基于授粉智能方法的作物分配农业模型

摘要

使用授粉智能方法在这项工作中考虑了作物分配的农业模型。该模型被构建为解决农民的决策，在使用市场价格，已知的作物产量，种植期间产生的成本以及种植的成本以及可用的土地总量的批次，以及可用的土地总量。在这项工作中还介绍了一种新的成群质训练方法，以解决设计的模型。还呈现了一种改进的授粉智能算法的花授粉算法，使用迭代方案来覆盖花授粉算法中的开关参数，并用于解决设计的模型。A.case study of a farmer in Ife, Osun State, Nigeria, was used to implement the model, and the results obtained suggested that instead of allocating crops to land randomly based on farmer’s intuition, cost of planting, yield of crops, and market price were factors that must be considered by farmers for optimal profit before planting crops.

1.介绍

农业在人类生活中的作用不能一扫而光，因为农业实践有助于提供就业机会、工业用原材料的供应、农业国家的创收等等。像尼日利亚这样的一些国家，在1956年发现石油后曾一度将国家经济从农业中转移出去，但由于最近石油价格的下跌，这些国家近年来重新审视并对农业实践产生了浓厚的兴趣。对沙特阿拉伯这样的国家来说，农业项目主要通过灌溉过程获得资助，以帮助改善该国的种植活动，这对该国经济的增长起到了巨大的帮助。值得注意的是，农业是经济增长的因素之一，这需要给予适当的重视。土地作为一种生产要素在农业实践中起着至关重要的作用，农民在选择特定时期种植的作物以及种植所需的土地数量时始终面临决策问题，尽管这一过程已被用于将作物分配给土地，但这并不是最佳保证。因此，对于农民来说，选择种植作物和分配种植面积仍然是一个巨大的挑战。为此，在一块土地上种植作物之前，必须考虑提高利润最大化的因素，如作物产量、天气条件、受市场规模和需求影响的作物价格、政府对某些作物的政策、病虫害和土壤肥力，这与农业农场管理有关，因为分配给小种植空间的作物最终可能是最高产的，在一个农民或一群农民种植的其他选定作物中产生巨大利润[1.］.由农民进行的农场管理由Dillon定义[2.]作为农场经理在尝试不到完整信息时操纵资源和情况的过程，以实现他或她的目标。为了解决这个问题，不同作者开发了许多优化模型，具体取决于他们的地理区域。第一次出现这种模型是由克里希纳完成的[3.]这项工作利用了一个印第安人定居点的已知数据，为许多关于土地分配和作物规划的研究提供了基础和动力。其他人包括基思[4.谁建议使用线性编程方法将一个地方的气候视为最大化农场规划技术中的有用工具。Campbell等人。[5.使用线性编程技术和地理信息系统设计了一种农田分配模型。Sante和Crecente [6.[Wankhade和Lunge [7.也使用线性规划方法，以及Ahmed等人[8.］.同时，使用传统的优化方法解决了这些模型中的大多数型号求解了现代优化方法。现代优化方法是用于解决优化问题的最趋势方法，并且已经应用​​于几乎所有的生活领域，包括工程，科学和财务，但少数人。其中大量这些方法是衍生自研究生物和环境因素，人类和动物活动和化学过程的算法。其中一些方法包括由HOLAND开发的遗传算法（GA）[9];由Kirkpatrick等人开发的模拟退火（SA）。[10.];差分演进方法（de）通过粗鲁和价格[11.];最近的萤火虫算法(Firefly Algorithm, FA)，是由Yang研究萤火虫的性质和它们的光产生而发展起来的算法[12.］.其他人包括Bayraktar等人的风驱动优化（WDO）。[13.]，Shi的脑风暴优化（BSO）[14.[杨的花授粉算法[15.］.

近年来，开发了一些模型来解决与作物选择和土地管理相关的问题，如Sante和Crecente的工作[6.]，Hassan等人。[16.]，Tanko等。[17.]，Nedunchezhian和Thirunavukkarasu [18.]和manos等人。[19.]. 此外，线性规划技术已被Igwe等人强调[20.]作为生产规划中资源配置的有效方法，特别是在实现增加的农业生产力方面，这一直应用于在Bamiro等人的工作中确定最佳企业组合。[21.］.像Wankhade和Lunge这样的研究人员[7.]同样利用线性规划技术，使用Simplex算法和Ahmed等人确定作物的最优分配[8.]优化沙特阿拉伯的种植模式，Majeke等。[22.]提到但是几个。如前所述，在解决土地分配问题方面尚未完全探索现代优化方法。BadArudin等。[23.]给出了一个有效的结论，即成血管方法是解决与农业和陆地分配有关的问题的良好方法。根据这一结论，我们正在寻求进一步研究上述作者的工作。在这项工作中，采用授粉智能算法开发了农业模型，以通过修改现有的成逐方法来构造并用来解决作物分配模型来实现的授粉智能算法。

