[发明专利]基于粒子群算法的循环农业多目标种养规模分配优化方法

权利要求书

1.基于粒子群算法的循环农业多目标种养规模分配优化方法，其特征是：该方法由以下步骤实现：

步骤一、根据农业资源与农田环境构建循环农业生产理想模型，所述理想模型包括生猪养殖系统、玉米种植系统、堆肥系统和农田土壤系统；

步骤二、选取循环农业生产理想模型的耦合度评价参数，所述评价参数包括经济效益数据和氮平衡数据；

步骤三、根据步骤一构建的循环农业生产理想模型和步骤二选取的评价参数，建立农业生产资料与经济效益数据的关联；

所述生猪养殖系统关联经济效益数据包括生猪支出f(X_养殖规模)和生猪收益g(X_养殖规模)；

生猪支出f(X_养殖规模)用下式表示为：

f(X_养殖规模)＝＝(a_猪仔+a_物资+a_人工成本+a_谷粒饲料)·X_养殖规模+f(X_外购饲料)

式中，a_猪仔、a_物资、a_人工成本、a_谷粒饲料分别为每头猪投入的猪仔、消耗物资、人工成本以及玉米加工饲料，f(X_外购饲料)为生猪外购饲料支出，X_养殖规模为生猪养殖系统的规模；

生猪收入为g(X_养殖规模)源自商品猪出售获得商品猪总收益A_收益，采用下式表示为：

g(X_养殖规模)＝A_收益＝a_收益·X_养殖规模

式中，a_收益为平均每头商品猪的收益；

所述玉米种植系统关联经济效益数据包括玉米支出f(X_种植规模)和玉米收益g(X_种植规模)；玉米支出f(X_种植规模)用下式表示为：

f(X_种植规模)＝(b_种子+b_农药+b_其他费用+b_人工)·X_种植规模

式中，b_种子、b_农药、b_其他费用、b_人工分别为单位面积种植玉米的种子、农药、玉米种植生产的开销以及人工，X_种植规模为玉米种植系统的规模；

玉米收入g(X_种植规模)为产出的谷粒秸秆和根系完全投入循环，无直接经济收入，即g(X_种植规模)＝0；

步骤四、根据步骤一构建的理想模型和步骤二选取的评价参数，建立农业生产资料与氮平衡数据的关联；

设定堆肥系统中氮肥完全供给玉米种植系统氮肥的平衡，即：

[(n_粪+n_尿)·X_养殖规模+n_秸秆X_种植规模]～(n_谷粒+n_秸秆)·X_种植规模

式中，n_粪、n_尿为每头猪生命周期内产出粪尿中含氮量；n_谷粒、n_秸秆为单位面积谷粒和秸秆内含氮量；

生猪养殖系统的氮平衡：

(n_商品猪+n_粪+n_尿)·X_养殖规模～(n_谷粒饲料·X_种植规模+n_饲料·X_外购饲料)+n_猪仔·X_养殖规模

其中，n_商品猪每头商品猪体内所含氮量，n_谷粒饲料为由玉米谷粒转化的谷粒饲料中氮的单位含量、n_饲料单位质量商用饲料所含氮量，n_猪仔每头猪仔体内所含氮量，玉米转化为玉米饲料氮养分无损失，则n_谷粒＝n_谷粒饲料；X_外购饲料为外购商用饲料规模；

步骤五、收集与所述循环农业生产理想模型相关的氮平衡数据与经济效益数据；

步骤六、根据步骤三建立的农业生产资料与经济效益数据的关联以及步骤五收集的经济效益数据，构建经济效益目标函数；

步骤七、根据步骤四建立的农业生产资料与氮平衡数据的关联和步骤五收集的氮平衡数据，构建氮平衡约束条件；

所述玉米种植系统平衡公式为：

{[(n_粪+n_尿)·X_养植规模·L_堆肥损失]+n_秸秆X_种植规模}·L_{水土流失氮}·S_{玉米氮吸收率}＝(n_谷粒+n_秸秆)·X_养殖规模

L_堆肥损失为堆肥损失氮，L_{水土流失氮}为水土流失氮损失，S_{玉米氮吸收率}为玉米吸收氮效率，

生猪养殖系统平衡公式为：

(n_商品猪+n_粪+n_尿-n_猪仔)·X_养殖规模＝

(n_谷粒饲料·X_种植规模+n_饲料·X_外购饲料)S_{生猪养殖氮}

式中，S_{生猪养殖氮}为生猪氮有效吸收量；

步骤八、根据步骤六构建经济效益目标函数和步骤七构建氮平衡约束条件，利用粒子群优化算法，计算每个粒子的适应度值，更新每个粒子的个体最优位置和全局最优位置，以及更新粒子速度和位置，判断是否达到最优条件，实现猪生产规模与玉米种植规模的分配优化；具体过程为：

初始化种群；

位置初始化：P＝Initialize(X_Di)

速度初始化：V＝Initialize(V_1i,V_2i,V_3i)

式中，D＝3，所述生猪养殖系统的规模为X_养殖规模＝X_1i，玉米种植系统的规模为X_种植规模＝X_2i、外购商用饲料为X_外购饲料＝X_3i；V_1i,V_2i,V_3i,分别对应粒子速度X_1i,X_2i,X_3i,的初始速度；

将目标函数与约束条件转化为适应度函数：

S_fitness＝maxF(X_1i,X_2i,X_3i)

计算粒子的适应度值，根据适应度函数确定种群内每个粒子的自适应度值，更新个体极值pbest_i、全局极值gbest、惯性权重ω和加速常数c₁、c₂，并记录粒子i的个体极值位置Pbest_i＝(p_i1,p_i2,…p_iD)、种群的全局极值位置Gbest＝(g₁,g₂,…g_D)；

迭代循环，设置最大迭代次数2000，通过下式更新粒子速度与位置速度变换公式：

v_iD(t+1)＝

ω*v_iD(t)+c₁*rand*(pbest_iD-x_iD(t))+c₂*rand*(gbest_iD-x_iD(t))

位置变换公式：x_iD(t+1)＝x_iD(t)+v_iD(t)

式中，v_i为第i个粒子在t+1次迭代中第D维上的速度，rand是在0到1的随机数；迭代结束获得最优的结果为：种群的全局极值P_best和全局极值位置G_best最优。