并采用动态稀疏度得分对合并后的种群进行筛选,保留精英个体构成下一代种群;
10、基于所述代理模型评估当前种群中各施肥方案个体的三个目标函数值,循环执行多元高斯扰动生成子代、种群合并筛选、精英保留的步骤,直至满足所述多目标优化模型的收敛条件,输出帕累托最优施肥方案集合。
11、作为优化,基于beta分布在决策变量取值范围内生成覆盖低施肥边界至高施肥边界的初始施肥方案种群的具体过程为:
12、根据种群规模n为第i个个体分配缩放因子,;
13、根据所述缩放因子和预设的偏向强度系数k确定beta分布的第一形状参数和第二形状参数,其中,,;
14、从分布中采样随机数r,通过将所述随机数线性映射至实际施肥量范围,生成初始施肥方案种群,其中表示个体在第j个决策变量上的初始施肥量,和分别为决策变量的下限值和上限值。
15、作为优化,根据预处理观测矩阵中的样本数据提取全生育期各物候期的多种养分之间的协同与拮抗交互系数,构建协同拮抗交互矩阵的具体过程为:
16、基于预处理观测矩阵,以作物的产出评价指标为响应变量,以多种养分施肥量为自变量,构建包含两两交互项的多元二次响应曲面模型;
17、通过回归拟合提取所述响应曲面模型中的各养分两两交互系数;
18、对各所述交互系数进行归一化映射,构建协同拮抗交互矩阵,所述交互矩阵的非对角线元素表征对应两种养分之间的协同或拮抗关系强度。
19、作为优化,基于所述交互矩阵对父代施肥方案进行多元高斯扰动,具体包括:
20、针对当前物候期的施肥向量,根据各养分当前值在可行域中的相对位置构建状态自适应缩放矩阵;
21、结合所述交互矩阵和所述缩放矩阵构建耦合协方差矩阵,其中为基线独立扰动项,为知识引导强度系数;
22、从多元高斯分布中采样扰动向量,对父代施肥方案施加扰动生成子代施肥方案,其中,为父代施肥方案,为子代施肥方案。
23、作为优化,计算各施肥方案在目标空间与决策空间中的综合距离的具体过程为:
24、对各施肥方案的目标函数值进行归一化处理,计算目标空间中的欧氏距离;
25、计算各施肥方案在全生育期各物候期的施肥决策向量之间的均方根距离,作为决策空间中的施肥模式差异距离;
26、对所述目标空间欧氏距离和所述决策空间施肥模式差异距离进行加权求和,得到综合距离。
27、作为优化,采用动态稀疏度得分对合并后的种群进行筛选的具体过程为:
28、根据所述综合距离计算各施肥方案的局部稀疏度;
29、根据当前迭代次数t和最大迭代次数计算动态多样性权重,其中,为初始多样性权重,为衰减速率系数;
30、对合并后的种群执行非支配排序,按非支配等级升序依次移入新一代种群;
31、当加入某一非支配层使累计个体数量超出预设种群规模时,将各施肥方案的局部稀疏度除以当前非支配层中的最大局部稀疏度,得到归一化相对稀疏度,根据所述归一化相对稀疏度与所述动态多样性权重的乘积计算动态稀疏度得分,按得分降序择优保留。
32、作为优化,所述代理模型的训练与更新具体包括:
33、基于所述预处理观测矩阵构建初始训练集,并调用作物生长模型dssat对随机生成的施肥方案样本进行模拟评估,将模拟得到的产出评价指标与对应的施肥方案样本按与所述预处理观测矩阵中样本相同标准化参数处理后,作为新增观测矩阵加入所述初始训练集,训练lightgbm模型作为代理模型;
34、在循环迭代过程中,每隔g代从当前种群中筛选代表性个体,调用dssat进行真实评估,将新增真值样本加入所述训练集对所述代理模型进行增量更新。
