楊倩 嚴凱 姚凱學(xué) 何勇

摘 要：針對農(nóng)業(yè)墑情站在采集農(nóng)作物生長環(huán)境因子時表現(xiàn)不可靠的問題，文中使用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測環(huán)境數(shù)據(jù)，輔助墑情站，為農(nóng)戶提供有效數(shù)據(jù)，從而對農(nóng)作物進行更精準地保護。由于BP存在網(wǎng)絡(luò)結(jié)構(gòu)難以確定等問題，故利用自適應(yīng)加速因子的粒子群算法、可改變搜索空間的蜂群算法和自適應(yīng)變異概率的遺傳算法三種方法來優(yōu)化BP的初始權(quán)閾值。經(jīng)仿真證明，三種改進方案不僅提高了BP預(yù)測的收斂速度，而且提高了預(yù)測精度。自適應(yīng)加速因子的粒子群BP模型預(yù)測效果最佳，故將其嵌入農(nóng)業(yè)墑情站，目前，墑情站已經(jīng)投入使用，可有效保護農(nóng)作物。

關(guān)鍵詞：農(nóng)業(yè)墑情站;神經(jīng)網(wǎng)絡(luò);遺傳算法;粒子群算法;蜂群算法;預(yù)測模型

中圖分類號：TP183;TP273文獻標識碼：A文章編號：2095-1302（2019）08-00-05

0 引 言

農(nóng)業(yè)數(shù)字化和精準化是現(xiàn)代農(nóng)業(yè)的核心技術(shù)，農(nóng)業(yè)環(huán)境監(jiān)測顯得格外重要。農(nóng)業(yè)墑情站集成了諸多傳感器，主要檢測光照、大氣溫濕度、土壤溫濕度、雨量、雨速、風(fēng)速、海拔等環(huán)境因子。只有當各個環(huán)境因子均滿足農(nóng)作物生長的要求時，才能使農(nóng)作物更好地生長。環(huán)境因子數(shù)據(jù)是否可靠成為農(nóng)業(yè)墑情站是否有效的決定因素，為了提高傳感器數(shù)據(jù)的可靠性，引入BP預(yù)測模型。由于BP存在收斂速度慢、易陷入局部極小等問題[1]，因此本文建立I3GA-BP預(yù)測模型、I2ABC-BP預(yù)測模型和I1PSO-BP預(yù)測模型，并且I1PSO-BP預(yù)測模型已經(jīng)成功嵌入到后臺，運行良好。

1 農(nóng)業(yè)墑情站

基于STM32F103ZET6的茶園墑情站總體框架如圖1所示。系統(tǒng)由數(shù)據(jù)處理模塊、太陽能供電模塊、傳感器（空氣溫濕度、土壤溫度、光照、雨量、雨速、土壤水分、土壤pH等）、遠程PC端（集成了優(yōu)化的BP模塊）、手機端等部分構(gòu)成。

2 PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

粒子群算法與模擬退火算法相似，其基本思想是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，粒子的品質(zhì)是通過適應(yīng)度來評價[2]。它比遺傳算法規(guī)則簡單，沒有遺傳算法的解碼、交叉和變異操作，具有收斂速度快、精度高、易實現(xiàn)等優(yōu)點[3]。

2.1 PSO算法

假設(shè)在一個D維搜索空間（D根據(jù)具體問題而定），一個群體由n個粒子組成，第i個粒子的位置向量為POPi=（POPi1，POPi2，…，POPiD），速度向量為Vi=（Vi1，Vi2，…，ViD），其中i=1，2，…，n。i粒子的歷史最優(yōu)位置為Pbesti=（Pbesti1，Pbesti2，…，PbestiD），整個群體最優(yōu)位置為Gbesti=（Gbesti1，Gbesti2，…，GbestiD）。粒子的位置和速度更新公式

如下：

式中：d=1，2，…，D;r1和r2為[0，1]上的隨機數(shù);c1為粒子自身學(xué)習(xí)的認識，稱為“認知”因子;c2為粒子對整個種群學(xué)習(xí)的認識，稱為“社會”因子;wmax為最大權(quán)重;wmin為最小權(quán)重;t為當前迭代次數(shù);tmax為最大迭代次數(shù)。

