摘要：针对目前常见的元启发式算法面临勘探与开发不平衡、优化性能不稳定等问题,提出一种基于空间衰减自扩散机制的黏菌遗传混合算法SMAGA,以遗传算法为基准结构,通过选择、交叉和变异3项操作重组特征引导个体在解空间内搜索。SMAGA首先设计具有正负反馈和随机游走特性的振荡收缩机制作为交叉算子,用来增强算法的全局搜索能力和局部搜索能力。然后,提出一种基于空间衰减的自扩散机制作为算法的变异算子。该机制使用随算法生命周期衰减的空间尺度,引导自身进行扩散运动,在算法前期增强多样性,在算法后期有效挖掘可行解的邻域信息。最后,提出一种判别式控制策略,根据群体适应度的分布偏差,自适应地调整算法的参数,进而平衡算法的勘探能力和开发能力。为验证算法的性能,分别在IEEE CEC2017和IEEE CEC2021基准测试集上展开实验,结果表明,与其他23种不同类型算法相比,所提算法能够有效地平衡算法的勘探能力和开发能力,至少存在1个数量级的优化精度差异,有望高效地解决复杂优化问题。

摘要：利用海量轨迹数据中蕴藏的时空信息分析农机的行为模式,将轨迹点分割成一系列田间路段和道路路段,并分配相应的语义标签,是后续有关农业机械轨迹研究的重要前置任务。已有基于密度的聚类算法难以有效分离弱连接簇,在聚类时易将弱连接的不同簇识别为同一簇。为克服上述缺陷,设计了一种面向农机轨迹田路分类的局部方向中心性度量和空间距离特征的聚类算法。该算法采用一种基于局部方向中心性度量的分簇机制,用于分离弱连接簇;为进一步提高算法的准确率,提出一种基于空间距离特征的簇边界重置策略,其根据元素点间的空间距离和邻域内其他点的数量分布情况对簇边界处的点进行重置,从而提高算法在簇边界处的识别性能。为验证所提方法的有效性,在农业农村部农机作业监测与大数据应用重点实验室提供的470条真实农机轨迹样本上展开了实验。结果表明所提方法的F1-score比已有聚类算法在田路分类中应用的SOTA方法在玉米、小麦、水稻收割机轨迹数据集上的F1-score分别平均提高了12.82、24.09、14.38个百分点。

摘要：针对三维数据管理中八叉树索引冗余多、R-树索引插入删除过程复杂的问题,依托GeoSOT地球立体剖分格网,提出了一种新的八叉树与R-树有机结合的Subdivision R-树索引模型(Subdivision R-tree)。首先,以GeoSOT地球立体剖分格网八叉树索引为基础构建了Subdivision R-树索引模型结构;随后,设计了Subdivision R-树索引模型基本的插入、删除、查询、分析算法;最后,开展了Subdivision R-树索引与原有数据索引性能对比试验,并对Subdivision R-树的阈值选取进行了相应分析。实验结果证明,Subdivision R-树的性能尤其是数据更新(插入、删除)等性能强于QR-树,随着数据分布的改变,性能提升更为明显,在数据分布较为集中的情况下,性能提升可达到20%。

摘要：将二维Hilbert编码和Z编码拓展到以尺度维作为第三维的三维填充曲线:多尺度Hilbert曲线和Z曲线。在多尺度数据条件下,这两种曲线能够提高空间填充曲线的空间连续性,适应多尺度的需求。依托四叉树模型,将多尺度的Hilbert曲线与按照相同思路设计的多尺度Z曲线进行两类对比试验,验证了多尺度Hilbert曲线相对于Z曲线在空间连续性方面的优势,提高的比例在15%~30%之间。

摘要：针对无人驾驶农机自主作业的应用需求,该研究设计了一种基于区块套行作业模式的路径规划方法,以生成含有速度指令和机具状态指令的可执行路径,重点解决田内作业的四边形地块适应性、无人驾驶农机适应性和农田作业路径完整规划等问题。该方法由农田信息处理模块和路径规划模块组成,农田信息处理模块将测绘产生的地块轮廓数据和障碍物数据处理为便于运算的地块轮廓点数据和障碍物轮廓点数据形式,然后由路径规划模块利用用户输入的作业方向、作业幅宽、转弯半径和起始方位等作业参数,经过作业梯形区生成、掉头区与作业区划分、作业条带分割、障碍物条带处理、作业条带路由、掉头路径生成和最终指令路径生成等子模块,最终生成无人驾驶农机的指令路径。仿真试验结果表明,相对于相邻法,该方法的作业面积比及作业路程比分别提升了10.0%和8.8%。播种作业田间试验结果表明,无人驾驶农机自主作业的横向偏差的均值和标准差分别为左偏0.002和0.027 m,满足作业要求。研究结果表明,该研究提出的方法适应不同的四边形农田和障碍物,可以结合不同的作业参数完成路径规划,能够满足无人驾驶农机自主作业的需求。

摘要：针对当前拖拉机自动导航曲线跟踪控制精度不能满足生产需要的问题,该研究提出一种基于前轮转角前馈补偿策略的变曲度路径跟踪控制方法。综合考虑农机作业速度和目标路径曲度对前视距离的影响,通过调整前视区域和计算预瞄点,动态调整前视距离和前轮转角前馈量,在追踪预瞄点的过程中,利用农机与目标路径偏差设计变曲度路径跟踪模糊控制器,通过实时调整拖拉机前轮转角补偿量减小稳态误差。以DF2204无级变速拖拉机为试验平台,设计并研发了自动导航系统,开展21组变曲度路径跟踪控制试验。试验结果表明,拖拉机以1.0、1.5、2.0和3.0 m/s速度行驶时的平均绝对误差的平均值分别为2.7、2.7、3.3和4.0 cm,均方根误差的平均值分别为3.4、3.7、4.6和5.0 cm,满足农业生产需求。所提方法可有效提高农机曲线路径跟踪精度,减少漏耕,提高农田利用率。

摘要：针对农田坡度变化影响无人驾驶农机行驶速度稳定性,进而降低播种均匀性和肥药施用精度等问题,该研究设计了一种基于农田数字高程模型(digital elevation model,DEM)和前馈控制策略的拖拉机稳速控制方法。首先建立坡地干扰补偿模型,基于拖拉机实时位置从农田DEM中提取前方作业路径的坡度信息,计算拖拉机前方目标速度补偿量,实现拖拉机行驶的稳速控制。以DF1204无级变速拖拉机为试验平台,在中国农业大学烟台研究院开展3组不同目标速度的上坡、平地和下坡行驶对比试验。试验结果表明,拖拉机以目标速度4、6和8 km/h行驶时,上坡行驶的实测速度均值分别为4.03、5.94和7.85 km/h,平地行驶的实测速度均值分别为4.04、6.02和8.03 km/h,下坡行驶的实测速度均值分别为4.00、6.10和8.19 km/h,与对照组相比,在上坡、平地和下坡行驶时的速度均方根误差平均分别降低了46.63%、21.92%和37.15%,试验组上坡和下坡行驶的实测速度均值更接近目标速度。所提方法可有效提高无人驾驶拖拉机在起伏农田的稳速控制精度,有助于提高农机作业质量。