连续蚁群算法在水稻灌溉制度优化中的应用

基于离散数字编码的蚁群连续优化算法

＊)国家自然科学基金项目(10471045)、广东省自然科学基金(04020079)、华南理工大学自然科学基金(B13-E5050190)。吴广潮　讲师,博士研究生,研究领域为算法设计与分析,数据库与信息处理;黄　翰　博士研究生,研究领域为进化计算方法的理论基础,进化计算方法的优化设计及其应用。 计算机科学2008V ol .35№.3　 基于离散数字编码的蚁群连续优化算法＊) 吴广潮1,2　黄　翰2 (华南理工大学数学科学学院　广州510640)1　(华南理工大学计算机科学与工程学院　广州510640) 2 　 摘　要　本文提出了一种基于离散编码的蚁群连续优化算法(CA CO -D E ),用于求解连续优化问题。以往蚁群算法(A CO )的研究,以求解离散优化问题为主,较少涉及连续优化问题。与经典的A CO 算法不同,CACO -DE 将有限精度的实数转化为一个数字串,数字串的每位取0到9之间的数字,从而实现了用离散编码描述实数的效果。CA CO -DE 延用了经典A CO 算法的框架,并加入了特殊的选择机制、信息素更新方式和局部搜索策略。测试实验结果表明:CA -CO -DE 比以往同类算法求解速度更快且精度更高。关键词　蚁群算法,连续优化,离散数字编码　 Ant Colony Continuous Optimization Based on Discrete Numerical Encoding W U G uang -Chao 1,2　H U AN G Han 2 (School of M athematical S cien ces ,S ou th China University of Tech nology ,Guangzhou 510640)1 (S chool of Computer S cien ce and En gineering ,S outh China Univers ity of Technology ,Gu angz hou 510640) 2　 A bstract T he pr esented paper pro po ses an ant colony algo rithm fo r continuo us o ptimization (CA CO -DE ).A CO alg o -rithms are alway s used fo r discr ete o ptimizatio n problem s ,but rar ely fo r continuous o ptimiza tion .CA CO -DE is de -sig ned based o n the numerical encoding in which each real numbe r is chang ed into a string made up of character s {0,…,9}.T he leng th o f enco ding depends on the accuracy and dimension of the so lutio n .A r tificial ants construct so lutio ns being guided by a hig h dimensio n phero mone v ector .T he f ramewo rk of the proposed algo rithm is similar to the cla ssi -cal ACO except for the upda ting rule a nd local sear ch stra teg y .So me pr elimina ry re sults o btained o n benchmar k pro b -lems sho w that the new method can so lv e co ntinuous o ptimizatio n problem s faster than o the r a nt and no n -a nt methods .Keywords A nt co lo ny alg o rithm ,Co ntinuous optimizatio n ,Discre te numerical encoding 1　引言 蚁群算法(ACO )[1] 是由M .Do rig o 及其同伴在上世纪90年代提出的一种仿生算法,用于求解如旅行商问题[2]之类的组合优化问题。目前,A CO 算法的应用已经扩展到解决多种优化问题,如:V ehicle Ro uting [3]、Q uadra tic assig nment [3]、Qo S [4]、Job sho p [5]等,但这些问题几乎都是离散优化问题。 与遗传算法、粒子群算法和进化规划算法不同,ACO 算法求解连续优化问题的设计研究较少。第一种求解连续函数优化问题的蚁群算法为Co ntinuous A CO (CA CO )算法[6],其主要思想是将连续区间分段,离散化后区间段视为T SP 问题中的城市。CA CO 算法虽然实现了A CO 算法求解连续优化问题0的突破,但是求解效果并不理想。后期又对CACO 算法作了些改进[7,8],提高了求解的精度,但是改进的程度有 限。后来相应又有A PI [9]和CIAC [10]。另外两种算法出现,取得了一定的改进效果,但这些算法加入了遗传算法等其他计算工具的策略,只是用了A CO 算法的框架而已。最新的算法还有基于正态分布的ACO 算法[11],然而这种算法也需要将区间分段离散化,从而会出现两个缺点:1.算法求解精度有限;2.算法求解的计算复杂度较高,需要花费较多的函数评估次数。 作为改进,本文在文[12]基础上提出了一种新型的求解连续优化问题的A CO 算法:基于离散编码的蚁群算法(CA -CO -DE )。实验结果表明:CACO -D E 比以往其他ACO 算法 求解的效果更好,而且速度更快。 2　AC O 算法基本思想介绍 自然界蚂蚁在其经过的路径上会留下某种生物信息物质(信息素),该物质会吸引蚁群中的其它成员再次选择该段路径。食物与巢穴之前较短的路径容易积累较多的信息素,因而使得更多的蚂蚁选择走该段路径,最终几乎所有的蚂蚁都集中在最短路径上完成食物的搬运。M .Do rigo 等从此现象中抽象出路径选择和信息素积累的数学模型,作为蚁群算法的核心;并通过对蚂蚁寻找最短路径的计算机模拟,实现了对TS P 问题的求解[2]。 按M .Do rigo 的设计[3],蚁群算法的基本框架如图1所示 。 图1　蚁群算法(A CO )的基本框架 一般情况下,A CO 算法可以分为三个部分:生成解(Co n -structA ntsSo lutio ns ),更新信息素(U pdatePhero mone s )和附 加策略(DaemonA ctions )。 · 146·

