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.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.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.pptx（39页珍藏版）》请在冰豆网上搜索。
基于个体优势遗传算法的水基于个体优势遗传算法的水稻生长模型参数优化研究稻生长模型参数优化研究国家大学生创新项目答辩国家大学生创新项目答辩2014201420142014年年年年5555月月月月14141414日日日日汇汇报报内内容容p研究研究意义意义p研究背景研究背景p研究研究内容内容p研究成果研究成果p存在问题存在问题p未来展望未来展望汇汇报报内内容容研究研究意义意义p研究背景研究背景p研究内容研究内容p研究成果研究成果p存在问题存在问题p未来展望未来展望研研究究意意义义水稻水稻水稻水稻生长生长生长生长发育发育发育发育内在内在内在内在规律规律规律规律理论概括理论概括理论概括理论概括量化分析量化分析量化分析量化分析气象气象气象气象土壤土壤土壤土壤品种品种品种品种管理管理管理管理作物生长模型作物生长模型作物生长模型作物生长模型遗传算法遗传算法遗传算法遗传算法耦合耦合耦合耦合简化模型简化模型简化模型简化模型参数估计参数估计参数估计参数估计过程过程过程过程优化优化优化优化实现模型参数的实现模型参数的实现模型参数的实现模型参数的自动率定自动率定自动率定自动率定调参调参调参调参软件软件软件软件工具工具工具工具汇汇报报内内容容研究研究意义意义研究背景研究背景p研究内容研究内容p研究成果研究成果p存在问题存在问题p未来展望未来展望个体优势遗传算法个体优势遗传算法简介简介lIAGAIAGAIAGAIAGA算法算法算法算法改进了改进了改进了改进了GAGAGAGA算法算法算法算法的种群更新策略，利用的种群更新策略，利用的种群更新策略，利用的种群更新策略，利用传统遗传操作传统遗传操作传统遗传操作传统遗传操作和和和和个体优势算子个体优势算子个体优势算子个体优势算子协作完成协作完成协作完成协作完成种群更种群更种群更种群更新新新新。
l算法核心算法核心算法核心算法核心是通过在种群更新过程中是通过在种群更新过程中是通过在种群更新过程中是通过在种群更新过程中增加优势个增加优势个增加优势个增加优势个体多样性体多样性体多样性体多样性来强化对精英个体信息的利用；同时来强化对精英个体信息的利用；同时来强化对精英个体信息的利用；同时来强化对精英个体信息的利用；同时为个体变异操作为个体变异操作为个体变异操作为个体变异操作添加方向指导信息添加方向指导信息添加方向指导信息添加方向指导信息，加快收敛加快收敛加快收敛加快收敛速度。
速度。
速度。
速度。
（IndividualAdvantagesGeneticAlgorithmIndividualAdvantagesGeneticAlgorithm，IAGAIAGA）现状分析现状分析水稻生育期水稻生育期水稻生育期水稻生育期模型模型模型模型扩展展水稻生水稻生水稻生水稻生长长模型模型模型模型模模模模拟过拟过程复程复程复程复杂杂度度度度变变大大大大模模模模拟过拟过程程程程扩扩展展展展待待待待优优化目化目化目化目标标变变量个数增加量个数增加量个数增加量个数增加模型模型模型模型遗传遗传参数个数增加参数个数增加参数个数增加参数个数增加水稻生水稻生水稻生水稻生长长模型模型模型模型IAGA算法算法水稻生水稻生长模型模型耦合耦合？
汇汇报报内内容容研究研究意义意义研究背景研究背景研究内容研究内容p研究成果研究成果p存在问题存在问题p未来展望未来展望基于基于基于基于IAGAIAGAIAGAIAGA算法的水稻生长模型参数优化方法研究算法的水稻生长模型参数优化方法研究算法的水稻生长模型参数优化方法研究算法的水稻生长模型参数优化方法研究确定确定确定确定多目标变量多目标变量多目标变量多目标变量，设计设计设计设计目标函数目标函数目标函数目标函数和和和和适应度适应度适应度适应度函数形式函数形式函数形式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水稻生长模拟过程的扩展对模型参数优化效果的水稻生长模拟过程的扩展对模型参数优化效果的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影响研究影响研究影响研究研研究究内内容容水稻生水稻生水稻生水稻生育期模育期模育期模育期模拟过程拟过程拟过程拟过程水稻光水稻光水稻光水稻光合生产合生产合生产合生产子过程子过程子过程子过程干物质干物质干物质干物质分配分配分配分配模拟模拟模拟模拟子子子子过程过程过程过程模型遗模型遗模型遗模型遗传参数传参数传参数传参数收敛性收敛性收敛性收敛性基于基于基于基于IAGAIAGAIAGAIAGA的遗传参数的遗传参数的遗传参数的遗传参数优化优化优化优化适应适应适应适应性研究性研究性研究性研究确定确定确定确定参数调参的参数调参的参数调参的参数调参的实测数据量实测数据量实测数据量实测数据量大小大小大小大小对模型参数优化效果的影响对模型参数优化效果的影响对模型参数优化效果的影响对模型参数优化效果的影响。
