基于适应度景观的自反馈混合进化算法的研究及其在精准农业优化控制中的应用

In conventional evolutionary algorithms, different search strategies have been designed to find the optimum in a fitness landscape. Nevertheless none of them works well over all possible fitness landscapes. Since the fitness landscape associated to a complex global optimization problem usually consists of various local landscapes， each search strategy is efficient in some particular type of fitness landscapes. Hence, a novel approach is proposed in the project, called mixed strategy self-feedback evolutionary algorithms based on local fitness landscapes. It may dynamically adjust search strategies according to local landscapes and choose a search strategy best fitting a local landscape with a probability from a strategy pool. In order to achieve such adaptation, machine learning techniques, including reinforcement learning and supervised learning, will be applied to the learning of the best mixed strategy for a specific local landscape. Mixed strategy evolution algorithms will be applied to the problems of soil composition detection, water-saving irrigation system optimization design, modelling, estimation of crop optimal irrigation, the soil water characteristic parameters of soil nutrient management and fertilization model partition optimization. An embedded evolutionary system will be designed in order to implement real-time detection, monitoring and control in precision agriculture.

传统进化算法中设计了不同的搜索策略用于寻找适应度景观最优点，但是无法找到一个搜索策略能够在各种适应度景观上都有效，因为一个复杂优化问题所对应的适应度景观往往由不同的局部适应度景观构成，且每个搜索策略通常只对某种类型的局部适应度景观有效。鉴此，本项目提出一种基于适应度景观的自反馈混合策略进化算法。该算法根据局部适应度景观的特征动态调整搜索策略，从一个策略库中概率地选择一种最适应于特定的局部适应度景观策略，并结合强化学习和监督学习的方法用于最优混合策略，使得这种混合搜索策略能够适应各种类型的适应度景观上，提高算法的全局搜索能力。并将该算法应用于求解精细农业的优化控制问题，如：应用在土壤成分检测、节水灌溉优化设计、农作物优化灌溉建模、土壤水分特征曲线Van方程参数估计等优化问题中，实现精准农业的实时控制和优化。同时，将该算法设计成嵌入式硬件进化系统，以实现精准农业中检测技术和监控技术的实时控制。

进化算法是借助生物进化的思想和原理来解决实际问题，同时，受生物进化的影响，人们在进化计算领域很早就开始了适应度景观的研究，适应度景观能围绕适应值呈现局部适应度、距离相关度、景观粗糙度等更加丰富的特征信息，从不同角度反映优化问题的最优解分布、数量、局部单峰多峰的拓扑结构，进而挖掘适应度景观对适应值和最优解的相关性。本项目通过对局部适应度景观的特征研究及改进，将局部适应度景观的特征动态调整搜索策略及机器学习方法用于学习最优混合策略的研究，以获得基于适应度景观的混合策略自反馈进化算法。该算法创新性的将进化算法、适应度景观、混合搜索策略结合起来，并引入强化学习策略研究适应度景观的特征到搜索策略集合的最优概率分布，对不同景观特征的复杂高维多峰问题设计新的混合搜索变异策略，进一步的理解求解优化问题时进化算法的行为并设计出更加有效的进化算法，实现适应度景观和混合搜索策略相融合的进化优化算法，提高算法的全局搜索能力和计算性能，并将该算法应用于求解精准农业的优化控制问题，如：应用在土壤成分检测、节水灌溉优化设计、农作物优化灌溉建模、土壤水分特征曲线Van方程参数估计等优化问题中，实现精准农业的实时控制和优化。本项目经过四个年度的努力研究，已经完成了项目计划任务书的研究工作和目标，共发表论文24篇(SCI收录12篇，EI收录12篇)，其中国际期刊发表19篇，国际会议论文5篇。并依托本课题，共培养毕业的博士研究生3人，硕士研究生9人，青年教师3人。

内容获取失败，请点击重试