灌溉制度知识讲解

2.6.2.1作物灌溉定额的确定 参照项目涉及村目前的种植制度和今后种植业结构调整的要求，以中稻典型作物来确定灌溉定额。 2.6.2.1.1中稻灌溉制度的确定 （1）水稻的泡田定额的确定： 根据当地群众的耕作经验，划定中稻的泡田时间为5月11日~5月25日，历时15天。 M1=0.667 (h0+S1+e1t1-P1) 式中M1－水稻的泡田定额，m3/亩 h0－插秧时田面所需的水层深度，mm，取30mm； S1－泡田期的渗漏量，mm； e1－泡田期内水田的田面平均蒸发量，mm/d； t1－泡田期的日数,d； P1－泡田期的降雨量，mm。 根据彭水县国土局提供的资料，项目区土壤为小黄泥和大土黄泥，土壤中含沙，属中粘含沙土，取其渗漏强度为 1.4mm/d(《中国主要作物需水量与灌溉》，P136)。 项目区紧邻武隆县，两地气象条件基本相同，本项目设计所用资料采用武隆县的气象资料。根据武隆县气象局1950年-1980年的实测降水资料，75%设计频率年为1974年，由1974年的逐日降雨资料，可得泡田期的有效降水量为38mm。

泡田期的田面平均了蒸发量由下表选取： 表2- 多年平均蒸发量统计表 月份 1 2 3 4 5 6 全年拆算 系数 年蒸发 量（mm） 蒸发量（mm）42.1 38.0 63.4 98.7 125.0 123.4 月份7 8 9 10 11 12 蒸发量（mm）90.8 160.5 125.0 69.0 47.7 37.2 1120.8 0.8 896.6 资料来源：《四川省涪陵地区水资源调查与水利区划（附表）》，涪陵地区水利电力局编制，1993年4月，附表4、 蒸发资料采用折算后（60cm蒸发皿）的数值计算。 计算得中稻的泡田定额为M1＝50.4m3/亩。 （2）中稻生育期灌溉制度的确定 利用水量平衡方程确定中稻的灌溉制度。 h1＋P＋m－WC－d＝h2 式中h1－时段初田面水层深度，mm； h2－时段末田面水层深度，mm； P－时段内降雨量，mm； d－时段内的排水量，mm； m－时段内的灌水量，mm； WC－时段内的田间耗水量，mm。 时段内的降雨量根据武隆县气象局提供的1974年逐日降雨资料计算。 田间耗水量的计算采用参考作物系数法，根据联合国粮农组织

利用蚁群算法优化前向神经网络

利用蚁群算法优化前向神经网络 来源：深圳发票 https://www.wendangku.net/doc/2a13005030.html,/ 内容摘要：蚁群算法（ant colony algorithm，简称ACA）是一种最新提出的新型的寻优策略，本文尝试将蚁群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明该方法具有更好的全局收敛性，以及对初值的不敏感性等特点。关键词：期货经纪公司综合实力主成分分析聚类分析 人工神经网络（ANN）是大脑及其活动的一个理论化的数学模型，由大量的处理单元（神经元）互连而成的，是神经元联结形式的数学抽象，是一个大规模的非线性自适应模型。人工神经网络具有高速的运算能力，很强的自学习能力、自适应能力和非线性映射能力以及良好的容错性，因而它在模式识别、图像处理、信号及信息处理、系统优化和智能控制等许多领域得到了广泛的应用。 人工神经网络的学习算法可以分为：局部搜索算法，包括误差反传（BP）算法、牛顿法和共轭梯度法等；线性化算法；随机优化算法，包括遗传算法（GA）、演化算法（EA）、模拟退火算法（SA）等。 蚁群算法是一种基于模拟蚂蚁群行为的随机搜索优化算法。虽然单个蚂蚁的能力非常有限，但多个蚂蚁构成的群体具有找到蚁穴与食物之间最短路径的能力，这种能力是靠其在所经过的路径上留下的一种挥发性分泌物（pheromone）来实现的。蚂蚁个体间通过这种信息的交流寻求通向食物的最短路径。已有相关计算实例表明该算法具有良好的收敛速度，且在得到的最优解更接近理论的最优解。