设计设计设计设计开发基于个体优势遗传算法的水稻开发基于个体优势遗传算法的水稻开发基于个体优势遗传算法的水稻开发基于个体优势遗传算法的水稻生长模型生长模型生长模型生长模型参数参数参数参数优化软件优化软件优化软件优化软件系统系统系统系统实实实实现多格式数据文件的录入与管理现多格式数据文件的录入与管理现多格式数据文件的录入与管理现多格式数据文件的录入与管理实现实现实现实现遗传参数和调参日志的保存与查询遗传参数和调参日志的保存与查询遗传参数和调参日志的保存与查询遗传参数和调参日志的保存与查询实现实现实现实现遗传参数自动估算遗传参数自动估算遗传参数自动估算遗传参数自动估算实现实现实现实现模型数据的图表查询等功能模型数据的图表查询等功能模型数据的图表查询等功能模型数据的图表查询等功能研研究究内内容容汇汇报报内内容容研究研究意义意义研究背景研究背景研究研究内容内容研究成果研究成果p存在问题存在问题p未来展望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基于个体优势遗传算法的水稻生长模型参数优化基于个体优势遗传算法的水稻生长模型参数优化基于个体优势遗传算法的水稻生长模型参数优化方法方法方法方法研研究究成成果果IAGAIAGA算法与水稻生长模型耦合框架图算法与水稻生长模型耦合框架图算法与水稻生长模型耦合框架图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决策变量及其约束范围的确定研研究究成成果果代码代码描述（单位）描述（单位）取值范围取值范围TSTS温度敏感性温度敏感性2,62,6PSPS光周期敏感性光周期敏感性0,200,20FDFFDF灌浆期因子灌浆期因子0.58,10.58,1IEIE品种基本早熟性品种基本早熟性0.13,10.13,1TOTO最适温度最适温度（）27,3127,31HIHI收获指数收获指数0.45-0.550.45-0.55LAILAILAILAI相对生长速率相对生长速率0.005-0.00850.005-0.0085AMXAMX最大光合速率最大光合速率（kgCH2Oha-1h-1）40-6040-60RGRG生长呼吸系数生长呼吸系数0.2-0.40.2-0.4PbPb单位根长的单位根长的N潜在吸收速率潜在吸收速率0.45-50.45-5DMIDMI土壤矿化率土壤矿化率1.5-2.51.5-2.5TCNCTCNC植株临界含植株临界含N率率4,74,7目标变量的选取目标变量的选取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（鞘、叶、穗）、叶面积指数（LAILAI）等）等。
研研究究成成果果目标函数及适应度函数目标函数及适应度函数设计设计作物生长模型参作物生长模型参数优化是一类求极小数优化是一类求极小值的优化问题，通过值的优化问题，通过极小化目标函数极小化目标函数来表来表达模型模拟值和实测达模型模拟值和实测值的拟合程度。
值的拟合程度。
目标函数：
目标函数：
目标函数：
目标函数：
遗传算法的适应遗传算法的适应度函数是用来判断群度函数是用来判断群体中的个体优劣程度体中的个体优劣程度的指标，的指标，适应度值大适应度值大的个体，遗传到下一的个体，遗传到下一代的机会就越大。
代的机会就越大。
适应度函数：
适应度函数：
适应度函数：
适应度函数：
将极小化目标函数映将极小化目标函数映将极小化目标函数映将极小化目标函数映射为求解最大值形式射为求解最大值形式射为求解最大值形式射为求解最大值形式目标函数设计目标函数设计目标函数设计目标函数设计：
本研究选取了本研究选取了生育期、生物量生育期、生物量和和产量产量三个模型较三个模型较重要重要的输出结果作为决策的输出结果作为决策变量。
由于决策变量单位的不同，单纯使用变量。
由于决策变量单位的不同，单纯使用RMSERMSE的计算方法使得目标函数的结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。
果不是一个数量级，需采取归一化处理。
方案一：
方案一：