2.2 PSO算法的改進

通常將加速因子c1和c2設(shè)置為常數(shù)2，c1是個體自身學(xué)習(xí)的能力，c2是粒子間協(xié)作學(xué)習(xí)的能力。迭代尋優(yōu)是非線性變化過程，固定的加速因子無法體現(xiàn)此種變化。在迭代初期，粒子期望在較短時間內(nèi)能發(fā)揮自身的優(yōu)勢，快速搜索到最優(yōu)值;在迭代后期，粒子期望能抓緊粒子間協(xié)作，快速收斂到最優(yōu)解。本文將c2設(shè)成非線性遞增函數(shù)，將c1設(shè)成非線性遞減函數(shù)，公式如下：

2.3 改進的PSO優(yōu)化BP預(yù)測模型求解思路

PSO某代的某個粒子的位置向量的維數(shù)（D）為BP權(quán)值閾值的總數(shù)，向量POP為BP權(quán)值W和閾值θ的集合。粒子i的適應(yīng)度fitnessi的表達式為

式中：N為樣本數(shù);M為輸出層節(jié)點數(shù);yji為實際輸出值;y'ji為期望輸出值。

本文給出的PSO優(yōu)化BP的步驟如下：

（1）構(gòu)建PSO-BP網(wǎng)絡(luò)，初始化BP;

（2）初始化粒子群算法，有編碼長度、種群大小、速度范圍、位置范圍、迭代次數(shù)等;

（3）計算各個粒子的Pbest，選擇種群最優(yōu)粒子作為Gbest;

（4）計算本次迭代各個粒子的適應(yīng)度值，如果當前粒子的Pbest優(yōu)于當前粒子的歷史Pbest，則更新粒子的位置信息和Pbest。如果本次迭代所有個體的Pbest有優(yōu)于Gbest，則更新Gbest;

（5）更新加速因子c1，c2，粒子的位置和速度信息等;

（6）達到最大迭代次數(shù)，將Gbest的D維信息依次賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，開始預(yù)測，否則轉(zhuǎn)步驟（3）。

2.4 改進的PSO優(yōu)化BP的預(yù)測模型在農(nóng)業(yè)墑情站中的應(yīng)用

根據(jù)試湊法將BP輸入層、隱藏層、輸出層節(jié)點數(shù)設(shè)置為7，12，1。最大訓(xùn)練次數(shù)為1 000，精度定為0.000 01，學(xué)習(xí)速率的初始值為0.1，隱藏層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm，期望誤差為均方誤差函數(shù)MSE。粒子群算法種群大小為50，編碼長度為109，速度范圍[-1，1]，種群個體范圍[-3，3]，c1和c2初始值均為

1.494 45，最大進化代數(shù)為100。將光照強度、大氣溫度、大氣濕度、風(fēng)速、土壤濕度、雨量、前1 h的平均土壤溫度作為網(wǎng)絡(luò)的7個輸入，后1 h的土壤溫度作為輸出。訓(xùn)練數(shù)據(jù)為2016-07-22—2016-10-01的1 656組數(shù)據(jù)，測試數(shù)據(jù)為2017-07-25—29的100組數(shù)據(jù)。

改進后的PSO優(yōu)化BP的迭代適應(yīng)度值如圖2所示，可看出迭代10代以內(nèi)就能獲得比較優(yōu)良的個體。改進后的PSO優(yōu)化BP的預(yù)測輸出和輸出相對誤差如圖3、圖4所示，可看出改進后的PSO優(yōu)化BP的預(yù)測相對誤差最大為3.9%，最小為0.2%，平均為3.06%，用時21.706 6 s;而BP的預(yù)測相對誤差最大為38%，最小為6%，平均為9.67%，用時8.321 9 s。

3 ABC優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

人工蜂群算法通過特有角色分工機制提升人工蜂個體的局部尋優(yōu)能力，最終使得全局最優(yōu)值凸顯，有良好的收斂速度[4]。蜂群模型有三個要素，即蜜源（問題的可行解）、被雇傭的蜜蜂（采蜜蜂）和未被雇傭的蜜蜂（偵查蜂、跟隨蜂）。其中，采蜜蜂維持種群優(yōu)良解，跟隨蜂提高種群收斂速度，偵查蜂擺脫局部最優(yōu)[5-6]。