本文尝试将蚁群算法引入到前向神经网络的优化训练中来，建立了基于该算法的前向神经网络训练模型，编制了基于C++语言的优化计算程序，并针对多个实例与多个算法进行了比较分析。 前向神经网络模型 前向人工神经网络具有数层相连的处理单元，连接可从一层中的每个神经元到下一层的所有神经元，且网络中不存在反馈环，是常用的一种人工神经网络模型。在本文中只考虑三层前向网络，且输出层为线性层，隐层神经元的非线性作用函数（激活函数）为双曲线正切函数： 其中输入层神经元把输入网络的数据不做任何处理直接作为该神经元的输出。设输入层神经元的输出为(x1,x2,Λ,xn)，隐层神经元的输入为(s1,s2,Λ,sh)，隐层神经元的输出为 (z1,z2,Λ,zh)，输出层神经元的输出为(y1,y2,Λ,ym)，则网络的输入-输出为： 其中{w ij}为输入层-隐层的连接权值，{w i0}隐层神经元的阈值，{v ki}为隐层-输出层的连接权值，{v k0}为输出层神经元的阈值。网络的输入-输出映射也可简写为： 1≤k≤m (5)

智能优化算法(蚁群算法和粒子群算法)

7.1 蚁群优化算法概述 ?7.1.1 起源 ?7.1.2 应用领域 ?7.1.3 研究背景 ?7.1.4 研究现状 ?7.1.5 应用现状

7.1.1 蚁群优化算法起源 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。

20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法——蚁群算法，是群智能理论研究领域的一种主要算法。

背景：人工生命 ?“人工生命”是来研究具有某些生命基本特征的人工系统。人工生命包括两方面的内容。 ?研究如何利用计算技术研究生物现象。?研究如何利用生物技术研究计算问题。

?现在关注的是第二部分的内容，现在已经有很多源于生物现象的计算技巧。例如，人工神经网络是简化的大脑模型，遗传算法是模拟基因进化过程的。 ?现在我们讨论另一种生物系统－社会系统。更确切的是，在由简单个体组成的群落与环境以及个体之间的互动行为，也可称做“群智能”(swarm intelligence)。这些模拟系统利用局部信息从而可能产生不可预测的群体行为（如鱼群和鸟群的运动规律），主要用于计算机视觉和计算机辅助设计。

?在计算智能(computational intelligence)领域有两种基于群智能的算法。蚁群算法(ant colony optimization)和粒子群算法(particle swarm optimization)。前者是对蚂蚁群落食物采集过程的模拟，已经成功运用在很多离散优化问题上。

粒子群算法和蚁群算法的结合及其在组合优化中的应用e

2007年第2期空间电子技术收稿日期：2006-04-03；收修改稿日期：2006-04-30 粒子群算法和蚁群算法的结合及其在 组合优化中的应用 张长春苏昕易克初 （西安电子科技大学综合业务网国家重点实验室，西安710071） 摘要文章首次提出了一种用于求解组合优化问题的PAAA 算法。该算法有效地 结合了粒子群算法和蚁群算法的优点，先利用粒子群算法的随机性、快速性、全局性得到 初始信息素分布（即粗搜索），再利用蚁群算法的并行性、正反馈性、求解精度高等优点求 精确解（即细搜索）。将文中提出的算法用于经典TSP 问题的求解，仿真结果表明PAAA 算 法兼有两种算法的优点，同时抛弃了各自的缺点。该算法在时间效率上优于蚁群算法，在 求精效率上优于粒子群算法，是综合了两种算法长处的一种新的启发式算法，达到时间性 能和优化性能上的双赢，获得了非常好的效果。 主题词蚁群算法粒子群算法旅行商问题PAAA 0引言 近年来对生物启发式计算（Bio-inspired Computing ）的研究，越来越引起众多学者的关注和兴趣，产生了神经网络、遗传算法、模拟退火、粒子群算法、蚁群算法等许多用于解决复杂优化问题的新方法。然而，面对各种问题的特殊性和复杂性，每种算法都表现出了自身的优势和缺陷，都存在时间性能和优化性能不能兼得的矛盾。 粒子群优化（Particie Swarm Optimization ，PSO ）算法[1， 2]是由Eberhart 和Kennedy 于1995年提出的一种全局优化算法，该算法源于对鸟群觅食行为的模拟。它的优势在于：（1） 算法简洁，可调参数少，易于实现；（2） 随机初始化种群，具有较强的全局搜索能力，类似于遗传算法；（3）利用评价函数衡量个体的优劣程度，搜索速度快；（4）具有较强的可扩展性。其缺点是：不能充分利用系统中的反馈信息，求解组合优化问题的能力不强。 蚁群算法[3，4]（Ant Coiony Optimization ，ACO ） 是由意大利学者M.Dorigo ，V.Maniezzo 和A.Coiorni 于20世纪90年代初提出的一种新型的智能优化算法，已经被应用到TSP 问题[5，6]、二次分配问题、工 件调度问题、图着色问题等许多经典组合优化问题中，取得了很好的效果。它的优点是：（1）采用一种正反馈机制，通过信息素的不断更新，达到最终收敛于最优路径上的目的；（2）是一种分布式的优化方法，易于并行实现；（3）是一种全局优化的方法，不仅可用于求解单目标优化问题，而且可用于求解多目标优化问题；（4）适合于求解离散优化问题；（5）鲁棒性强。但由于在算法的初始阶段信息素匮乏，所以求解速度较慢。 文章将粒子群算法和蚁群算法有机地结合，提出了PAAA 算法。它利用粒子群算法的较强的全局搜索能力生成信息素分布，再利用蚁群算法的正反馈机制求问题的精确解，汲取各自的优势，以达空间电子技术 SPACE ELECTRONIC TECHNOLOGY !"

