CN113110061A - 基于改进粒子群算法优化的智能灌溉模糊控制方法及*** - Google Patents

Abstract

本发明公开了基于改进粒子群算法优化的智能灌溉模糊控制方法及***，该方法包括：设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉；避免了采用传统灌溉技术造成较大的时滞和超调问题，满足节约水资源的要求，提高了灌溉控制的精度。另外，改进粒子群算法对模糊控制器中的量化因子和比例因子进行优化，有效的改善了算法寻优精度和收敛速度。

Description

基于改进粒子群算法优化的智能灌溉模糊控制方法及***

技术领域

本发明属于智能灌溉优化技术领域，涉及基于改进粒子群算法优化的智能灌溉模糊控制方法及***。

背景技术

中国作为人口和农业大国，凭借世界7％的农田和6％的可利用水资源，解决了世界1/5人口的温饱问题，为全球农业生产贡献了突出的力量。农业灌溉用水是世界上最大的淡水消耗，占全球用水量的70％以上，且灌溉水利用率仅为43％。2016年以来，中国荔枝种植面积超过860万亩，常年产量200多万吨，约占世界荔枝生产总值的62.85％。但荔枝园仍采用着传统灌溉技术，存在较大的时滞和超调问题，造成了水资源的严重浪费。随着智慧农业的发展，迫切需要开发一种荔枝园智能灌溉***，方便果农进行实时适量的精细管理，进而提高水资源利用率和经济效益。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的基于改进粒子群算法优化的智能灌溉模糊控制方法及***，该方法能够解决荔枝园智能灌溉***模糊控制参数采用传统经验法难以确定的问题。

第一方面，本发明实施例提供基于改进粒子群算法优化的智能灌溉模糊控制方法，包括：

设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；

根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

在一个实施例中，基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化，包括：

基于灌溉量，初始化粒子群，随机产生粒子位置和速度；

依次将每一个粒子位置和速度赋值给所述模糊控制器中的量化因子和比例因子；以时间与误差绝对值乘积的积分来衡量个体性能，构建目标函数；采用自适应方式调节惯性权值；

进行SA选择；

当满足终止条件时，终止迭代，输出最优的粒子适应度值；并更新下一时刻粒子位置和速度。

在一个实施例中，采用自适应方式调节惯性权值，包括：

第k次迭代过程粒子p_i的适应度为f_i，当前的最优适应度值为f_m，计算整个群体平均适应度为f_avg；将优于f_avg值的粒子再求平均得到f’_avg，早熟参考指标为Δ＝|f_m-f’_avg|；

根据下式计算惯性权值：

(1)f_i优于f’_avg时，说明粒子为较优的粒子，为加速其收敛，赋予较小的w：

(2)f_i优于f_avg但次于f’_avg时，说明粒子一般，保持惯性权值w为固定值；

(3)f_i次于f_avg时，说明粒子比较差，加大全局寻优力度，采用如下公式

调整：

其中，w表示惯性权值；k₁表示上一次迭代；k₂表示下一次迭代。

在一个实施例中，更新下一时刻粒子位置和速度，包括：

根据下式更新粒子位置和速度：

v_ij(k+1)＝w·v_ij(k)+c₁r₁(k)[p_ij(k)-x_ij(k)]+c₂r₂(k)[p′_ij(k)-x_ij(k)]

x_ij(k+1)＝x_ij(k)+v_ij(k+1)

式中：c₁、c₂为学习因子，r₁、r₂为[0，1]范围内的均匀随机数，k为某次迭代，i为维度，i＝1，2，...D，D为正整数，表示空间维度；j为当前粒子的索引；w为惯性权值；p_ij为个体极值，从诸多个体极值p_ij中选择其中一个记为p′_ij；x_ij为i维空间第j个粒子的位置，v_ij为i维空间第j个粒子的速度，v_ij∈[-v_max，v_max]，v_max为边界速度常数。

在一个实施例中，进行SA选择，包括：

***能量从前一状况变化为下一状态，相应的能量从E₁变化为E₂的概率表示为：

p_ij为相对p_g不好的解，得到距离下p_ij对p_g的跳变概率

p_g为全局极值，被选中的概率按下式计算：

式中：

为p_ij粒子的绝对位置，

为最优粒子的绝对位置，t为模拟退火的一个参数，t越大，距离最优点最近的点就越可能会选上；N为PSO模型的粒子总数，j为当前粒子的索引。

第二方面，本发明实施例还提供基于改进粒子群算法优化的智能灌溉模糊控制***，包括：

设定获取模块，用于设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

优化模块，用于基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

应用模块，用于将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

与现有技术相比，本发明公开提供了基于改进粒子群算法优化的智能灌溉模糊控制方法，具有如下优点：

本发明将自适应模拟退火粒子群混合算法应用到智能灌溉模糊控制器比例因子和量化因子优化，避免了采用传统灌溉技术造成较大的时滞和超调问题，也避免造成水资源的严重浪费；满足节约水资源的要求，提高灌溉控制的精度。