3.1 ABC算法

假設(shè)在一個D維搜索空間（D根據(jù)具體問題而定），蜜源i（i=1，2，…，NP）的質(zhì)量適應(yīng)度為fiti，第t次迭代過程中第i個粒子的蜜源位置為Xti=（Xti1，Xti2，…，XtiD）。其中，NP為蜜源的個數(shù);XtiD∈[Ub，Lb]，Ub和Lb分別為解的上限和下限。采蜜蜂（即引領(lǐng)蜂）根據(jù)式（6）隨機產(chǎn)生初始群體。

搜索開始，根據(jù)式（7）在蜜源i周圍更新蜜源位置。

式中：D為隨機整數(shù);k為采蜜蜂在當代群體中選擇一個非i的蜜源號，k∈[1，NP]且k≠i;φ為[-1，1]的均勻隨機數(shù)。當新蜜源X'iD的適應(yīng)度優(yōu)于XiD時，采用貪婪選擇法以新蜜源代替舊蜜源;否則，保持XiD不變。待所有采蜜蜂完成任務(wù)后回到信息區(qū)與跟隨蜂分享蜜源，跟隨蜂根據(jù)概率Pi以及輪盤賭來跟隨采蜜蜂，當Pi大于均勻隨機分布數(shù)r時，以采蜜蜂相同的更新策略來進行選擇更新。Pi見式（8），fiti與fitnessi是一樣的。

當采蜜蜂和跟隨蜂完成迭代任務(wù)以后，如果蜜源Xi有trial次未更新且trial大于limit，則偵查蜂出現(xiàn)并根據(jù)式（6）隨機產(chǎn)生一個新的蜜源代替Xi。

3.2 ABC算法的改進

在函數(shù)中引入慣性權(quán)重，通過慣性權(quán)重W（i）來控制采蜜蜂和跟隨蜂的搜索空間，公式如下：

式中：w（t）=wmin+t（wmax-wmin）/tmax;t為當前迭代數(shù);tmax為最大迭代數(shù);wmax為最大權(quán)重;wmin為最小權(quán)重。隨著迭代次數(shù)的增加，w（t）可調(diào)控搜索范圍以提高算法的精度和收斂效率。在迭代初期，蜜源信息相對小，小的慣性可以抓住最優(yōu)解的可能域，隨著優(yōu)良解的陸續(xù)出現(xiàn)，后期較大的慣性可以提高算法的全局搜索能力，發(fā)現(xiàn)更多優(yōu)良解。

3.3 改進的ABC優(yōu)化BP的預(yù)測模型求解思路

ABC某代的某個蜜源的位置向量的維數(shù)（D）為權(quán)值閾值的總數(shù)，向量Xi為BP權(quán)值W和閾值θ的集合。

本文給出的ABC優(yōu)化BP的步驟如下：

（1）構(gòu)建ABC-BP網(wǎng)絡(luò)，初始化BP;

（2）初始化蜂群算法，有蜜源個數(shù)及大小、更新失敗次數(shù)、位置范圍、迭代次數(shù)等;

（3）采蜜蜂搜索蜜源Xi，計算其適應(yīng)度并用貪婪算法更新原蜜源;

（4）計算概率，跟隨蜂依據(jù)概率和輪盤賭方法選擇采蜜蜂，根據(jù)采蜜蜂更新原則進行更新;

（5）根據(jù)采蜜蜂和跟隨蜂兩種蜜蜂的蜜源的未更新次數(shù)來判斷是否轉(zhuǎn)化成偵查蜂，如果蜜源為更新次數(shù)大于規(guī)定的次數(shù)，則偵查蜂隨機搜索新蜜源;

（6）記錄最好蜜源;

（7）判斷是否達到終止條件，如果達到，將最好蜜源的D維信息依次賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，開始預(yù)測，否則轉(zhuǎn)步驟（3）。