方案一：
方案一：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
方案方案方案方案二：
二：
二：
二：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
对应的适应度函数设计（目标加权）：
目标函数及适应度函数目标函数及适应度函数设计设计惩罚函数设计惩罚函数设计惩罚函数设计惩罚函数设计惩罚条件：
惩罚条件：
某某一物候期的模拟误差超过一物候期的模拟误差超过66天，或各器官生物量的模拟误差超过天，或各器官生物量的模拟误差超过10%10%时，时，认为该套参数模拟效果极差认为该套参数模拟效果极差。
惩罚措施：
惩罚措施：
将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。
体的竞争力。
研研究究成成果果研研究究成成果果研研究究成成果果函数全局最优解平均值收敛次数f104.22E-10100f24.74.6999999999100f311.0100f410.9999999999100IAGAIAGA算法对算法对算法对算法对44个测试函数个测试函数个测试函数个测试函数100100次实验的实验结果次实验的实验结果次实验的实验结果次实验的实验结果分析分析试验结果，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，收敛次数均为常接近全局最优解，收敛次数均为100100次。
从以上分析可知，次。
从以上分析可知，IAGAIAGA算法具算法具有很好的收敛速度和寻优能力。
有很好的收敛速度和寻优能力。
进化代数进化代数适适应应度度平平均均值值g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式试验试验将将f1f1作为测试函数，适应度作为测试函数，适应度1/（1+f1）1/（1+f1）（全局最优解对应的（全局最优解对应的适度为适度为11），统计算法每一代种群的最高适应度平均值。
），统计算法每一代种群的最高适应度平均值。
实验设计实验设计实验对象实验对象：
RiceGrowRiceGrow水稻模型水稻模型实验数据实验数据：
研究研究采用采用20072007和和20082008年年551010月在江苏省南京市农林局江宁月在江苏省南京市农林局江宁试验站试验站（3156N,3156N,11859E）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，试验设优培九，试验设33个供氮水平个供氮水平,氮肥氮肥（尿素尿素,含含N46.4%）N46.4%）用量分别为用量分别为110110、220220和和330kgN330kgNhmhm22。
小区面积。
小区面积27m2,527m2,5月月2424日播种日播种,6,6月月2929日移栽。
日移栽。
生育期实测数据：
生育期实测数据：
包括播种期、移栽包括播种期、移栽期、期、抽穗期抽穗期、成熟期、成熟期。
生物量实测数据：
生物量实测数据：
包括从播种到成熟过程中包括从播种到成熟过程中六组六组采样的结果采样的结果。
产量实测数据产量实测数据实验设计实验设计不同适应度函数优化效果对比实验不同适应度函数优化效果对比实验不同适应度函数优化效果对比实验不同适应度函数优化效果对比实验；实验目的实验目的：
为了研究为了研究两种两种不同适应度不同适应度函数函数形式形式对对算法优化效果的影响算法优化效果的影响。
参数优化方法验证实验参数优化方法验证实验参数优化方法验证实验参数优化方法验证实验；实验目的实验目的：
检验优化算法是否能够优化出各参数之前选定的真值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水稻生长模型参数优化研究水稻生长模型参数优化研究水稻生长模型参数优化研究；实验目的实验目的：
初步将初步将IAGAIAGA算法应用到整个生长模型，算法应用到整个生长模型，验证算法验证算法收敛性收敛性不同目标变量的选取对优化效果的影响不同目标变量的选取对优化效果的影响不同目标变量的选取对优化效果的影响不同目标变量的选取对优化效果的影响；实验目的实验目的：
为了研究不同目标变量的选取对算法为了研究不同目标变量的选取对算法模拟模拟效果效果的的影响影响。
调参数据量对耦合算法优化效果的影响调参数据量对耦合算法优化效果的影响调参数据量对耦合算法优化效果的影响调参数据量对耦合算法优化效果的影响；实验目的实验目的：
检验参数优化结果与最优参数组合的检验参数优化结果与最优参数组合的相对误差相对误差。
评价标准：