2.作物分配的农业模式

我们考虑一个农民或一群农民在一个地区有很大一部分土地，比如20公顷，适合种植不同类型的作物。在考虑市场价格、该地区作物产量历史、种植成本和收获成本的同时，必须以满足该地区需求为目标，使所有作物的利润都最大化的方式使可用土地最大化。农民的决定是将他的利益最优地分配到一部分土地上耕种。 从属于

从上面的模型，目标函数方程（1.）最大限度地提高了考虑货物市场价格，农作物产量，种植庄稼的成本以及培养土地的总成本的生产。约束方程（2.)–(4.)are designed to meet the land requirement in such a way that all crops’ acreage must not be above the available land for cultivation, the crop acreage must be allocated in such a way that the farmer’s production target is met, and crop acreage must be nonnegative. Before implementing the above model, the following assumptions are made:(1)可用土地适合种植农民选定的兴趣(2)据了解，选定的作物种植在农民地区(3)农药，除草剂，肥料和灌溉的成本在整个种植期间在可变成本下进行处理

要解决此模型，杨称为花授粉算法的新类别阶级优化方法[15.]出席了会议。Yang提出的花授粉算法（FPA）[15.]具有解决不同类型的优化问题的能力，但尚未应用于解决土地分配模型。该算法基于授粉原理。花的主要目的是最终再现。花粉剂如昆虫，鸟类，蝙蝠和其他动物倾向于访问由其性质（明亮的颜色和香味）引起的开花植物。除此之外，非生物因素还可以负责花粉粒的开花植物转移，占授粉过程的10％涉及此过程。有超过2000美元的粉刷队员，他们往往随机移动。基于花授粉的这种特征，杨[15.]开发的花授粉算法（FPA）。为简单起见，使用了以下规则：(1)生物传粉和异花传粉可以看作是一个全局传粉过程，携带花粉的传粉者沿着服从Lévy飞行的随机方向移动(2)利用自花授粉和非生物因素推广本地授粉(3)昆虫如昆虫的花粉恒定可以开发花恒定，这相当于与所涉及的两朵花的相似性成比例（4）局部授粉和全局授粉的切换可以通过一个切换概率来控制 ,对当地授粉有轻微偏见

从实现的角度来看，需要一组更新公式来将规则转换为更新方程。在全球授粉中，花粉配子被昆虫如昆虫的粉化剂携带，花粉可以在长距离中行进，因为昆虫通常可以在更长的范围内飞行和移动。规则1和花恒定可以表示如下： 在哪里是花粉或溶液矢量在迭代和是在当前代/迭代的所有解决方案中找到的当前最佳解决方案。该参数是否与粉丝器的强度相对应，这基本上是阶梯尺寸。由于昆虫可能会长途移动，因此Lévy飞行旨在有效地模仿这种特性。

L> 0取自Lévy分布: 在哪里是标准的伽玛功能，这个分布有效地适用于大步 ．

规则2和规则3可以表示为： 在哪里和是来自同一植物种类的不同花粉的花粉。这基本上模仿了有限邻居的花卉常量。数学上，如果和来自花型或选中相同的人口，如果我们绘制，这相当于当地随机散步从[0,1]的均匀分布。虽然在所有尺度上都可能发生花授粉活动，但在遥远的邻域内的本地和全球性，邻近的花斑或鲜花中都可能被当地授粉。为了模仿这一点，我们可以有效地使用开关概率（规则4）或接近概率在共同的全球授粉和密集的本地授粉之间切换。

2．1.授粉智能算法

花授粉算法（算法1.）仅限于切换概率，从而无法在全球或本地搜索适当的平衡。实验，设定概率 适用于大多数应用程序，因此需要增加探索的探索以及授粉剂的随机行为。为实现这一点，定义了一种迭代方案来生成值在寻找最佳解决方案的不同阶段： 在哪里 和 , ．引入这一方案的实质是要消除为的常数值在整个迭代过程中，与花授粉算法规则4中给出的内容进行比较。

Lévy飞行的步长是随机的，这导致了解的位置有很大的变化，它可以有一个长步，也可以有一个短步。因此，花授粉算法从一个完全不同的搜索范围开始搜索，可能会跳过全局最小值。为了克服这一缺点，提高探测能力，本文采用正弦余弦算子代替Lévy飞行。由Mirjalili提出的正弦余弦算法(SCA) [24.]有助于搜索搜索空间中有希望的区域，我们可以推断传粉剂往往均匀分布在搜索空间中：