某灌区灌溉制度设计

某灌区灌溉制度设计任务书 一、基本资料 1.某灌区玉米生育阶段划分如表1-1所示。 表1-1某灌区玉米生育阶段作物系数 幼苗期5月拔节期6月孕穗期7月抽穗期8月灌浆期9月 0.754 0.794 1.664 1.684 1.250 2.某灌区根据调查和实验资料，玉米生育阶段计划湿润层厚度如下表。 表1-2 某灌区玉米生育阶段计划湿润层厚度单位：m 幼苗期5月拔节期6月孕穗期7月抽穗期8月灌浆期9月 0.3-0.4 0.4-0.5 0.5-0.6 0.6-0.9 0.9 第一个生育期计划湿润层厚度取0.3+个人学号倒数第一位 第二个生育期计划湿润层厚度取0.4+个人学号倒数第二位 第三个生育期计划湿润层厚度取0.5+个人学号倒数第三位 第四个生育期计划湿润层厚度取0.6+个人学号倒数第四位 第五个生育期计划湿润层厚度取0.9+个人学号倒数第五位 3.玉米生长期：5.20-9.10日，无地下水补给，作物所需水分由降雨及灌溉提供。 4.灌区周围的气象站、水文站2011年作物生育期气象资料及对资料数据的说明见附录。 二、设计内容 1.采用PM公式计算ET0。 2.确定该灌区玉米的灌溉制度。

附录 1 作物生育期气象资料 年月日大型蒸发量平均风速平均相对湿度日照时数日最低气温日最高气温降雨量2011 1 1 32766 13 29 70 -158 -50 0 2011 1 2 32766 17 54 0 -100 -67 11 2011 1 3 32766 13 76 59 -116 -34 32700 2011 1 4 32766 12 73 67 -136 -47 0 2011 1 5 32766 21 55 53 -141 -76 0 2011 1 6 32766 16 54 65 -168 -92 0 2011 1 7 32766 15 57 72 -163 -17 0 2011 1 8 32766 17 43 63 -89 -35 0 2011 1 9 32766 13 40 73 -141 -58 0 2011 1 10 32766 12 45 62 -139 -20 0 2011 1 11 32766 17 48 73 -157 -22 0 2011 1 12 32766 14 47 72 -170 15 0 2011 1 13 32766 14 45 71 -143 20 0 2011 1 14 32766 19 44 66 -115 0 0 2011 1 15 32766 16 41 74 -164 -45 0 2011 1 16 32766 17 40 72 -187 -36 0 2011 1 17 32766 17 41 73 -148 -33 0 2011 1 18 32766 14 42 69 -171 -48 0 2011 1 19 32766 13 40 45 -153 -32 0 2011 1 20 32766 10 41 65 -127 5 0 2011 1 21 32766 14 46 70 -126 11 0 2011 1 22 32766 16 43 71 -129 5 0 2011 1 23 32766 14 40 74 -159 -25 0 2011 1 24 32766 15 36 74 -168 6 0 2011 1 25 32766 16 38 74 -126 -13 0 2011 1 26 32766 13 37 2 -132 -28 0 2011 1 27 32766 11 72 0 -75 -37 9 2011 1 28 32766 18 51 73 -124 -45 1 2011 1 29 32766 17 58 76 -189 -35 0 2011 1 30 32766 23 51 77 -186 -6 0 2011 1 31 32766 15 50 78 -170 17 0 2011 2 1 32766 16 52 78 -151 46 0 2011 2 2 32766 16 45 78 -132 63 0 2011 2 3 32766 13 42 79 -100 96 0 2011 2 4 32766 24 45 79 -89 94 0 2011 2 5 32766 13 42 65 -81 119 0 2011 2 6 32766 21 43 71 -85 107 0 2011 2 7 32766 10 38 76 -42 107 0 2011 2 8 32766 16 40 77 -70 111 0