3.4 改進的ABC優(yōu)化BP的預(yù)測模型在農(nóng)業(yè)墑情站中的應(yīng)用

根據(jù)實驗，發(fā)現(xiàn)四層的ABC-BP神經(jīng)網(wǎng)絡(luò)有較好的預(yù)測精度，三層的預(yù)測精度僅略高于單純的BP網(wǎng)絡(luò)，故將BP輸入層、第一層隱藏層、第二層隱藏層、輸出層節(jié)點數(shù)設(shè)置為7，15，15，1，BP其他設(shè)置如PSO-BP模型的設(shè)置。蜂群算法的蜜源數(shù)為80，蜜源維數(shù)為376，最大失敗次數(shù)為30，最大進化代數(shù)（因ABC算法復(fù)雜，特將進化代數(shù)調(diào)?。?0，Ub=3，Lb=-3。

改進后的ABC優(yōu)化BP的迭代適應(yīng)度值如圖5所示，可看出30多代可獲得較優(yōu)良個體。改進后的ABC優(yōu)化BP的預(yù)測輸出和輸出相對誤差如圖6、圖7所示，可看出改進后的ABC優(yōu)化BP的預(yù)測相對誤差最大為4.2%，最小為0.5%，平均為3.27%，模型用時167.892 1 s。

圖5 改進后的ABC優(yōu)化BP的迭代適應(yīng)度值

圖6 改進后的ABC優(yōu)化BP的預(yù)測輸出

圖7 改進后的ABC優(yōu)化BP的相對誤差

4 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

遺傳算法（GA）是基于空間的搜索算法，直接對研究對象的編碼進行操作，通過問題域中的目標函數(shù)（適應(yīng)度）的大小對個體進行評價，對個體進行選擇、交叉和變異，生成新種群，具有較強的魯棒性和較高的并行性[7-8]。

4.1 GA算法的改進

遺傳算法經(jīng)常出現(xiàn)過早收斂的現(xiàn)象，變異操作雖然保證了進化的搜索功能，但其隨機性可能會破壞優(yōu)良個體，降低種群的平均適應(yīng)度值，故對變異算子進行改進，使其隨迭代自適應(yīng)變化[9-10]，變異公式如下：

式中：Pm為本代變異概率;Pmax和Pmin分別為上一代最大、最小變異概率;Fa為當前個體的適應(yīng)度值;Fmax和Fmin分別為上一代最大最小適應(yīng)度值;Favg為上一代平均適應(yīng)度值。當種群的個體適應(yīng)度值普遍較好時，此時應(yīng)該降低變異概率，使得優(yōu)良的個體可以大部分被傳遞給下一代;當種群的個體適應(yīng)度值普遍較差時，此時應(yīng)該提高變異概率，使得劣質(zhì)的個體可以大幅度變異，產(chǎn)生新個體，尋找優(yōu)良個體，提高收斂速度。

4.2 改進的GA優(yōu)化BP的預(yù)測模型求解思路

GA某代的某個個體編碼長度為權(quán)值閾值的總數(shù)，本文GA優(yōu)化BP的步驟如下：

（1）構(gòu)建GA-BP網(wǎng)絡(luò)，初始化BP;

（2）初始化遺傳算法，有種群大小、編碼長度、交叉率、變異率、編碼方式、迭代次數(shù)等，其中編碼長度由輸入層與隱藏層權(quán)值、隱藏層與輸出層權(quán)值、隱藏層閾值、輸出層閾值四部分組成;

（3）對當代種群個體分別進行適應(yīng)度評價;

（4）選擇操作，可采用輪盤賭法、隨機遍歷抽樣法等，本文采用適應(yīng)度比例方法選擇個體;

（5）交叉操作，可采用實值重組、二進制交叉，本文采用實數(shù)編碼加實值重組;

（6）變異操作，可采用實值變異、二進制變異，本文采用實值變異;

（7）判斷是否達到終止條件，如果達到，將最好個體賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，開始預(yù)測，否則轉(zhuǎn)步驟（3）。

4.3 改進的GA優(yōu)化BP的預(yù)測模型在農(nóng)業(yè)墑情站中的應(yīng)用

BP設(shè)置如PSO-BP模型的設(shè)置，遺傳算法種群大小為50，編碼長度為109，編碼范圍為[-3，3]，種群數(shù)為50，最大進化代數(shù)為100，交叉概率為0.9，初始變異率為0.3，最大為0.4，最小為0.1。

其中，實值交叉操作是選擇幾對（兩兩一對）染色體，選擇它們的串的局部進行交叉;實值變異操作是選擇幾個染色體，對他們的局部進行隨機數(shù)賦值。選擇操作中的適應(yīng)度比例選擇法的個體選擇概率為：