改进粒子群算法对模糊控制器中的量化因子和比例因子进行优化，有效的改善了算法寻优精度和收敛速度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于改进粒子群算法优化的智能灌溉模糊控制方法流程图；

图2为本发明实施例提供的采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化的流程图；

图3为APSO算法流程图；

图4为AHSAPSO算法流程图；

图5为Griewank函数迭代进化图；

图6为Rastrigin函数迭代进化图；

图7为Ackley函数迭代进化图；

图8为荔枝园智能灌溉模糊控制***结构图；

图9为AHSAPSO优化后模糊控制仿真对比曲线图；

图10为本发明实施例提供的基于改进粒子群算法优化的智能灌溉模糊控制***的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参见附图1所示，本发明实施例公开了基于改进粒子群算法优化的智能灌溉模糊控制方法，具体包括如下步骤：

S100、设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；

S200、根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

S300、基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；具体是模糊控制器中的误差的量化因子k_e、误差变化率的量化因子k_ec和控制量的比例因子k_u。

S400、将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

本发明实施例中，自适应模拟退火粒子群混合算法应用到智能灌溉模糊控制器比例因子和量化因子优化，避免了采用传统灌溉技术造成较大的时滞和超调问题，也避免造成水资源的严重浪费；满足节约水资源的要求，提高灌溉控制的精度。另外，改进粒子群算法对模糊控制器中的量化因子和比例因子进行优化，有效的改善了算法寻优精度和收敛速度。

在一个实施例中，参照图2所示，上述步骤S300中，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化，包括：

S3001、基于灌溉量，初始化粒子群，随机产生粒子位置和速度；

S3002、依次将每一个粒子位置和速度赋值给所述模糊控制器中的误差的量化因子k_e、误差变化率的量化因子k_ec和控制量的比例因子k_u；以时间与误差绝对值乘积的积分来衡量个体性能，构建目标函数；采用自适应方式调节惯性权值；

S3003、进行SA选择；

S3004、当满足终止条件时，终止迭代，输出最优的粒子适应度值；并更新下一时刻粒子位置和速度。即：经过一定次数迭代，群体最优解不更新时，终止迭代。在粒子群算法迭代一次后，利用模拟退火算法从所有个体中选择修正最优个体作为下一次迭代的最优参考位置。

下面通过举例方式对上述所有的步骤进行详细的说明。

1.粒子群初始化，随机产生粒子位置和速度；

x：初始化种群位置；N：种群规模；D：粒子维数；c₁、c₂：学习因子；M：迭代次数；w：惯性权值。

2.自适应调节惯性权值

第k次迭代过程粒子p_i的适应度为f，当前的最优适应度值为f_m，计算整个群体平均适应度为f_avg。然后把优于f_avg值的粒子再求平均得到f’_avg，早熟参考指标为Δ＝|f_m-f’_avg|。Δ越小说明种群趋于早熟收敛。根据粒子适应度不同，对惯性权值采用不同的调节策略。w较大时，粒子有能力跳出局部最优；w较小时，局部快速收敛能提高算法速度。

参照图3所示，根据下式自适应调节惯性权值：

(1)f_i优于f’_avg时，说明粒子为较优的粒子，为加速其收敛，应赋予较小的w：

(2)f_i优于f_avg但次于f’_avg时，说明粒子一般，保持惯性权值比如w＝0.65不变；

(3)f_i次于f_avg时，说明粒子比较差，应加大全局寻优力度，采用如下方法调整：

其中，w表示惯性权值；k₁表示上一次迭代；k₂表示下一次迭代。

3.更新粒子位置和速度

根据下式更新粒子位置和速度：

v_ij(k+1)＝w·v_ij(k)+c₁r₁(k)[p_ij(k)-x_ij(k)]+c₂r₂(k)[p′_ij(k)-x_ij(k)]

x_ij(k+1)＝x_ij(k)+v_ij(k+1)

式中：c₁、c₂称为学习因子，r₁、r₂是[0，1]范围内的均匀随机数，k为某次迭代，i为维度，i＝1，2，...D，D为正整数，表示空间维度；j为当前粒子的索引；w为惯性权值；p_ij是个体极值，从诸多个体极值p_ij中选择其中一个记为p′_ij；x_ij是粒子的位置，v_ij是粒子的速度，v_ij∈[-v_max，v_max]，v_max是边界速度常数。即：在D维解空间随机初始化一个种群，每个粒子在解空间中根据个体极值和全局极值进行迭代寻优。