蚁群算法路径优化算法

其中，表示在t时刻蚂蚁k由元素（城市）i转移到元素（城市）j的状态转移概率。allowedk = C ? tabuk表示蚂蚁k下一步允许选择的城市。α为启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间的协作性越强。β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越 大，则该状态转移概率越接近于贪心规则；ηij(t) 为启发函数，表达式为。式中，dij表示相邻两个城市之间的距离。（6）修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素（城市），并把该元素（城市）移动到该蚂蚁个体的禁忌表中。（7）若集合C中元素（城市）未遍历完，即k

for i=1:NC % 计算各城市间的距离 for j=1:NC distance(i,j)=sqrt((CooCity(i,2)-CooCity(j,2))^2+(CooCity(i,3)-CooCity(j,3))^2); end end MAXIT=10;%最大循环次数 Citystart=[]; % 起点城市编号 tau=ones(NC,NC); % 初始时刻各边上的信息痕迹为1 rho=0.5; % 挥发系数 alpha=1; % 残留信息相对重要度 beta=5; % 预见值的相对重要度 Q=10; % 蚁环常数 NumAnt=20; % 蚂蚁数量 routelength=inf; % 用来记录当前找到的最优路径长度 for n=1:MAXIT for k=1:NumAnt %考查第K只蚂蚁 deltatau=zeros(NC,NC); % 第K只蚂蚁移动前各边上的信息增量为零 %[routek,lengthk]=path(distance,tau,alpha,beta,[]); % 不靠率起始点[routek,lengthk]=path(distance,tau,alpha,beta,Citystart); % 指定起始点if lengthk

蚁群优化算法

蚁群优化算法
目录 [隐藏]
? ?
比较
1 2
蚁群算法的提出： 人工蚂蚁与真实蚂蚁的异同
o o ? ? ? ? ?
3 4 5 6 7
2.1 2.2
相同点比较 不同点比较
蚁群算法的流程图 基本蚁群算法的实现步骤 蚁群算法的 matlab 源程序 蚁群算法仿真结果 版权声明
[编辑]蚁群算法的提出：
人类认识事物的能力来源于与自然界的相互作用，自然界一直是人类创造力 的源泉。 自然界有许多自适应的优化现象不断地给人以启示，生物和自然中的生 态系 统可以利用自身的演化来让许多在人类看来高度复杂的优化问题得到几乎完美 的解决。近些年来，一些与经典的数学问题思想不同的，试图通过模拟自然生态 系统 来求解复杂优化问题的仿生学算法相继出现，如蚁群算法、遗传算法、粒子群算 法等。 这些算法大大丰富了现在优化技术，也为那些传统最优化技术难以处理的 组 合优化问题提供了切实可行的解决方案。 生物学家通过对蚂蚁的长期的观察发现，每只蚂蚁的智能并不高，看起来没 有集中的指挥，但它们却能协同工作，集中事物，建起坚固漂亮的蚁穴并抚养后 代， 依靠群体能力发挥出超出个体的智能。 蚁群算法是最新发展的一种模拟昆虫王国 中蚂蚁群体智能行为的仿生优化算法，它具有较强的鲁棒性、优良的分布式计算 机 制、易于与其他方法相结合等优点。尽管蚁群算法的严格理论基础尚未奠定，国 内外的相关研究还处于实验阶段， 但是目前人们对蚁群算法的研究已经由当初单 一 的旅行商问题(TSP)领域渗透到了多个应用领域，由解决一维静态优化问题发展 到解决多维动态组合优化问题， 由离散域范围内的研究逐渐扩展到了连续域范围 内的

灌溉制度的计算

一、灌溉制度的计算 根据《灌溉与排水工程规范》（GB50288-1999）规范，使用水量平衡图解法确定旱作物的灌溉制度。 a ET M K P W W W T t -+++=-00 式中 t W ——时段末土壤计划湿润层内的储水量（2 3 hm /m mm 或） 0W ——时段初土壤计划湿润层内的储水量（2 3hm /m mm 或） T W ——由于计划湿润层增加而增加的水量（)]d hm /(m ([mm 23?或） 0P ——土壤计划湿润层内保存的有效降雨量（2 3hm /m mm 或） K ——时段t 内的地下水补给量（2 3hm /m mm 或） M ——时段t 内的灌溉水量（2 3hm /m mm 或） ET ——时段t 内的作物需水量（2 3hm /m mm 或） 二、旱作物播前的灌水定额1M 计算。 一般可按下式计算： )(1000 0max 1θθ-=H M 式中：H ——计划湿润层深度（m ） m a x θ——允许最大土壤体积含水率（3 3 m /m ） 0θ——灌前计划湿润层深度内土壤平均体积含水率（3 3m /m ） 根据所给资料，可以得到播前灌溉定额为 )mm (5.50%)50%5.50%75%5.50(4.01000)(10000max 1=?-???=-=θθH M