在这里 , , ,和是用来拟合有希望搜索区域的参数。参数决定了可以在解决方案和目的地的空间中或其外部的下一个位置区域（或移动方向）。 ,在哪里是当前的迭代，最大迭代次数，和是一个常数。参数 定义运动应该朝向或向外的目标。参数 提供随机重量，以便为朝着最佳或远离最好的或远离最佳选择而引入的。如果是值大于1，目前的解决方案将远离最佳解决方案，而如果具有小于1的值，最佳解决方案将更靠近当前解决方案。最后，参数为[0,1]之间的随机数，用于在余弦和正弦分量之间进行切换。

使用等式（8.)替换花授粉算法（FPA）规则4中的切换概率，以及方程(9)及(10.）代替等式（5.），我们有一个改进的算法版本，称为授粉智能算法（PIA），它将与花授粉算法（FPA）和Lingo优化建模工具一起使用，以解决方程中的农业土地模型（1.)–(4.） （算法2.）。

为了实施该模型，我们使用了尼日利亚Osun州Ife的一名农民的案例研究，从该农民的农场日记和记录簿中收集了显示生产成本的数据，并将其列于表中1.–3.．众所周知，这位农民种植的作物可以在该地区种植。所选作物的产量数据是从http://www.nigeria.opendataforafrica.org.，尼日利亚中所选作物（玉米，木薯和薯类）的平均产量（kg /英亩）分别为233.695,1358.81和1282.305，所选作物的市场价格（每千克）为160,120并通过访问尼日利亚的ILE-IFE市场选择。显示出于种植的农作物成本的农民记录呈现在表格中1.–3.．

3。结果与讨论

我们使用LINGO优化器、花授粉算法(FPA)和授粉智能算法(PIA)对模型进行求解，并将所得结果与农民在玉米、木薯和山药种植3英亩土地上的作物分配和利润的直觉进行比较。结果表4.通过使用解算器和方法求解模型方程，展示了作物种植到农田的最优配置以及获得的利润。同时，所得结果见表14.表明农民在农民直觉过程之后浪费了浪费。分配给玉米和木薯的土地数量脱开，不保证所需的利润。如果在其收益率和市场价格需求的性质之后优先考虑山药，这片土地将最大化。数字1.和2.利用LINGO、FPA和PIA算法，展示了该模型根据农民的直觉选择不同作物的可用土地数量得到的作物分配和利润，以及该模型得到的最优分配。数字1.和2.确定优化的成分型方法可以最好地用于解决土地分配问题，因为作物被最佳地分配给可用的土地空间，以防止从Lingo软件获得的传统优化方法的特征。这些图的进一步结果表明，使用新开发的授粉智能算法实现了最佳的利润和分配，并将获得的解决方案分别非常接近花授粉算法的利润，分别为751,970奈拉和751,300奈拉。授粉智能算法（PIA）来自该结果的优势显示在解决模型中的其他方法上。

4.结论

在这项工作中介绍了用于分配作物的农业模型。使用Lingo，Yang的花授粉算法解决了开发的模型[15.]和一种新设计的授粉智能算法。表中的结果4.深入了解了农民决定将感兴趣的作物分配到其耕种的土地上。改进的花授粉算法称为授粉智能算法，其结果与Yang的花授粉算法得到的解相对接近[15.]并从指定的作物面积产生更多利润。值得注意的是，可以开发更多的迭代方案来扩展花授粉算法，并且可以使用具有正弦余弦运算符和Lévy飞行的相同性质的分布式功能来模仿授粉剂的运动。此外，可以推断出从结果的优化方法具有解决作物分配问题的能力，而不是使用农业管理中使用直觉过程的农民，必须在开始农业活动之前解决必要的因素。

缩写

我:	可选作物的数量
P我:	庄稼的价格我
Y我:	作物产量我
:	作物预计产量我
C我:	种植作物的可变成本我
:	固定成本培养整个土地
A.我:	被分配给作物的土地面积我
L:	可供耕种的土地总量。

