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详解.pptxVIP

基于个体优势遗传算法的水稻生长模型参数优化研究 国家大学生创新项目答辩 2014年5月14日 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 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 研 究 意 义 水稻生长发育内在规律 理论概括 量化分析 作物生长模型 遗传算法 耦合 简化模型参数估计过程 优化 实现模型参数的 自动率定 √ 调参 软件 工具 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 个体优势遗传算法简介 IAGA算法改进了GA算法的种群更新策略，利用传统遗传操作和个体优势算子协作完成种群更新。 算法核心是通过在种群更新过程中增加优势个体多样性来强化对精英个体信息的利用；同时为个体变异操作添加方向指导信息，加快收敛速度。 （Individual Advantages Genetic Algorithm，IAGA） 现状分析 水稻生育期模型 扩展 水稻生长 模型 模拟过程复杂度变大 模拟过程扩展 待优化目标变量个数增加 模型遗传参数个数增加 水稻生长 模型 IAGA算法 水稻生长 模型 耦合 ？ 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 基于IAGA算法的水稻生长模型参数优化方法研究 确定多目标变量，设计目标函数和适应度函数形式 水稻生长模拟过程的扩展对模型参数优化效果的影响研究 研 究 内 容 水稻生育期模拟过程 水稻光合生产子过程 干物质分配 模拟 子过程 模型遗传参数收敛性 基于IAGA的遗传参数优化适应性研究 确定参数调参的实测数据量大小对模型参数优化效果的影响。 设计开发基于个体优势遗传算法的水稻生长模型 参数优化软件系统 实现多格式数据文件的录入与管理 实现遗传参数和调参日志的保存与查询 实现遗传参数自动估算 实现模型数据的图表查询等功能 研 究 内 容 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 基于个体优势遗传算法的水稻生长模型参数优化方法 研 究 成 果 IAGA算法与水稻生长模型耦合框架图 决策变量及其约束范围的确定 研 究 成 果 代码 描述（单位） 取值范围 TS 温度敏感性 [2,6] PS 光周期敏感性 [0,20] FDF 灌浆期因子 [0.58,1] IE 品种基本早熟性 [0.13,1] TO 最适温度(℃) [27,31] HI 收获指数 [0.45-0.55] LAI LAI相对生长速率 [0.005-0.0085] AMX 最大光合速率(kgCH2Oha-1h-1) [40-60] RG 生长呼吸系数 [0.2-0.4] Pb 单位根长的N潜在吸收速率 [0.45-5] DMI 土壤矿化率 [1.5-2.5] TCNC 植株临界含N率 [4,7] 目标变量的选取 选取与生育期子模型相关的物候期天数，还相应地选择了模型输出中与其它两个子模型密切相关的各器官生物量（茎鞘、叶、穗）、叶面积指数（LAI）等。 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。 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 研 究 成 果 研 究 成 果 函数 全局最优解 平均值 收敛次数 f1 0 4.22E-10 100 f2 4.7 4.6999999999 100 f3 1 1.0 100 f4 1 0.9999999999 100 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5～10 月在江苏省南京市农林局江宁试验站(31°56′N, 118°