播前灌水的目的在于保证作物种子发芽和出苗所必需的土壤含水量。通过查阅油菜的种植技术知油菜种子发芽时的土壤含水量为田间持水量的60%~70%，因此在这里保证生育初期的土壤含水量为70%。在播前灌水后，土壤的含水率为75%，考虑到蒸发损失及土壤较好的保水性，将播前灌水时间提前在生育初期5天进行，即播前灌水时间定为3月23日。 三、作物需水量ET 的计算： 使用“K 值法”计算，计算公式为： KY ET = 式中：ET ——作物全生育期内的总需水量（2 3 hm /m mm 或） Y ——作物单位面积产量（2 hm /kg ） K ——需水系数（kg /m 3 ） 则作物全生育期内的总需水量)mm (5406006.0=?==KY ET 。 按照需水模系数法进行分配得到作物各生育阶段的需水量，计算公式为 ET K ET i i = 式中：i ET 为某一生育阶段作物需水量；i K 为需水量模系数；ET 的意义同前。 各生育阶段的作物需水量计算结果如下表： 日期 28/3~6/5 7/5~28/5 29/5~6/6 7/6~20/6 21/6~9/7 10/7~25/7 模比系数 20 10 10 15 24 10 各生育阶段作物需 水量（mm ） 108 54 54 81 129.6 54 四、计算渗入土壤内的降雨量 各旬有效降雨量及逐旬有效降雨累积量如下表：

基本蚁群优化算法及其改进毕业设计

摘要 自意大利学者M. Dorigo于1991年提出蚁群算法后，该算法引起了学者们的极大关注，在短短十多年的时间里，已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。本文首先讨论了该算法的基本原理，接着介绍了旅行商问题，然后对蚁群算法及其二种改进算法进行了分析，并通过计算机仿真来说明蚁群算法基本原理，然后分析了聚类算法原理和蚁群聚类算法的数学模型，通过调整传统的蚁群算法构建了求解聚类问题的蚁群聚类算法。最后，本文还研究了一种依赖信息素解决聚类问题的蚁群聚类算法，并把此蚁群聚类算法应用到对人工数据进行分类，还利用该算法对2005年中国24所高校综合实力进行分类，得到的分类结果与实际情况相符，说明了蚁群算法在聚类分析中能够收到较为理想的结果。 【关键词】蚁群算法；计算机仿真；聚类；蚁群聚类

Study on Ant Colony Algorithm and its Application in Clustering Abstract： As the ant colony algorithm was proposed by M. Dorigo in 1991,it bringed a extremely large attention of scholars, in past short more than ten years, optimized, the network route, the function in the combination optimizes, domains and so on data mining, robot way plan has obtained the widespread application, and has obtained the good effect.This acticle discussed the basic principle of it at first, then introduced the TSP,this acticle also analysed the ant colony algorithm and its improved algorithm, and explanated it by the computer simulates, then it analysed the clustering algorithm and the ant clustering algorithm, builded the ant clustering algorith to solution the clustering by the traditioned ant algorithm. At last, this article also proposed the ant clustering algorith to soluted the clustering dependent on pheromon. Carry on the classification to the artificial data using this ant clustering algorithm; Use this algorithm to carry on the classification of the synthesize strength of the 2005 Chinese 24 universities; we can obtain the classified result which matches to the actual situation case. In the next work, we also should do the different cluster algorithm respective good and bad points as well as the classified performance aspect the comparison research; distinguish the different performance of different algorithm in the analysis when the dates are different. Key words： Ant colony algorithm; Computer simulation; clustering; Ant clustering 目录

主要作物节水灌溉制度

（一）冬小麦的节水灌溉制度 冬小麦是跨年度生长的作物，生长过程有两个峰期。与此相应，需水过程也呈双峰型。出苗后，随着群体不断加大，需水强度也明显增加，达到冬前峰期。之后，随着气温不断下降，需水强度也相应降低，并在整个越冬期间维持在较低的水平。来年春天返青后，随着气温不断上升，群体逐渐加大，耗水量也迅速增加，至抽穗后达到最大。这一阶段是穗分化与形成的关键阶段，缺水会严重影响产量。研究资料表明，这一时期的土壤含水量低于70%，即会对作物生长产生明显的影响。此外，鄂西北地区这一时期降雨少，又经常出现持续大风天气，并且经过返青后一段时期的利用，土壤贮水消耗程度也较重，所以冬小麦田的土壤含水量常常会接近允许的低限值。这一阶段要随时监测土壤含水量，出现严重干旱时应及时进行补充灌溉。抽穗～成熟期是小麦整个生育期中至关重要的时期，籽粒形成及干物质积累都发生在其中，因而这一阶段也是决定产量高低的重要时期。生产中应当尽可能地使这一阶段土壤水分状况保持在较高的水平。尤其是这一阶段的前期，是冬小麦的需水临界期（水分敏感系数最大的时期），土壤含水量应当不低于田间持水量的70%。这一阶段的后期对水分的要求有所降低，但仍然不应低于60%。这一时段的平均降雨量有明显增加，缺水状况有 表1 冬小麦节水灌溉制度