不同适应度函数优化效果对比不同适应度函数优化效果对比不同适应度函数优化效果对比不同适应度函数优化效果对比实验实验实验实验通过通过对两种适应度形式进行对比研究，发现第一种对两种适应度形式进行对比研究，发现第一种形式收敛形式收敛性差性差，第二种形式第二种形式收敛性好收敛性好。
收敛性收敛性收敛性收敛性分析对比图分析对比图分析对比图分析对比图迭代次数迭代次数适适应应度度函函数数值值110192837465564738291100109118127136145154163172181190199g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式实验一实验一从从图中可以看出：
第一种形式下有图中可以看出：
第一种形式下有99次实验适应度值在次实验适应度值在90-12090-120范围内，有范围内，有11次效果次效果较好达到了较好达到了180180附近。
可能原因是算法在附近。
可能原因是算法在200200代内没有找到全局最优解。
第二种形式下代内没有找到全局最优解。
第二种形式下1010次实验的适应度函数值都在次实验的适应度函数值都在0.90.9附近，收敛性好。
附近，收敛性好。
参数优化方法参数优化方法参数优化方法参数优化方法实验实验实验实验实验二实验二TSTSPSPSFDFFDFIEIEToToHIHILAILAIAMXAMXRGRGPbPbDMIDMITCNCTCNC3.27.150.7630.31290.530.0085450.34.52.156.18参数参数IEIEPSPSTSTSFDFFDFToToHiHiLAILAIAMXAMXRGRGPbPbDMIDMITCNCTCNC误差平误差平均值均值0.160.0230.0690.6240.0140.0450.0900.0310.0310.0780.0700.059误差平均值误差平均值大部分大部分参数的优化效果较好，参数的优化效果较好，相对误差小于相对误差小于7%7%，认为利用，认为利用IAGAIAGA算法进算法进行行RiceGrowRiceGrow模型参数优化方法可行。
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十组实验得到的各参数与初值之间相对误差的平均值十组实验得到的各参数与初值之间相对误差的平均值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模拟数的初始参数值生成模拟数的初始参数值生成模拟数的初始参数值生成生成了了1994-19961994-1996年的模型模拟数据，并在每年模拟数据中选取年的模型模拟数据，并在每年模拟数据中选取99个采个采样日期的各目标变量作为模拟实测样日期的各目标变量作为模拟实测数据数据。
水稻生长模型参数优化研究水稻生长模型参数优化研究水稻生长模型参数优化研究水稻生长模型参数优化研究采用采用20082008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及地上部生物量实测值进行验证RiceGrowRiceGrow模型各品种参数模型各品种参数模型各品种参数模型各品种参数实验三实验三品种TSPSFDFIEToHILAIAMXRGPbDMIPCNC两优培九4.038026.667880.671410.7506729.418560.514120.0084844.409300.299094.175062.118034.42437叶模拟值R2=g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式第一组第二组第三组第四组第五组第六组第七组第八组第九组第十组穗模拟值穗观测值R2=g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式第一组第二组第三组第四组第五组第六组第七组第八组第九组第十组LAI模拟值LAI观测值R2=g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式第一组第二组第三组第四组第五组第六组第七组第八组第九组第十组茎蘖模拟值茎蘖观测值R2=g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式g/通用格式第一组第二组第三组第四组第五组第六组第七组第八组第九组第十组试验试验获得的两优培九品种模型参数，获得的两优培九品种模型参数，均在相应参数范围内均在相应参数范围内。
