溫室穴盤苗自動移缽路徑優(yōu)化.pdf

第 36 卷 第 15 期 農(nóng) 業(yè) 工 程 學(xué) 報 Vol 36 No 15 2020 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug 2020 65 溫室穴盤苗自動移缽路徑優(yōu)化 張麗娜 譚 彧 呂昊暾 李寶勝 蔣易宇 王 碩 中國農(nóng)業(yè)大學(xué)工學(xué)院 北京 100083 摘 要 為了優(yōu)化移栽機補栽作業(yè)時的移缽路徑 該研究基于免疫算法構(gòu)建了克隆選擇算法和免疫遺傳算法 2 種適合求 解移缽路徑優(yōu)化問題的模型 并與固定順序法和遺傳算法對比 進行移缽路徑規(guī)劃仿真試驗和驗證試驗 結(jié)果表明 克 隆選擇算法模型和免疫遺傳算法模型均能有效優(yōu)化移缽路徑 免疫遺傳算法模型的路徑規(guī)劃效率較高 而克隆選擇算法 模型的路徑規(guī)劃效率較低 驗證試驗條件下 該研究 2 種模型的路徑規(guī)劃長度分別為 48 977 和 48 945 mm 相比固定順 序法分別縮短 7 59 和 7 65 相比遺傳算法模型分別縮短 3 60 和 3 66 2 種模型的計算時間分別為 5 86 和 2 72 s 免疫遺傳算法模型的計算時間相對遺傳算法減少 15 79 免疫遺傳算法模型可作為溫室穴盤苗后續(xù)機械化批量補栽的路 徑規(guī)劃控制基礎(chǔ) 關(guān)鍵詞 溫室 穴盤苗 優(yōu)化 自動移栽 路徑規(guī)劃 克隆選擇算法 免疫遺傳算法 doi 10 11975 j issn 1002 6819 2020 15 008 中圖分類號 S24 文獻標志碼 A 文章編號 1002 6819 2020 15 0065 08 張麗娜 譚彧 呂昊暾 等 溫室穴盤苗自動移缽路徑優(yōu)化 J 農(nóng)業(yè)工程學(xué)報 2020 36 15 65 72 doi 10 11975 j issn 1002 6819 2020 15 008 http www tcsae org Zhang Lina Tan Yu Lyu Haotun et al Optimization of automatic transplanting path for plug seedlings in greenhouse J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2020 36 15 65 72 in Chinese with English abstract doi 10 11975 j issn 1002 6819 2020 15 008 http www tcsae org 0 引 言 溫室穴盤育苗技術(shù)改變了傳統(tǒng)生產(chǎn)方式和種植制 度 提高了經(jīng)濟效益 已被廣泛應(yīng)用 1 5 在工廠機械化 育苗生產(chǎn)中 成苗率約為 80 95 6 其中播種機漏播 種子未發(fā)芽以及畸形苗統(tǒng)稱為劣質(zhì)缽苗 針對穴盤中的 劣質(zhì)缽苗 需進行剔除 并對其進行健康缽苗補栽作業(yè) 否則會導(dǎo)致后續(xù)機械化批量移栽時出現(xiàn)栽空或漏栽 缽 苗移栽機器人對劣質(zhì)缽苗進行剔除后 需逐一抓取移栽 穴盤內(nèi)的健康缽苗進行補栽 移缽路徑 即補栽路徑 具有多選擇性 對移缽路徑進行優(yōu)化能夠有效降低末端 執(zhí)行器的行走距離 提高工作效率 童俊華等 6 7 采用遺傳算法對穴盤苗移缽路徑進行優(yōu) 化 但對于穴盤穴孔數(shù)目較多的情況 該算法計算時間 較長 7 規(guī)劃效果有待提高 此后童俊華等 7 又采用貪心 算法對移栽路徑進行優(yōu)化 賀磊盈等 8 9 采用貪心遺傳算 法對穴盤苗移缽路徑進行近似最優(yōu)規(guī)劃 相比于固定順 序法 路徑規(guī)劃長度有所降低 徐守江等 10 11 基于蟻群 算法和混合蛙跳算法對穴盤苗移缽路徑進行優(yōu)化 雖然 已有部分學(xué)者對穴盤苗移缽路徑進行了研究 但路徑規(guī) 劃效果仍有待進一步提高 溫室穴盤苗移缽路徑優(yōu)化問題類似于旅行商問題 收稿日期 2020 03 11 修訂日期 2020 07 22 基金項目 國家重點研發(fā)計劃 2016YFD0700302 作者簡介 張麗娜 博士生 主要從事機電一體化研究 Email 2271426674 通信作者 呂昊暾 博士 講師 主要從事機電一體化研究 Email lvhaotun Traveling Saleman Problem TSP 免疫算法被廣泛用 于解決 TSP 問題 12 13 本文借鑒免疫算法求解 TSP 問題 的思路 分別基于免疫克隆選擇算法 