式中：Fi為第i個個體的適應(yīng)度值;k為系數(shù);N為種群個數(shù)。

改進后的GA優(yōu)化BP的迭代適應(yīng)度值如圖8所示，可看出迭代50多代就能獲得比較優(yōu)良的個體。改進后的GA優(yōu)化BP的預(yù)測輸出和輸出相對誤差如圖9、圖10所示，可看出改進后的GA優(yōu)化BP的預(yù)測相對誤差最大為17.3%，最小為0.8%，平均為5.39%，用時46.529 1 s。

5 多種優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測模型實驗結(jié)果

為了驗證多種墑情站數(shù)據(jù)預(yù)測模型的優(yōu)良性能，本文分別對BP算法、PSO-BP算法、改進后的PSO優(yōu)化BP算法（I1PSO-BP）、ABC-BP算法、改進后的ABC優(yōu)化BP算法（I2ABC-BP）、GA-BP算法、改進后的GA優(yōu)化BP算

法（I3GA-BP）這7個模型進行相同條件下的實驗，記錄數(shù)據(jù)并進行比較。

表1列出了7種模型誤差和耗時的比較，發(fā)現(xiàn)PSO算法相對于ABC算法和GA算法收斂速度明顯加快;PSO算法的兩種模型和ABC算法的兩種模型預(yù)測準確率相近且較高;BP模型和GA算法的兩種模型預(yù)測準確率較低?？紤]到農(nóng)業(yè)墑情站數(shù)據(jù)的準確性和時效性，最終決定將改進的PSO優(yōu)化BP算法作為農(nóng)業(yè)墑情站數(shù)據(jù)預(yù)測模型。

6 結(jié) 語

本文提出多種預(yù)測模型，經(jīng)過實驗，結(jié)果表明，在一定條件下，改進后的粒子群算法優(yōu)化BP模型具有較高的預(yù)測準確率和較低的時間消耗。預(yù)測模型已經(jīng)嵌入墑情站系統(tǒng)，在貴州大學(xué)農(nóng)學(xué)院植物研究實驗基地、甕安茶園和貴州師范學(xué)院等地已經(jīng)投入使用，可以有效指導(dǎo)農(nóng)業(yè)研究和生產(chǎn)。

參 考 文 獻

[1]孔紅山，郁濱.一種基于 BP 神經(jīng)網(wǎng)絡(luò)的 VIRE 改進算法研究[J].系統(tǒng)仿真學(xué)報，2018，30（9）：3586-3595.

[2]李婕，白志宏，于瑞云，等.基于PSO優(yōu)化的移動位置隱私保護算法[J].計算機學(xué)報，2018，41（5）：1037-1051.

[3]陳建明.基于遺傳算法的粒子群算法的參數(shù)分析[D].北京：中國地質(zhì)大學(xué)，2012.

[4]李楠，朱秀芳，潘耀忠，等.人工蜂群算法優(yōu)化的SVM遙感影像分類[J].遙感學(xué)報，2018，22（4）：559-569.

[5]于佐軍，秦歡.基于改進蜂群算法的K-means算法[J].控制與決策，2018，33（1）：181-185.

[6]王志剛，尚旭東，夏慧明，等.多搜索策略協(xié)同進化的人工蜂群算法[J].控制與決策，2018，33（2）：235-241.

[7]徐小鈞，馬利華，艾國祥.基于多目標遺傳算法的多星座選星方法[J].上海交通大學(xué)學(xué)報，2017，51（12）：1520-1528.

[8]吐松江·卡日，高文勝，張紫薇，等.基于支持向量機和遺傳算法的變壓器故障診斷[J]. 清華大學(xué)學(xué)報（自然科學(xué)版），2018， 58（7）：623-629.

[9]季慧，金銀富，尹振宇，等.遺傳算法改進及其在巖土參數(shù)反分析中的應(yīng)用[J].計算力學(xué)學(xué)報，2018，35（2）：224-229.

[10]肖海蓉，李惠先.基于自適應(yīng)遺傳算法的網(wǎng)格任務(wù)調(diào)度優(yōu)化[J].吉林大學(xué)學(xué)報（理學(xué)版），2015，53（2）：297-301.