数据可用性

用于支持研究结果的数据包括在文章中。

利益冲突

这项研究工作是由作者自我赞助的，其中参考资料很好地引用。关于本文的出版物没有利益冲突。

参考

1. H. Aimin，“农业的不确定性，风险厌恶和风险管理”农业和农业科学，卷。1，pp。152-156,2010。查看在：出版商网站|谷歌学术搜索
2. J.L. Dillon，“农场管理的定义”，农业经济学杂志，卷。31，不。2，pp。257-258,980。查看在：出版商网站|谷歌学术搜索
3. R. Krishna，“土地分配的最优性：旁遮普突前的案例研究”印度农业经济学杂志，第18卷，第1期，第63-73页，1963年。查看在：谷歌学术搜索
4. B. Keith，“农业线性/整数课程的实际应用”，作业研究学会CHINESE，卷。36，不。2，pp。99-107，1985。查看在：谷歌学术搜索
5. J. C. Campbell，J. Radke，J.T. Gless和R. M. Wirtshafter，“Linear编程和地理信息系统的应用：Antigua的农作物分配”，“环境与规划 - ：经济和空间，卷。24，不。4，pp。535-549,1992。查看在：出版商网站|谷歌学术搜索
6. I. Sante和R. Crecente，“对农村土地利用规划模式进行了综述，”环境和规划B：规划和设计第33卷第3期1，页165-183,2006。查看在：谷歌学术搜索
7. M. O. Wankhade和H. S. Lange，“通过线性规划方法将农业土地分配给盐水轨道的主要作物：案例研究”国际科技研究杂志，卷。1，不。9，pp。21-25,2012。查看在：谷歌学术搜索
8. M. a . Ahmed, I. a . Ahmed, and S. a . Fawzi，“使用数学规划部门模型优化沙特阿拉伯的种植模式”，农业经济学（Zemëdělskáekonomika），卷。58，不。2，pp。56-60,2012。查看在：出版商网站|谷歌学术搜索
9. JH荷兰自然和人工系统的适应，密歇根大学出版社，美国，MI，美国，1975年。
10. S. Kirkpatrick，J.Gelatt和M. Vecchi，“通过模拟退火的优化”，科学学报，卷。220，没有。4798，pp。671-680,1983。查看在：出版商网站|谷歌学术搜索
11. R. Storn和K. Price，“差分进化，连续空间上全局优化的一个简单而有效的启发式”，全球优化杂志，卷。11，不。4，PP。341-359,1997。查看在：出版商网站|谷歌学术搜索
12. X. S. Yang，自然启发了沟培算法，吕尼弗出版社，英国剑桥，2008年。
13. Z. Bayraktar，M. Komurcu和D. H. Werner，“风驱动优化：一种新的自然启发优化算法及其在电磁，”天线和传播协会的诉讼程序国际研讨会（APSURSI），第1-4页，IEEE，多伦多，加拿大，2010年7月。查看在：出版商网站|谷歌学术搜索
14. Y. Shi，“基于头脑风暴过程的优化算法”国际群体智力研究杂志，第2卷，第2期4，pp。35-62,2011。查看在：出版商网站|谷歌学术搜索
15. X.-S.杨，“全球优化的花授粉算法”非常规计算和自然计算，第7445卷，第240-2492012页。查看在：出版商网站|谷歌学术搜索
16. 我哈桑，M。A.拉扎和R。Ilahi，“使用线性规划模型确定最佳种植模式、产量和收入水平：Dera Ghazi Khan分部的案例研究，”农业与社会科学杂志，第1卷，第1813-22352005页。查看在：谷歌学术搜索
17. L. Tanko, C. E. Onyenweakwu和a . C. Nwosu，“有限资源条件下的最佳作物组合:尼日利亚Kebbi州Yauri的微观研究”，尼日利亚农业录3，卷。37，不。1，pp。1-10,2006。查看在：出版商网站|谷歌学术搜索
18. P. Nedunchezhian和M. Thirunarukkarasu，“优化不同农业系统的农场计划”，农业经济学研究综述，卷。20，pp。147-156,2007。查看在：谷歌学术搜索
19. B. Manos, J. Papathanasiou, T. Bournaris，和K. Voudouris，“在地下水合理管理的背景下规划农业区域的多标准模型”，环境管理杂志，卷。91，没有。7，PP。1593-1600,2010。查看在：出版商网站|谷歌学术搜索
20. KC伊格威，C。EOnyewakwu和S。Nwosu，“线性规划在尼日利亚阿比亚州半商业性耕地和渔业企业中的应用，”国际经济与管理科学杂志，卷。1，不。1，pp。75-81,2011。查看在：谷歌学术搜索
21. O. M.Bamiro，M. Afolabi和F. Daramola，尼日利亚卡斯瓦粮食作物养殖系统中的企业组合：来自Ogun状态的证据，“绿色农业科学杂志，第2卷，第2期1，第13-20页，2012。查看在：出版商网站|谷歌学术搜索
22. F. Majeke，J. Majeke，N.Chabuka等，“农场资源分配问题。Zimbabwe德豆腐队重新安置农民案例研究，“国际经济与管理科学，第2卷，第7期，第1-4页，2013年。查看在：出版商网站|谷歌学术搜索
23. I. Badarudin, A. M. Sultan, M. N. Sulaiman，和M. F. Mohammed，《优化农业土地的元启发式方法》，刊于2009年第二次数据挖掘和优化会议的诉讼程序，IEEE，Kajand，马来西亚，Ocotbober 2009。查看在：出版商网站|谷歌学术搜索
24. S. Mirjalili，“SCA：一种用于解决优化问题的正弦余弦算法”，“基于知识的系统，卷。96，pp。120-133,2016。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2020 C. N. Ejieji和A. E. Akinsunade。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。