4.SA选择

参照图4所示，SA选择的算法思路：***能量从前一状况变化为下一状态，相应的能量从E₁变化为E₂的概率表示为：

认为性能越好的p_ij理论上有相对高选中的可能性，按照Metropolis机制的含义，p_ij是相对p_g不好的特殊解，那么可得到该距离下p_ij对p_g的跳变概率

p_g为全局极值，被选中的概率可按下式计算：

式中：

为p_ij粒子的绝对位置，

为最优粒子的绝对位置，t为模拟退火的一个参数，t越大，距离最优点最近的点就越可能会选上；N为PSO模型的粒子总数，j为当前粒子的索引。

5.算法可行性与有效性判定

采用下列求解Griewank函数、Rastrigin函数和Ackley函数的全局最优解，见表1。

表1经典测试函数

6.算法进步性验证

使用标准粒子群算法PSO、自适应粒子群算法APSO(图3)、自适应模拟退火粒子群混合算法AHSAPSO(图4)算法对三个测试函数，各运行50次，得到三种算法优化的函数全局最优值取平均值、200次迭代的适应度值曲线，具体如表2和附图5-7所示。

表2三种函数最优值对比

	PSO	APSO	AHSAPSO
				Griewank	0.1328	1.4810×10<sup>-6</sup>	1.6333×10<sup>-4</sup>
Rastrigin	18.9042	8.9573	0.9950
				Ackley	1.6462	1.1552	0.0026

表3三种优化算法的参数设置：

本发明提出的AHSAPSO算法对三种经典多峰值复杂函数，经过200次迭代后，都取得了很好的寻优效果。标准PSO算法和自适应APSO算法较早陷入局部最值，难以跳出局部最优，容易出现计算逐渐趋于停顿，无法有效的找到较精确的全局最优解。综合起来看AHSAPSO算法优于其他两种算法，Griewank函数虽说未达到三个算法中的最小值，但也与之相差不大。

7.智能灌溉模糊控制***

参照图8所示，智能灌溉模糊控制***主要包括模糊化、模糊推理、知识库、清晰化四个部分，***选用相应的土壤最佳含水率和土壤实测含水率的差值e及其误差变化率ec，作为二维Mamdani型模糊控制器的输入，其输出量是灌溉量u，经过模糊决策产生灌溉命令执行灌溉。

8.搭建模糊控制***优化仿真模型

粒子群算法的特征是根据要求问题的目标函数值决定下一次的搜索信息，通过个体的适应度来体现目标函数。要保证模糊控制***能无超调、高稳定，本发明采用ITAE准则(时间与误差绝对值乘积的积分)来衡量个体性能，能够综合反映***快速响应、过渡过程、超调等性能指标。目标函数如下：

式中：t为某个时刻，T为整个过程的时间，|e(t)|为相应的土壤最佳含水率和土壤实测含水率的误差的绝对值。

假定由执行机构和被控对象组成的灌溉***模型是典型二阶传递函数，其数学表达式为：

传递函数的目的是转化成matlab可以接受的形式；利用Matlab中的Simulink工具箱，搭建模糊控制***优化仿真模型。

9.算法优化参数流程

见附图2所示，选用相应的土壤最佳含水率和土壤实测含水率的差值e及其误差变化率ec，作为二维Mamdani型模糊控制器的输入，其输出量是灌溉量u。先随机初始化粒子的位置，然后把初始化的值传给Simulink模型用于计算粒子的适应度，假如满足终止条件则结束，否则利用改进的粒子群算法更新粒子的位置，并重新利用Simulink模型计算适应度，如此循环，直到满足退出条件。即：采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；将优化后的误差的量化因子k_e、误差变化率的量化因子k_ec和控制量的比例因子k_u应用到模糊控制器，实现智能灌溉。

10.仿真实验

将自适应模拟退火粒子群混合算法应用到比如荔枝园智能灌溉模糊控制器比例因子和量化因子优化，通过目标函数寻优，获得最佳量化比例因子参数，将其带入模糊控制器，进行仿真实验，仿真结果如附图9所示。