35、作为优化,所述有效产出最大化目标定义为在给定环境状态下产量与有效成分含量的乘积;所述施肥成本最小化目标定义为全生育期各物候期多种养分施肥量与对应市场价格的加权和,加上固定人工与机械成本;所述环境流失最小化目标定义为在给定环境状态下全生育期内氮素淋洗、径流和挥发的损失总量。
36、作为优化,所述产出评价指标包括药材产量、有效成分积累量和氮素流失量;所述决策变量的约束边界根据土壤本底条件和中药材的安全耐受阈值确定。
37、作为优化,所述协同拮抗交互矩阵的构建还包括:
38、当交互系数不小于预设阈值时,判定养分i与养分j之间存在正向协同效应,所述协同拮抗交互矩阵中对应的非对角线元素取正值;
39、当交互系数不大于预设阈值时,判定养分i与养分j之间存在负向拮抗效应,所述协同拮抗交互矩阵中对应的非对角线元素取负值;
40、当交互系数的绝对值小于预设阈值时,判定养分i与养分j之间交互作用可忽略,所述协同拮抗交互矩阵中对应的非对角线元素取零值。
41、本发明与现有技术相比,具有如下的优点和有益效果:
42、本发明通过基于beta分布的连续型偏向随机初始化方法,摒弃传统二进制编码方式,直接在连续域生成从低施肥到高施肥区域平滑覆盖的初始种群,使初始方案天然包含接近施肥边界上界与下界的极端解,有效覆盖解空间的边界区域,避免传统均匀随机初始化导致种群集中于中等施肥范围的问题,增强算法对帕累托前沿两端极端策略的探索能力,为决策者提供包含极端低投入和高产出在内的完整施肥策略集合,避免早熟收敛。
43、本发明通过农学先验知识引导的协同拮抗耦合变异算子,基于预处理观测矩阵构建带交互项的多元二次响应曲面模型,提取氮、磷、钾之间的协同与拮抗交互系数并构建交互矩阵,将农学机理转化为协方差矩阵的统计结构嵌入多元高斯扰动中,使变异方向符合作物养分吸收规律。相比传统独立高斯扰动,该设计保证了生成的施肥方案遵循氮磷钾协同拮抗规律,避免产生违背农学常识的配比方案,提高了推荐结果的可解释性与实际应用价值,同时减少无效搜索、提升收敛速度。
44、本发明通过动态精英保留策略,结合目标空间与决策空间构建综合距离度量以计算局部稀疏度,并引入随迭代衰减的动态多样性权重与物候阶段调节函数,通过动态精英得分筛选个体,在算法演化过程中实现全局探索与局部收敛之间的自适应平衡。该策略在演化前期保护药材施肥模式的多样性,避免具有潜力的物候期施肥原型被过早淘汰,在演化后期加速向帕累托前沿收敛,实现中药材种植中产量提升、成本控制与环境减排的多目标协同优化,最终得到一组在不同权衡关系下具有实际应用价值的施肥策略集合。
45、本发明通过lightgbm代理模型与dssat作物生长模型的协同工作机制,利用代理模型实现毫秒级快速预测以满足进化算法大规模迭代评估需求,同时每隔g代从当前种群中筛选代表性个体调用dssat进行真实评估并增量更新代理模型,保证代理模型在高产区域和低环境代价区域保持较高置信度,实现计算效率与评估精度之间的平衡,有效解决了作物生长模型单次模拟耗时较长、难以满足进化算法大规模迭代评估需求的问题。
46、消融实验结果表明,本发明三项核心模块(beta分布偏向初始化、协同拮抗耦合变异算子、动态种群进化机制)形成互补协同关系:完整配置下超体积hv达到2.1508e+08,显著优于各消融变体;beta分布偏向初始化提供高质量初始种群,协同拮抗耦合变异算子提高局部搜索的农学合理性,动态种群进化机制提升多目标搜索过程中的探索与收敛平衡能力,三者协同作用后能够有效扩大可行施肥方案在目标空间中的覆盖范围,并获得质量更高的pareto非支配解集,同时不破坏解集的收敛性和分布均匀性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com