Clonal Selection Algorithm CSA 和免疫遺傳算法 Immune Genetic Algorithm IGA 構(gòu)建了 2 種適于求解穴盤苗移缽路徑 優(yōu)化問題的模型 并進行仿真試驗和實際驗證試驗 以 確定最佳的路徑優(yōu)化模型 為后續(xù)溫室穴盤苗的機械化 批量補栽提供路徑規(guī)劃控制基礎(chǔ) 1 移缽作業(yè)過程 缽苗自動移栽機主要由穴盤苗輸送系統(tǒng) 機器視覺 識別系統(tǒng) 控制系統(tǒng) 移缽系統(tǒng)組成 如圖 1 所示 通 過 4個系統(tǒng)的協(xié)同作業(yè)依次完成劣質(zhì)缽苗的識別與定位 劣質(zhì)缽苗剔除和健康缽苗補栽作業(yè) 14 18 1 穴盤苗輸送系統(tǒng) 2 機器視覺識別系統(tǒng) 3 控制系統(tǒng) 4 移缽系統(tǒng) 1 Plug seedling conveying system 2 Machine vision recognition system 3 Control system 4 Seedling transplanting system 圖 1 缽苗移栽機結(jié)構(gòu)簡圖 Fig 1 Structure diagram of seedling transplanter 農(nóng)業(yè)工程學(xué)報 http www tcsae org 2020 年 66 常用的穴盤尺寸為 250 mm 500 mm 規(guī)格以穴孔數(shù) 量 G 其中 G 50 72 128 定義 6 圖 2 是一個 50 穴 孔規(guī)格的穴盤 下文簡稱 50 穴孔穴盤 示意圖 目的穴 盤中的空穴代表需要補栽的位置 移栽穴盤中的健康缽 苗用于補栽作業(yè) 移缽路徑優(yōu)化即是對移栽穴盤中的健 康缽苗進行選取 然后確定補栽順序 以保證移栽機械 臂的運動路徑最短 圖 2 50穴孔穴盤示意圖 Fig 2 Diagram of 50 hole plug tray 目前工程上主要采用固定順序法 7 Common Sequence Method CSM 進行移缽作業(yè) 從移栽穴盤中按從上往 下 從左至右的順序取苗 再將缽苗按從上至下 從右 至左的順序移入到目的穴盤的空穴中去 而不對移缽路 徑進行比較選擇 目的穴盤中劣質(zhì)缽苗是隨機分布的 剔除后的空穴 需要進行補栽 移栽穴盤中健康缽苗具有多選擇性 因 此 移栽穴盤中健康缽苗向目的穴盤中的空穴補栽時 存在多種移缽路徑 假設(shè)移栽穴盤內(nèi)可供移栽的健康缽 苗為 N 1 株 目的穴盤中需隨機補栽的空穴為 N 2 個 1 N 2 N 1 G 此時可 供選擇 的移缽 路徑共 有 N 1 N 2 N 1 N 2 種 移栽機械臂在不同路徑下的運動 距離不同 移缽距離越短工作效率越高 因此有必要尋 求一條最短距離的移缽路徑 若采用普通的遍歷方法 6 尋求最短路徑 對計算機的運行速度和內(nèi)存要求很高 普通計算機難以滿足要求 有必要設(shè)計一種更合理的求 解最優(yōu)移缽路徑的方法 2 移缽路徑優(yōu)化模型構(gòu)建 免疫算法 19 20 是基于生物免疫系統(tǒng)識別抗原并產(chǎn)生 抗體對抗抗原的學(xué)習(xí)機制提出的智能算法 本文基于免 疫算法原理構(gòu)建出了 2 種移缽路徑優(yōu)化求解的免疫算法 模型 克隆選擇算法模型和免疫遺傳算法模型 2 1 基于克隆選擇算法的移缽路徑優(yōu)化模型 克隆選擇算法 Clone Selection Algorithm CSA 是 一種基于免疫系統(tǒng)的克隆選擇原理形成的搜索算法 具 有較強的全局搜索能力 21 22 針對移缽路徑優(yōu)化 設(shè)計 克隆選擇算法模型的實現(xiàn)過程如下 1 識別待優(yōu)化問題及約束條件 移缽路徑優(yōu)化問題 可以描述為 從原點出發(fā) 選取移栽穴盤中健康缽苗 依次對目的穴盤中的空穴進行補栽 補栽完成后回到原 點 要求移缽路徑距離最短 且應(yīng)保證目的穴盤中的空 穴被全部補栽 移栽穴盤中的每株健康缽苗能且只能被 移栽 1 次 移栽總量與目的穴盤中空穴數(shù)目相等 2 隨機生成抗體群 抗體規(guī)模為 M 個 每個抗體各 對應(yīng)一種可行路徑 抗體基因即路徑編碼采用實數(shù)編碼 的形式 編碼長度 length 取決于目的穴盤中待補缽苗的 數(shù)量 N 2 即 length 2 N 2 參考文獻 6 的編碼方式 按照 從左至右 從下至上的順序?qū)δ康难ūP中的空穴和移栽 穴盤中的健康缽苗依次進行編碼 如 N 1 36 N 2 4 則其 中一個抗體的編碼可表示為 4 1 9 3 12 4 36 2 3 抗體與抗原之間的親和度應(yīng)能反應(yīng)抗體與抗原的 