SRT结题-基于个体优势遗传算法的水稻生长模型参数优化研究优质PPT.pptx

SRT结题-基于个体优势遗传算法的水稻生长模型参数优化研究优质PPT.pptx

《SRT结题-基于个体优势遗传算法的水稻生长模型参数优化研究优质PPT.pptx》由会员分享，可在线阅读，更多相关《SRT结题-基于个体优势遗传算法的水稻生长模型参数优化研究优质PPT.pptx（39页珍藏版）》请在冰点文库上搜索。

,研究成果,目标函数及适应度函数设计,将极小化目标函数映射为求解最大值形式,目标函数设计：

本研究选取了生育期、生物量和产量三个模型较重要的输出结果作为决策变量。

由于决策变量单位的不同，单纯使用RMSE的计算方法使得目标函数的结果不是一个数量级，需采取归一化处理。

=+,=,实测值模拟值样本数量,方案一：

对应的适应度函数设计（目标加权）：

目标函数及适应度函数设计,惩罚函数设计惩罚条件：

某一物候期的模拟误差超过6天，或各器官生物量的模拟误差超过10%时，认为该套参数模拟效果极差。

惩罚措施：

将其目标函数值增大一倍继续搜索，从而降低种群中不符合约束条件个体的竞争力。

研究成果,基于个体优势遗传算法的水稻生长模型参数优化算法性能测试与分析IAGA收敛性分析1=1001222+112，1,，25,52=12+220.3cos30.4cos3+4，x，y1,13=0.5sin212+22.510.00112+22，2,24=cos51cos520.0001（12+22），2.048,2.048,研究成果,研究成果,IAGA算法对4个测试函数100次实验的实验结果,分析试验结果，算法迭代停止时所有测试函数的目标函数平均值都非常接近全局最优解，收敛次数均为100次。

从以上分析可知，IAGA算法具有很好的收敛速度和寻优能力。

试验将f1作为测试函数，适应度1/（1+f1）（全局最优解对应的适度为1），统计算法每一代种群的最高适应度平均值。

实验设计,实验对象：

RiceGrow水稻模型实验数据：

研究采用2007和2008年510月在江苏省南京市农林局江宁试验站（3156N,11859E）进行的生理生态试验数据，供试水稻品种为松散型品种两优培九，试验设3个供氮水平,氮肥（尿素,含N46.4%）用量分别为110、220和330kgNhm2。

小区面积27m2,5月24日播种,6月29日移栽。

生育期实测数据：

包括播种期、移栽期、抽穗期、成熟期。

生物量实测数据：

包括从播种到成熟过程中六组采样的结果。

产量实测数据,实验设计,不同适应度函数优化效果对比实验；

实验目的：

为了研究两种不同适应度函数形式对算法优化效果的影响。

参数优化方法验证实验；

检验优化算法是否能够优化出各参数之前选定的真值。

水稻生长模型参数优化研究；

初步将IAGA算法应用到整个生长模型，验证算法收敛性不同目标变量的选取对优化效果的影响；

为了研究不同目标变量的选取对算法模拟效果的影响。

调参数据量对耦合算法优化效果的影响；

检验参数优化结果与最优参数组合的相对误差。

评价标准：

NRMSE=12/,不同适应度函数优化效果对比实验通过对两种适应度形式进行对比研究，发现第一种形式收敛性差，第二种形式收敛性好。

收敛性分析对比图,实验一,从图中可以看出：

第一种形式下有9次实验适应度值在90-120范围内，有1次效果较好达到了180附近。

可能原因是算法在200代内没有找到全局最优解。

第二种形式下10次实验的适应度函数值都在0.9附近，收敛性好。

参数优化方法实验,实验二,误差平均值,大部分参数的优化效果较好，相对误差小于7%，认为利用IAGA算法进行RiceGrow模型参数优化方法可行。

十组实验得到的各参数与初值之间相对误差的平均值,生成模拟数的初始参数值,生成了1994-1996年的模型模拟数据，并在每年模拟数据中选取9个采样日期的各目标变量作为模拟实测数据。

水稻生长模型参数优化研究采用2008年南京江宁两优培九品种三种氮素水平下的抽穗期和成熟期实测数据以及地上部生物量实测值进行验证,RiceGrow模型各品种参数,实验三,试验获得的两优培九品种模型参数，均在相应参数范围内。

RiceGrow模型下验证结果茎蘖生物量、叶生物量、穗生物量的NRMSE分别为21.96%，36.22%，5.86%和40.32%。

其中穗生物量的模拟效果最好，表明观测值和模拟值之间具有高吻合度，利用IAGA算法能获得较好的水稻生长模型参数值。

不同目标变量的选取对优化效果的影响两组对比实验：

第一组，选取前五个目标量（不含LAI）进行调参；

第二组：

选取六个目标量（包括LAI）进行调参；

选取不同目标变量进行调参后的NRMSE（%）对比,实验四,第二组的茎蘖生物量和叶生物量的NRMSE略高于第一组，但其它目标量的模拟效果都显著优于第一组实验。

所以，当选取六个目标量进行参数优化时，所得参数能更好地模拟模型目标量，拟合效果增强。

调参数据量对耦合算法优化效果的影响在RiceGrow水稻生长模型下，取一套最优参数组合正向生成两优培九三年和六年模型模拟实测值，利用其作为调参数据进行参数优化，检验参数优化结果与最优参数组合的相对误差。

不同调参量下算法优化结果随着调参数据量的增加，优化参数相对误差并没有大幅度影响，说明调参数据量的增加对耦和算法优化效果仍然很好。

实验五,基于个体优势遗传算法的水稻生长模型参数优化系统系统结构,研究成果,系统功能,研究成果,系统演示案例,研究成果,驱动数据加载界面,研究成果,模型参数加载,研究成果,模拟运算,研究成果,数据查询与保存,研究成果,方案保存与加载,汇报内容,研究意义研究背景研究内容研究成果存在问题未来展望,本研究中对通过目标加权法构造的适应度函数中的各个目标变量默认具有相同的目标权重。

但在模型的实际应用中，不同发育时期模型模拟重点不同，各目标函数权重应动态变化。

调参结果中出现了异参等效的现象，出现该现象的原因主要有以下两个方面：

一是由于实测数据的限制，多套参数均能很好地模拟有限样本个数的实测值；

二是选择的目标变量无法约束某些品种参数，需要进一步针对目标变量和决策变量进行约束性分析。

存在问题,汇报内容,研究意义研究背景研究内容研究成果存在问题未来展望,IAGA除了应用于作物生长模型，也可应用于更多的实际应用领域。

未来展望,ThankYou,谢谢指导,