应当随时监测，视土壤水分状况变化，及时进行补充灌溉。 根据河南引黄人民胜利渠试验站，山西省晋中、晋南灌溉试验站、山东省菏泽地区灌溉试验站的资料，并进行理论分析，得出如下地区的冬小麦节水灌溉制度仅供参考（表1）。 （二）玉米的节水灌溉制度 表2是根据灌溉试验资料确定的玉米各生育阶段的水分敏感指数。依照敏感指数从大到小的排序，玉米各生育阶段实施灌溉的优先考虑次序为：抽雄～灌浆，拔节～抽雄。灌浆～成熟，播种～拔节。这一次序中没有包括播前灌溉，但在实际生产中，播前灌溉是经常需要考虑的。播种时良好的土壤水分状况才能保证全苗、壮苗，也是后期作物良好生长的先决条件，因此播前灌溉应予以特别重视。播种时如果墒情较差，要优先动用贮水实施灌溉。播前补灌宜采用穴灌或细流沟灌，灌水量10～15mm 即可。

灌溉制度习题

灌溉制度习题 灌溉制度习题 1. 冬小麦播前灌水定额计算 播前灌水的目的是使土壤在播种时的含水率适于发芽需要，并供给苗期蒸发蒸腾的需水，同时使最大计划湿润层内储存足够的水分，以便在作物根系深扎后使用。 基本资料：(1)土壤最大计划湿润层H=0.8m。(2)土壤平均孔隙率n=41.3%(占土体%)。 (3)土壤田间持水率θmax=75.0%(占孔隙体积的百分比)。(4)播前土壤天然含水率 θ0=48.0%(占孔隙体积的百分比)。 要求：计算播前灌水定额。 2. 用水量平衡方程式估算冬小麦全生育期的灌溉定额 基本资料：某灌区冬小麦全生育期田间需水量E=380m3/mu，设计降雨量 P=150mm，降雨有效利用系数σ=0.8，全生育期地下水补给量K=30m3/mu。生育初期 土壤计划湿润层的深度取0.3m，生育后期取0.8m。土壤孔隙率n=48%(占土体)，田间持水率θ田=70%(占孔隙体积的百分数)。在冬小麦播前进行灌溉，灌后使土壤最大计划湿润 层范围内的含水率皆达到田间持水率，收割时可使土壤含水率降至田间持水率的80%。 要求：用水量平衡法，估算冬小麦全生育期的灌溉定额M2。 3. 西北干旱地区春小麦灌溉制度设计——图解法 基本资料：西北内陆某地，气候干旱，降雨量少，平均年降雨量117mm，其中3~7月 降雨量65.2mm，每次降雨量多属微雨(5mm)或小雨(10mm)，且历时短；灌区地下水埋藏深 度大于3m，且矿化度大，麦田需水全靠灌溉。土壤为轻、中壤土，土壤干容重为 1.48t/m3，田间持水量为28%(干土重的百分数计)。春小麦地在年前进行秋冬灌溉，开春 解冻后进行抢墒播种。春小麦各生育阶段的田间需水量、计划湿润层深度、计划湿润层增 深土层平均含水率及允许最大、最小含水率(田间持水量百分数计)，如表1所列。据农民 的生产经验，抢墒播种时的土壤含水率为75%(田间持水量百分数计)。 要求：用图解法制定春小麦灌溉制度。 表1 春小麦灌溉制度设计资料表 4. 南方湿润地区早稻灌溉制度设计——列表计算法 基本资料：(1)根据该地区灌溉试验站多年观测资料，早稻各生育阶段需水量、田间 允许水层深度及渗漏强度，见(2)根据当地气象资料，中等干旱年（相应的降雨频率75%）

微灌灌溉制度的制定步骤详解及实例说明

微灌灌溉制度的制定步骤详解及实例说明 微灌灌溉制度的制定步骤 1、收集资料 首先要手机当地气象资料，包括常年降水量、降水月分布、气温变化、有效积温等。其次要收集主要作物种植资料，包括播种期、需水特性、需水关键期及根系发育特点、种植密度、常年产量水平等。最后要收集土壤资料，包括土壤质地、田间持水量等。 2、确定微灌灌溉定额 灌溉的目的是补充降水量的不足，因此从理论上讲，微灌灌溉定额就是作物全生育期的需水量与降水量的差值。表示为： 式中：W总——灌溉定额（mm或m3）； P w——作物全生育期需水量（mm或m3）； R w——作物全生育期的常年降水量（mm或m3）。 确定日光温室的灌溉定额时因为没有降水量，主要考虑作物全生育期的需水量P w，可以通过作物耗水强度计算。