匹配程度 本文針對移缽路徑優(yōu)化設(shè)計抗體與抗原之間 的親和度函數(shù) fit i 如公式 1 所示 1 fit len i i 1 其中 len i 代表第 i 個抗體的路徑總長 mm 4 定義親和度最大的 M 2 個抗體為成功識別抗原的 抗體 選擇這部分抗體作為克隆源依次進行克隆 每個抗 體克隆 N個 以公式 1 計算出的親和度為依據(jù) 按照輪 盤賭選擇法對克隆體進行變異操作 生成新的移缽路徑 5 比較克隆源與變異抗體的親和度 僅保留親和度 最高的抗體 即移缽路徑最短的抗體 進入新的抗體種 群 克隆抑制后種群個數(shù)減少為 M 2 個 為了增加抗體 的多樣性 擴大搜索范圍 繼續(xù)隨機生成 M 2 個新的抗 體 與克隆抑制后的抗體合并形成新的抗體群 該模型的實現(xiàn)流程如圖 3 所示 圖 3 克隆選擇算法模型流程圖 Fig 3 Flow chart of Clonal Selection Algorithm CSA model 2 2 基于免疫遺傳算法的移缽路徑優(yōu)化模型 Wang等 23 25 將免疫算子引入遺傳算法中 提出了一 種免疫遺傳算法 解決了遺傳算法的早熟收斂問題 具 有較強的尋優(yōu)能力 本文針對移缽路徑優(yōu)化 設(shè)計免疫 遺傳算法模型的實現(xiàn)過程如下 1 隨機生成抗體群 該抗體群由普通抗體和記憶細 胞組成 抗體規(guī)模為 M 個 其中普通抗體規(guī)模為 M 1 個 第 15 期 張麗娜等 溫室穴盤苗自動移缽路徑優(yōu)化 67 記憶細胞規(guī)模為 M 2 個 模型初始化時 記憶細胞庫中的 抗體與普通抗體相同 都通過隨機方式產(chǎn)生 2 計算抗體的期望繁殖率 每個抗體的期望繁殖率 exc i 由抗體與抗原的親和度 fit i 和抗體的濃度 con i 共 同決定 26 1 1 fit con exc ps 1 ps fit con M M i i i i i i i 2 式中 ps為多樣性評價參數(shù) 常取為 0 95 27 進行抗體濃度計算的前提是計算抗體與抗體之間 的親和度 免疫遺傳算法中常用基于海明距離的計算方 法 基于信息熵的計算方法和基于歐式距離的計算方 法 但以上 3 種方法均存在計算量大 路徑規(guī)劃效率低 的問題 28 且不適用于移缽路徑優(yōu)化問題 本文對抗體與抗體間親和度計算方法進行改進 采 用 R 位連續(xù)法 29 設(shè)計抗體間的親和度 S ij 計算函數(shù) 如公 式 3 所示 1 2 length ij ij R i j M S 3 式中 length 為抗體編碼長度 R ij 為抗體 i 與抗體 j 的路徑 編碼的最長公共基因個數(shù) 例如 3 個抗體的路徑編碼分別為 4 1 9 3 12 4 26 2 4 1 9 2 7 4 8 3 和 36 2 6 3 12 4 8 1 則抗體 1 與抗體 2 抗體 1 與抗體 3 抗體 2 與抗體 3的最長公共基因個數(shù)分別為 3個 4 1 9和 4 1 9 3 個 3 12 4 和 3 12 4 和 2 個 4 8和 4 8 其親和度 S 12 S 13 S 23 分別為 0 375 0 375 和 0 25 當 2 個抗體的親和度高于某個閾值 即 2 個路徑編 碼的最長公共基因個數(shù)與編碼長度的比值高于某個閾值 時 認為 2 個抗體相似 若抗體 i 與抗體 j 相似 則抗體 j 必與抗體 i 相似 故抗體相似具有對稱性 基于此 本 文采用一種基于相似濃度矩陣的抗體濃度計算方法 30 可有效減少計算量 其具體方法為 定義一個大小為 M M 的相似濃度矩陣 C C ij 代表抗 體 i 和抗體 j 的相似度 C ij 為 1 則代表抗體 i 和抗體 j 相 似 為 0 則不相似 如公式 4 相似濃度矩陣 C的第 i 行表示抗體 i 與群體中所有抗體 包括自身 的相似關(guān) 系 抗體 i 的濃度 con i 可通過公式 5 計算得到 由于 抗體相似具有對稱性 因此 C ij C ji 1 1 0 else ij ij ji T S C C 4 式中 T 為預(yù)先設(shè)定的一個閾值 本文設(shè)計 T 為一個變量 與抗體編碼長度有關(guān) 由公式 6 計算得到 2 1 con N ij j i C 5 2 length 3 T 6 分析可知 對于 C 的 M 2 個元素來說 只需計算 M M 1 2 個元素就可完成 C的計算 即抗體濃度的計算 量減少 算法的運行速度提高 3 保留精英路徑 為了避免與抗原親和度最高的抗 體因其濃度高受到抑制 導(dǎo)致最優(yōu)解丟失 采用精英保 留策略 選取與抗原親和度最高的 s個抗體放入記憶細胞 庫 然后按照抗體的期望繁殖率 選取 M 2 s 個抗體放入 記憶細胞庫 4 以式 2 