RiceGrowRiceGrow模型下验证模型下验证结果茎蘖生物量、叶生物量、穗生物量的结果茎蘖生物量、叶生物量、穗生物量的NRMSENRMSE分别为分别为21.96%21.96%，36.22%36.22%，5.86%5.86%和和40.32%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。
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高吻合度，利，利用用IAGAIAGA算法能获得较好的水稻生长模型参数值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不同目标变量的选取对优化效果的不同目标变量的选取对优化效果的不同目标变量的选取对优化效果的影响影响影响影响两组对比实验：
两组对比实验：
第一组，选取前五个目标量（不含第一组，选取前五个目标量（不含LAILAI）进行调参；）进行调参；第二第二组：
选取六组：
选取六个目标量（包括个目标量（包括LAILAI）进行调参；）进行调参；选取不同目标变量进行调参后的选取不同目标变量进行调参后的选取不同目标变量进行调参后的选取不同目标变量进行调参后的NRMSENRMSE（%）对比）对比）对比）对比实验四实验四茎蘖生物量茎蘖生物量穗生物量穗生物量叶生物量叶生物量总生物量总生物量第一组20.756.1836.2216.8842.05第二组21.965.8637.4915.3640.32第二第二组的茎蘖生物量和叶生物量的组的茎蘖生物量和叶生物量的NRMSENRMSE略高于第一组，但其它目标量的略高于第一组，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，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。
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调参数据量对耦合算法优化效果的影响调参数据量对耦合算法优化效果的影响调参数据量对耦合算法优化效果的影响在在RiceGrowRiceGrow水稻生长模型下，取一套最优参数组合正向生成两优培九水稻生长模型下，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。
参数优化结果与最优参数组合的相对误差。
不不不不同调参量下算法优化同调参量下算法优化同调参量下算法优化同调参量下算法优化结果结果结果结果随着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，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。
调参数据量的增加对耦和算法优化效果仍然很好。
实验五实验五调参数据量相对误差平均值三年六年TSPSFDFIETOHILAIAMXRGPbDMITCNC0.2530.0200.0660.7330.0290.0270.0250.0160.0610.0730.0490.0890.1610.0110.0560.2870.0110.0140.0070.0300.0300.2000.0360.127基于个体优势遗传算法的水稻生长模型参数优化基于个体优势遗传算法的水稻生长模型参数优化基于个体优势遗传算法的水稻生长模型参数优化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系统系统系统系统系统系统结构结构结构结构研研究究成成果果系统系统系统系统功能功能功能功能研研究究成成果果系统系统演示案例演示案例研研究究成成果果驱动驱动驱动驱动数据数据数据数据加载界面加载界面加载界面加载界面研研究究成成果果模型参数加载模型参数加载模型参数加载模型参数加载研研究究成成果果模拟运算模拟运算模拟运算模拟运算研研究究成成果果数据查询与保存数据查询与保存数据查询与保存数据查询与保存研研究究成成果果方案方案方案方案保存与加载保存与加载保存与加载保存与加载汇汇报报内内容容研究意义研究意义研究背景研究背景研究内容研究内容研究成果研究成果存在存在问题问题p未来展望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本研究中对通过目标加权法构造的适应度函数中本研究中对通过目标加权法构造的适应度函数中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的各个目标变量默认具有的各个目标变量默认具有的各个目标变量默认具有相同的目标相同的目标相同的目标相同的目标权重权重权重权重。
但在。
但在。
但在。
但在模型的实际应用中，不同发育时期模型模拟重点模型
升级会员 