通过对标准粒子群算法进行改进，使用适应度均值自适应调整惯性权值，同时混合模拟退火算法，形成自适应模拟退火粒子群混合算法，经过经典测试函数检验，证明有效的改善了算法寻优精度和收敛速度。最后，本发明将自适应模拟退火粒子群混合算法应用到荔枝园智能灌溉模糊控制器比例因子和量化因子优化，经过仿真和实验表明，模糊控制进入稳态需要20s，约有3.8％的超调量，而AHSAPSO优化后的模糊控制达到稳态只需要12s，超调量约0.9％，经过AHSAPSO算法优化后的模糊控制超调时间更短、暂态性能更优异，控制精度更高。优化后智能灌溉模糊控制***将荔枝园土壤含水率平均值控制在16.43％，更接近***预设荔枝园土壤最佳含水率16％，能更快速调节土壤含水率维持在最佳水平，且具有更高的控制精度、更好的鲁棒性和实用性。

本发明实施例提供的基于改进粒子群算法的智能灌溉模糊控制方法，针对果园智能灌溉***模糊控制参数采用传统经验法难以确定的问题，本发明在传统粒子群算法的基础上提出了自适应模拟退火粒子群混合算法(AHSAPSO)，通过求解Griewank、Rastrigin、Ackley三种经典测试函数的全局最优解，验证了本方法的可行性和有效性，并与标准粒子群算法(PSO)和自适应粒子群算法(APSO)比较，验证本方法的进步性。本发明将自适应模拟退火粒子群混合算法应用到荔枝园智能灌溉模糊控制器比例因子和量化因子优化，验证本方法的优越性。

基于同一发明构思，本发明实施例还提供基于改进粒子群算法优化的智能灌溉模糊控制***，由于该***所解决问题的原理与前述方法相似，因此该***的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供一种基于改进粒子群算法优化的智能灌溉模糊控制***，参照图10所示，包括：

设定获取模块，用于设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

优化模块，用于基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

应用模块，用于将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，包括：

设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；

根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

2.如权利要求1所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化，包括：

基于灌溉量，初始化粒子群，随机产生粒子位置和速度；

依次将每一个粒子位置和速度赋值给所述模糊控制器中的量化因子和比例因子；以时间与误差绝对值乘积的积分来衡量个体性能，构建目标函数；采用自适应方式调节惯性权值；

进行SA选择；

当满足终止条件时，终止迭代，输出最优的粒子适应度值；并更新下一时刻粒子位置和速度。

3.如权利要求2所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，采用自适应方式调节惯性权值，包括：

第k次迭代过程粒子p_i的适应度为f_i，当前的最优适应度值为f_m，计算整个群体平均适应度为f_avg；将优于f_avg值的粒子再求平均得到f’_avg，早熟参考指标为Δ＝|f_m-f’_avg|；

根据下式计算惯性权值：

(1)f_i优于f’_avg时，说明粒子为较优的粒子，为加速其收敛，赋予较小的w：

(2)f_i优于f_avg但次于f’_avg时，说明粒子一般，保持惯性权值w为固定值；

(3)f_i次于f_avg时，说明粒子比较差，加大全局寻优力度，采用如下公式调整：

其中，w表示惯性权值；k₁表示上一次迭代；k₂表示下一次迭代。

4.如权利要求2所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，更新下一时刻粒子位置和速度，包括：

根据下式更新粒子位置和速度：

v_ij(k+1)＝w·v_ij(k)+c₁r₁(k)[p_ij(k)-x_ij(k)]+c₂r₂(k)[p′_ij(k)-x_ij(k)]

x_ij(k+1)＝x_ij(k)+v_ij(k+1)

式中：c₁、c₂为学习因子，r₁、r₂为[0，1]范围内的均匀随机数，k为某次迭代，i为维度，i＝1，2，...D，D为正整数，表示空间维度；j为当前粒子的索引；w为惯性权值；p_ij为个体极值，从诸多个体极值p_ij中选择其中一个记为p′_ij；x_ij为i维空间第j个粒子的位置，v_ij为i维空间第j个粒子的速度，v_ij∈[-v_max，v_mmax]，v_max为边界速度常数。

5.如权利要求4所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，进行SA选择，包括：

***能量从前一状况变化为下一状态，相应的能量从E₁变化为E₂的概率表示为：

p_ij为相对p_g不好的解，得到距离下p_ij对p_g的跳变概率

p_g为全局极值，被选中的概率按下式计算：

式中：

为p_ij粒子的绝对位置，

为最优粒子的绝对位置，t为模拟退火的一个参数，t越大，距离最优点最近的点就越可能会选上；N为PSO模型的粒子总数，j为当前粒子的索引。

6.基于改进粒子群算法优化的智能灌溉模糊控制***，其特征在于，包括：

设定获取模块，用于设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

优化模块，用于基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

应用模块，用于将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

Images