計算出的期望繁殖率為依據(jù) 采用輪 盤賭選擇法對抗體進行單點交叉和變異操作 并針對移 缽路徑的特殊性進行去重和替換操作 6 得到新抗體 新 抗體與記憶庫中的精英抗體合并 形成新種群 該模型的實現(xiàn)流程如圖 4 所示 圖 4 免疫遺傳算法模型流程圖 Fig 4 Flow chart of Immune Genetic Algorithm IGA model 3 仿真試驗與結(jié)果分析 為了測試本文設(shè)計的 2 種優(yōu)化模型的有效性和工作 性能 進行移缽路徑規(guī)劃仿真試驗 仿真環(huán)境為 MATLAB R2013b 通過預(yù)試驗對一些關(guān)鍵參數(shù)進行確定 設(shè)定克 隆選擇算法模型中種群規(guī)模為 40 迭代次數(shù)為 50 變異 概率為 0 4 克隆個數(shù)為 10 個 免疫遺傳算法模型中種群 總規(guī)模為 40 其中記憶細胞庫容量為 10個 迭代次數(shù)為 50 交叉概率為 0 5 變異概率為 0 4 參考文獻 27 多樣 性評價參數(shù)為 0 95 參考文獻 6 移栽穴盤和目的穴盤 的間距設(shè)定為 100 mm 3 1 試驗方案 3 1 1 有效性驗證試驗 為驗證本文設(shè)計的 2 種優(yōu)化模型的有效性 以文獻 6 文獻 10 和文獻 11 中的 1 組經(jīng)典移缽實例進行路徑 規(guī)劃對比試驗 目的穴盤和移栽穴盤均為 50 穴孔穴盤 目的穴盤中劣質(zhì)缽苗的數(shù)量為 4 株 移栽穴盤中健康缽 苗的數(shù)量為 36 株 目的穴盤和移栽穴盤中缽苗分布如圖 5a 所示 文獻 6 文獻 10 和文獻 11 分別采用遺傳算法 蟻群算法和蛙跳算法 3 1 2 隨機對比試驗 為了進一步對比本文所設(shè)計 2 種模型與其他經(jīng)典算 法之間的優(yōu)劣性 選擇固定順序法 Common Sequence 農(nóng)業(yè)工程學(xué)報 http www tcsae org 2020 年 68 Method CSM 和遺傳算法 Genetic Algorithm GA 以路徑規(guī)劃長度和計算時間為指標展開對比試驗 其中 遺傳算法是指文獻 6 所用算法 遺傳算法涉及路徑優(yōu)化 和計算時間 而固定順序法作為最基本的移缽方法 對 于確定的移缽情況 其路徑是固定的 無需計算 不涉及 計算時間 因此在進行試驗結(jié)果對比時 固定順序法只參 與路徑規(guī)劃長度對比 不參與計算時間對比 穴盤苗補栽時 移栽穴盤和目的穴盤中的劣質(zhì)缽苗 數(shù)量 空穴數(shù) 是隨機的 在穴盤規(guī)格的 5 20 范圍 內(nèi) 6 位置也是隨機分布在穴盤中的 選取 50 72 和 128 穴孔穴盤進行移缽路徑規(guī)劃仿真試驗 目的穴盤和移栽 穴盤的規(guī)格一致 移缽數(shù)量人為設(shè)置 位置隨機 以移 栽穴盤內(nèi)健康缽苗全部移完為 1 組試驗 1 個移栽穴盤約 向 5 10 個目的穴盤進行補栽 各組試驗中均進行多次 路徑規(guī)劃 將多次路徑規(guī)劃長度和計算時間累加作為各 組試驗的結(jié)果 3 種規(guī)格的穴盤分別進行 5 組試驗 每組 試驗的移缽數(shù)量如表 1 所示 如表 1 所示 50 穴孔穴盤 的第 1 組試驗中 移栽穴盤中健康缽苗的數(shù)量為 41 株 共向 5 個目的穴盤進行了補栽 50 穴孔穴盤的第 2 組試 驗中 移栽穴盤中健康缽苗的數(shù)量為 43 株 共向 6 個目 的穴盤進行了補栽 因 128 穴孔穴盤含缽苗數(shù)量多 計算量大 迭代次 數(shù)為 50 時 2 種優(yōu)化模型的收斂曲線不平穩(wěn) 路徑規(guī)劃長 度仍有較大優(yōu)化空間 故本試驗中將迭代次數(shù)設(shè)置為 80 表 1 隨機對比試驗的移缽數(shù)量 Table 1 Number of transplanted seedlings of random comparison tests 目的穴盤序號 Objective plug tray No 穴盤規(guī)格 Plug tray size 試驗組 Test groups 1 2 3 4 5 6 7 8 9 10 總計 Total 1 10 8 9 8 6 41 2 8 5 6 4 10 10 43 3 3 7 9 6 5 5 10 45 4 3 4 4 5 6 7 8 10 47 50 穴孔 50 hole 5 10 8 7 7 9 3 5 49 1 9 14 8 10 5 12 58 2 10 4 9 7 11 13 6 60 3 12 5 8 14 6 5 5 7 62 4 4 9 7 11 13 6 8 6 64 72 穴孔 72 hole 5 8 