P w=（作物日耗水量×生育期天数）/灌溉水利用系数 灌水定额主要依据土壤的存贮水能力，一般土壤存贮水量的能力顺序为：黏土＞壤土＞砂土。以每次灌水达到田间持水量的90%计算，黏土的灌水定额最大，其次是壤土、砂土。灌水定额计算时需要土壤湿润比、计划湿润深度、土壤容重、灌溉上限与灌溉下限的差值和灌溉水利用系数等参数。 3、确定灌水定额 灌水定额是指一次单位面积上的灌水量，通常以m3/亩或mm表示。每次灌水量因作物生长发育阶段的需水特性和土壤现时含水量的不同而不同，因此，每个作物生育阶段的灌水定额都需要计算确定。 灌水定额的计算公式为：M=1000×phγ（θmax-θmin）/η/ρ 式中：M——灌水定额（mm）； p——土壤湿润比（%），参见表1-1； h——计划湿润层深度（mm）； γ——土壤容重（g/cm3），用于计算该土壤中土壤重量，因为田间最大持水量为重量含水量； θmax——灌溉上限，以占田间持水量的百分数表示（%），下同； θmin——灌溉下限（%）； η——灌溉水利用系数，微灌条件下一般选取0.9~0.95； ρ——灌溉水的密度，一般取1.0g/cm3； 1000——单位换算，将米换算为毫米。 4、确定灌水时间间隔 灌水时间间隔取决于上一次灌水定额和作物耗水强度。当作物确定之后，在不同质地的土壤上要想获得相同的产量，总的耗水量相差不会太大，所以灌溉频率应该是砂土最大，壤土次之，黏土最小，灌水时间间隔应该是黏土最大，壤土次之，砂土最小。 灌水时间间隔（灌水周期）可采用以下公式计算：T=M/E 式中：T——灌水时间间隔（d）； M——上一次灌水定额（mm）； E——作物需水强度或耗水强度（mm/d）；

实验一玉米的灌溉制度设计和灌水率的设计

实验一玉米的灌溉制度设计和灌水率的设计 一、实验目的 正确分析所提供的各种资料，掌握作物灌溉制度和灌水率的设计原理、方法和步骤。 二、仪器设备 绘图工具、计算器 三、实验内容 基本资料分析。 1、玉米的地域分布 玉米的种植区域遍布全国各省（区、市），而根据适宜种植的程度又较集中分布在从东北三省经冀、鲁、豫、陕走向西南的一个狭长地带，该地带玉米种植面积占全国玉米总面积的70%，产量接近玉米总产量的4/5。 根据地理位置、地势、气温、无霜期长短等条件确定玉米的播种期和种植制度，并将玉米大致分为春播和夏播两类。我国北方北纬40度以北，多为春季播种，为春玉米。北纬38度以南，气温较高，无霜期多在190天以上，玉米夏季播种，为夏玉米。冀、晋、陕、鲁及新疆等省区，靠北部种植春玉米，南部复种夏玉米，中部春、夏玉米交叉种植。长江以南一些地区有一年三熟的秋玉米，而广西、海南等省区，还可以在冬季种植玉米。 2、玉米的需水规律 无论是春玉米还是夏玉米、北方玉米还是南方玉米，需水模系数（指各生育阶段需水量占全生育期总需水量的百分比）的变化趋势均是从小到大，再由大到小。各生育阶段需水情况如下： （1）播种～拔节阶段：植株蒸腾量很小，其水分多数消耗在棵间蒸发中，玉米这个生育阶段在全生育期内时间最长，春、夏玉米分别占全生育期天数的 32.4%～35.6%和30.3%～31.9%，但需水模系数最低，春玉米占23.9%～24.2%，而夏玉米仅占16.7%～22.8%。

（2）拔节～抽雄阶段：不论是春玉米还是夏玉米，此生育阶段都处于气温较高的季节。玉米在拔节以后，由于植株蒸腾的速率增加较快，日需水强度不断增大。该阶段经历时间，春玉米34～40天，北方夏玉米25～32天，南方夏玉米仅18～25天。该阶段需水模系数普遍较高，春玉米为28.2%～33.5%，在灌溉条件下的夏玉米达28.3%～36.5%。 （3）抽雄～灌浆阶段：是玉米形成产量的关键期。该阶段时间较短，春玉米18～24天，夏玉米16～21天。需水模系数的区域差异性较大，辽宁春玉米平均为17.9%，而山西北部春玉米达28.4%，安徽中部夏玉米为23.7%。 （4）灌浆～成熟阶段：除部分春玉米外，此阶段多数地方气温渐降，叶片也开始发黄，该阶段持续时间：春小麦30～36天，夏玉米22～28天。黄河以北地区，无论春玉米或夏玉米，需水模系数大都为25%左右。而南方多数省份，生育期正常供水情况下，夏玉米需水模系数一般29%～34%，春玉米也在27%以上。 四、实验成果 玉米的灌溉制度表 分区 水文年份 灌水定额（立方米/亩） 灌溉定额（立方米/亩） 产量水平（千克/亩） 播前 苗期 拨节 抽穗 灌浆 中区 一般年 15 15 25 25 20 125 420 东北区 一般年 14 14 24 24 19 120 408 西北区 一般年 14 14 23 23 18 115 403 西南区 一般年 13 13 21 21 17 105 402 东南区 一般年 13 13 22 22 18 110 404