11 5 7 6 9 12 8 66 1 26 15 9 5 14 16 7 10 102 2 7 13 6 25 8 18 11 12 6 106 3 9 6 14 21 15 17 20 8 110 4 10 17 6 22 8 16 11 18 6 114 128穴孔 128 hole 5 13 9 22 7 6 12 14 20 8 7 118 注 表示移栽穴盤中健康缽苗已被移完 目的穴盤補栽結(jié)束 Note means that all healthy seedlings in transplant tray had been transplanted and objective plug tray replanting had been done 3 2 仿真試驗結(jié)果與分析 3 2 1 有效性驗證試驗結(jié)果與分析 表 2 為有效性驗證試驗結(jié)果 由表 2 可知 2 種模型 得到的最優(yōu)路徑長度均為 2 914 mm 略優(yōu)于遺傳算法 與蟻群算法和蛙跳算法的規(guī)劃效果一致 克隆選擇算法 免疫遺傳算法 遺傳算法和蟻群算法的平均計算時間分 別為 0 61 0 24 0 65 和 0 54 s 克隆選擇算法與遺傳算 法的計算時間相近 免疫遺傳算法明顯優(yōu)于遺傳算法和 蟻群算法 且優(yōu)于基于克隆選擇算法 表明本文所設(shè)計 的 2 種模型均能有效完成路徑規(guī)劃 且路徑規(guī)劃效果較 好 圖 5 為本文設(shè)計的 2 種優(yōu)化模型的路徑規(guī)劃結(jié)果和 收斂曲線 由圖 5 可知 在該組試驗中 本文所設(shè)計的 2 種模型均能在 50代內(nèi)快速收斂 規(guī)劃的路徑長度較穩(wěn)定 表明 2 種模型性能穩(wěn)定 表 2 不同算法下經(jīng)典移缽實例的仿真結(jié)果對比 Table 2 Simulation results comparison of classic case of seedling transplanting in different algorithms 算法 Algorithms 最優(yōu)路徑長度 Optimal path length mm 平均計算時間 Average calculation time s CSM 3 004 GA 2 930 0 65 ACO 2 914 0 54 SFLA 2 914 CSA 2 914 0 61 IGA 2 914 0 24 注 CSM 指固定順序法 GA 指文獻 6 的遺傳算法 ACO 指文獻 10 的蟻 群算法 SFLA 指文獻 11 的蛙跳算法 CSA 指本文的克隆選擇算法 IGA 指本文的免疫遺傳算法 指文獻中無此數(shù)據(jù) Note CSM refers to the Common Sequence Method GA refers to the Genetic Algorithm used in literature 6 ACO refers to the Ant Colony Algorithm used in literature 10 SFLA refers to the Leapfrog Algorithm used in literature 11 CSA refers to the Clone Selection Algorithm model designed in this paper IGA refers to the Immune Genetic Algorithm model designed in this paper refers to the data not mentioned in the literatures 3 2 2 隨機對比試驗結(jié)果與分析 圖 6 為 50 72 和 128 穴孔穴盤仿真試驗的路徑規(guī)劃 長度對比 由圖 6 可知 在 3 種規(guī)格穴盤的各組試驗中 克隆選擇算法模型和免疫遺傳算法模型路徑規(guī)劃長度相 近 相比于固定順序法和遺傳算法模型明顯縮短 根據(jù) 試驗結(jié)果 進一步計算得到固定順序法 遺傳算法模型 克隆選擇算法模型和免疫遺傳算法模型在 50穴孔穴盤仿 真試驗的路徑規(guī)劃長度總計分別為 191 843 179 910 174 750 和 174 755 mm 在 72 穴孔穴盤仿真試驗的路徑 規(guī)劃長度總計分別為 265 065 249 880 241 433 和 243 419 mm 128 穴孔穴盤仿真試驗的路徑規(guī)劃長度總計 分別為 460 623 436 155 416 053 和 416 310 mm 對比 可知 在 3 種規(guī)格的穴盤仿真試驗中 各算法模型按照 路徑規(guī)劃長度從小到大的順序均為 克隆選擇算法模型 免疫遺傳算法模型 遺傳算法模型 固定順序法 其中 本文設(shè)計的 2 種模型的路徑規(guī)劃長度相近 相比于另外 2 個模型明顯縮短 尤其是 128 穴孔穴盤 克隆選擇算法 模型和免疫遺傳算法模型相比固定順序法分別最大可縮 短 9 68 和 9 62 相比遺傳算法模型分別最大可縮短 4 61 和 4 55 固定順序法并未對移缽路徑進行比較選擇 故路徑 長度最長 遺傳算法對特征信息利用不足 新生成的子 代個體路徑編碼可能發(fā)生突變 性能劣于父代個體 因 此移缽路徑優(yōu)化效果差 克隆選擇算法的克隆選擇和克 隆抑制操作 保證了迭代過程是趨于向更短移缽路徑收第 15 期 張麗娜等 溫室穴盤苗自動移缽路徑優(yōu)化 69 斂的方向進行的 故具有較好的路徑優(yōu)化能力 免疫遺 傳算法模型將移缽路徑最短的抗體保留至記憶細胞庫 也保證了迭代是趨于向更短移缽路徑收斂的方向進行 的 且對路徑的產(chǎn)生進行促進或抑制操作 保證了抗體 路徑編碼的多樣性 避免了局部收斂 因此也具有較好 的路徑優(yōu)化能力 圖 5 經(jīng)典移缽實例的仿真結(jié)果及對比 Fig 5 Simulation results and comparison of classic case of seedling transplanting 圖 6 不同規(guī)格穴盤仿真試驗的規(guī)劃路徑長度對比 Fig 6 Comparison of planned path length for different size plug trays based on simulation tests 圖 7 為 50 72 和 128 穴孔穴盤仿真試驗的路徑規(guī)劃 計算時間對比 由圖 7可知 在 3種規(guī)格穴盤的各組試驗 中 相比于遺傳算法模型 免疫遺傳算法模型的計算時間 明顯減少 但克隆選擇算法模型的計算時間卻增加 免疫 遺傳算法模型路徑規(guī)劃效率較高 根據(jù)試驗結(jié)果 進一步 計算得到遺傳算法模型 克隆選擇算法模型和免疫遺傳算 法模型在 50 穴孔穴盤仿真試驗的計算時間總計分別為 11 89 21 48和 9 42 s 在 72穴孔穴盤仿真試驗的計算時 間總計分別為 15 64 27 93和 12 13 s 128穴孔穴盤仿真 試驗的計算時間總計分別為 48 27 84 00和 34 04 s 對比 可知 在 3 種規(guī)格穴盤仿真試驗中 3 種算法模型按照計 算時間從小到大的順序為 免疫遺傳算法模型 遺傳算法 模型 克隆選擇算法模型 本文設(shè)計的免疫遺傳算法模型 的計算時間相比遺傳算法明顯減少 尤其是 128穴孔穴盤 最大可減少 29 48 但克隆選擇算法模型的計算時間最 長 路徑規(guī)劃效率比免疫遺傳算法模型低 圖 7 不同規(guī)格穴盤仿真試驗的計算時間對比 Fig 7 Comparison of calculation time for different size plug trays 本文在設(shè)計免疫遺傳算法模型時引用相似濃度矩陣 的方式計算抗體濃度 避免了許多重復(fù)性的計算 因此 能夠有效減少計算時間 克隆選擇算法模型的克隆復(fù)制 和克隆抑制操作 相比于免疫遺傳算法和遺傳算法模型 增大了計算量 故計算時間長 仿真試驗表明 相比固定順序法和遺傳算法 本文 設(shè)計的克隆選擇算法模型和免疫遺傳算法模型均具有較 好的移缽路徑優(yōu)化能力 但免疫遺傳算法模型的路徑規(guī)農(nóng)業(yè)工程學(xué)報 http www tcsae org 2020 年 70 劃效率更高 4 驗證試驗 為了驗證本文設(shè)計的 2 種模型的實際工作效果 進 一步基于克隆選擇算法模型 免疫遺傳算法模型 固定 順序法 遺傳算法模型開展實際驗證試驗 缽苗移栽機 和移栽穴盤如圖 8 所示 移栽穴盤中劣質(zhì)缽苗共有 7 株 位置見圖 8b 本文以中農(nóng)富通公司培育的中華大椒苗開 展補栽試驗 苗齡為 20 d 穴盤規(guī)格為 72 穴孔 長 500 mm 寬 250 mm 為避免環(huán)境光線對識別效果的影響 對缽苗移栽機的機器視覺識別系統(tǒng)進行遮光處理 將移 栽穴盤擺放在移栽穴盤固定臺上 移栽穴盤和目的穴盤 的間距為 100 mm 選取 9 個穴盤 1 個作為移栽穴盤 8 個作為目的穴 盤 試驗前將穴盤中的劣質(zhì)缽苗剔除 移栽穴盤中的空 穴數(shù)為 7 個 目的穴盤每盤的移缽數(shù)量如表 3 所示 試 驗時 首先由機器視覺識別系統(tǒng)獲取移栽穴盤中缽苗的 坐標 然后將此穴盤擺放在移栽穴盤固定臺上 目的穴 盤在穴盤苗輸送系統(tǒng)的帶動下 經(jīng)過機器視覺識別系統(tǒng) 下方 獲取該穴盤中缽苗的坐標后停留在移栽穴盤旁邊 機器視覺識別系統(tǒng)將獲取的缽苗坐標提供給控制系統(tǒng) 控制系統(tǒng)依次利用 3 個算法模型進行路徑規(guī)劃 并控制 移缽系統(tǒng)進行補栽作業(yè) 依次對 8 個目的穴盤進行補栽 試驗時記錄每次路徑規(guī)劃長度和計算時間 根據(jù)預(yù)試驗 設(shè)定移缽系統(tǒng)的移動速度為 100 mm s 移栽機械手下降 取苗和上升的時間各為 1 s 此時移栽機的工作效果較穩(wěn) 定 記錄每個目的穴盤補栽完成所需的時間 簡稱補 栽時間 試驗結(jié)果如表 3 所示 a 缽苗移栽機 a Seedling transplanter b 移栽穴盤 b Plug tray to be transplanted 1 穴盤苗輸送系統(tǒng) 2 機器視覺識別系統(tǒng) 3 移栽穴盤固定臺 4 移缽系統(tǒng) 1 Plug seedling conveying system 2 Machine vision recognition system 3 Mounting plate of plug tray to be transplanted 4 Seedling transplanting system 圖 8 缽苗移栽機和穴盤 Fig 8 Seedling transplanter and plug tray 表 3 不同算法下穴盤苗補栽結(jié)果對比 Table 3 Comparison of plug seedling replanting result for different algorithms 路徑規(guī)劃長度 Planned path length mm 計算時間 Calculation time s 補栽時間 Replanting time s 目的穴盤序號 Objective plug tray No 移缽數(shù)量 Number of transplanted seedlings CSM GA CSA IGA GA CSA IGA CSM GA CSA IGA 1 4 2 705 2 545 2 607 2 569 0 36 0 75 0 30 43 05 42 05 42 44 41 99 2 8 5 271 4 768 4 422 4 445 0 46 0 90 0 35 84 71 76 91 77 35 76 80 3 9 5 768 5 718 5 416 5 213 0 46 0 89 0 38 93 68 88 59 89 02 88 51 4 10 7 916 7 795 7 756 7 714 0 46 0 85 0 38 119 16 117 60 117 99 117 52 5 7 5 781 5 436 5 022 5 203 0 35 0 68 0 30 85 81 80 39 80 72 80 34 6 10 9 428 9 019 8 434 8 378 0 43 0 73 0 36 134 28 124 22 124 52 124 15 7 11 10 026 9 783 9 364 9 571 0 44 0 62 0 39 144 26 140 15 140 33 140 10 8 6 6 103 5 745 5 954 5 849 0 27 0 44 0 26 85 03 82 77 82 94 82 76 總計 Total 65 52 998 50 807 48 977 48 945 3 23 5 86 2 72 789 98 752 68 755 31 752 17 由表 3 可知 固定順序法 遺傳算法模型 克隆選 擇算法模型和免疫遺傳算法模型的路徑規(guī)劃長度總計分 別為 52 998 50 807 48 977 和 48 945 mm 4 種方法的 路徑規(guī)劃長度 從小到大的順序為 免疫遺傳算法模型 克隆選擇算法模型 遺傳算法模型 固定順序法 其中 免疫遺傳算法模型和克隆選擇算法模型的路徑規(guī)劃長度 相近 相比固定順序法分別縮短 7 65 和 7 59 相比遺 傳算法模型分別縮短 3 66 和 3 60 遺傳算法模型 克 隆選擇算法模型和免疫遺傳算法模型的計算時間分別為 3 23 5 86 和 2 72 s 免疫遺傳算法模型的計算時間相對 遺傳算法減少 15 79 克隆選擇算法模型的計算時間最 長 路徑規(guī)劃效率較低 8 個目的穴盤總計補栽 65 株健 康缽苗 固定順序法 遺傳算法模型 克隆選擇算法模 型和免疫遺傳算法模型的補栽時間總計分別為 789 98 752 68 755 31 和 752 17 s 4 種方法的補栽時間 從小 到大的順序為 免疫遺傳算法模型 遺傳算法模型 克 隆選擇算法模型 固定順序法 固定順序法雖然無需計 算時間 但是其路徑規(guī)劃長度最大 移栽機械手的執(zhí)行 時間最長 導(dǎo)致移栽時間最長 使用免疫遺傳算法模型 時 計算時間總計僅為 2 72 s 路徑規(guī)劃效率較高 驗證 試驗表明 本文設(shè)計的 2 種模型的實際工作效果與仿真 試驗結(jié)果基本一致 免疫遺傳算法模型具有較好的移缽第 15 期 張麗娜等 溫室穴盤苗自動移缽路徑優(yōu)化 71 路徑優(yōu)化能力 且路徑規(guī)劃效率更高 本文進行補栽試驗時 設(shè)置移栽穴盤和目的穴盤的 規(guī)格一致 在實際應(yīng)用中 存在移栽穴盤和目的穴盤的 規(guī)格不一致的情況 本文設(shè)計的 2 種模型均可適用于這 種情況 只需要缽苗移栽機的機器視覺識別系統(tǒng)分別獲 取移栽穴盤和目的穴盤中缽苗的坐標 控制系統(tǒng)即可利 用本文設(shè)計的模型進行路徑規(guī)劃 5 結(jié) 論 為了改善移栽機進行缽苗補栽時的路徑規(guī)劃效果 本文基于免疫算法設(shè)計了克隆選擇算法和免疫遺傳算法 2 種適合求解移缽路徑優(yōu)化問題的模型 以固定順序法和 遺傳算法為對比對象 選取 50 72 和 128 穴孔穴盤進行 移缽路徑規(guī)劃仿真試驗 并選取 72 穴孔穴盤進行實際驗 證試驗 得到如下主要結(jié)論 1 本文設(shè)計的克隆選擇算法模型和免疫遺傳算法模 型均能有效優(yōu)化移缽路徑 該 2 種模型路徑規(guī)劃長度相 近 相比于固定順序法和遺傳算法模型明顯縮短 實際 驗證試驗中 1 個移栽穴盤向 8 個目的穴盤進行了實際補 栽 固定順序法 遺傳算法模型 克隆選擇算法模型和 免疫遺傳算法模型的路徑規(guī)劃長度分別為 52 998 50 807 48 977 和 48 945 mm 克隆選擇算法模型和免疫遺 傳算法模型相比固定順序法分別縮短 7 59 和 7 65 相 比遺傳算法模型分別縮短 3 60 和 3 66 2 免疫遺傳算法模型具有較高的路徑規(guī)劃效率 而 克隆選擇算法模型的路徑規(guī)劃效率較低 實際驗證試驗 中 遺傳算法模型 克隆選擇算法模型和免疫遺傳算法 模型的計算時間分別為 3 23 5 86 和 2 72 s 免疫遺傳算 法模型的計算時間相對遺傳算法減少 15 79 本文設(shè)計的免疫遺傳算法模型不僅能有效優(yōu)化移缽 路徑 而且規(guī)劃效率更高 可作為后續(xù)溫室穴盤苗機械 化批量補栽的路徑規(guī)劃控制基礎(chǔ) 本文仿真和實際試驗 中均以同規(guī)格的穴盤苗為補栽對象 對于其他規(guī)格的溫 室穴盤苗移缽路徑優(yōu)化 使用本文模型時 只需根據(jù)實 際需要傳入缽苗的坐標即可 參 考 文 獻 1 李其昀 機械化育苗移栽的現(xiàn)狀與展望 J 農(nóng)機化研究 2006 28 3 26 27 Li Qiyun The present status and development tendency of bowl rear transplanting mechanization J Journal of Agricultural Mechanization Research 2006 28 3 26 27 in Chinese with English abstract 2 Ryu K H Kim G Han J S Development of a robotic transplanter for bedding plants J Journal of Agricultural Engineering Research 2001 78 2 141 146 3 張麗華 邱立春 田素博 穴盤苗自動移栽機的研究進展 J 農(nóng)業(yè)科技與裝備 2009 185 5 28 31 Zhang Lihua Qiu Lichun Tian Subo Progress in the research of manipulator of transplanting potted tray seedlings J Agricultural Science Technology and Equipment 2009 185 5 28 31 in Chinese with English abstract 4 馮青春 王秀 姜凱 等 花卉幼苗自動移栽機關(guān)鍵部件 設(shè)計與試驗 J 農(nóng)業(yè)工程學(xué)報 2013 29 6 21 27 Feng Qingchun Wang Xiu Jiang Kai et al Design and test of key parts on automatic transplanter for flower seedling J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2013 29 6 21 27 in Chinese with English abstract 5 張振