溫室穴盤苗自動移缽路徑優化

張麗娜，譚 彧，呂昊暾，李寶勝，蔣易宇，王 碩

溫室穴盤苗自動移缽路徑優化

張麗娜，譚 彧，呂昊暾※，李寶勝，蔣易宇，王 碩

（中國農業大學工學院，北京 100083）

為了優化移栽機補栽作業時的移缽路徑，該研究基于免疫算法構建了克隆選擇算法和免疫遺傳算法2種適合求解移缽路徑優化問題的模型，并與固定順序法和遺傳算法對比，進行移缽路徑規劃仿真試驗和驗證試驗。結果表明：克隆選擇算法模型和免疫遺傳算法模型均能有效優化移缽路徑，免疫遺傳算法模型的路徑規劃效率較高，而克隆選擇算法模型的路徑規劃效率較低。驗證試驗條件下，該研究2種模型的路徑規劃長度分別為48 977和48 945 mm，相比固定順序法分別縮短7.59%和7.65%，相比遺傳算法模型分別縮短3.60%和3.66%；2種模型的計算時間分別為5.86和2.72 s，免疫遺傳算法模型的計算時間相對遺傳算法減少15.79%。免疫遺傳算法模型可作為溫室穴盤苗后續機械化批量補栽的路徑規劃控制基礎。

溫室；穴盤苗；優化；自動移栽；路徑規劃；克隆選擇算法；免疫遺傳算法

0 引 言

溫室穴盤育苗技術改變了傳統生產方式和種植制度，提高了經濟效益，已被廣泛應用[1-5]。在工廠機械化育苗生產中，成苗率約為80%～95%[6]。其中播種機漏播、種子未發芽以及畸形苗統稱為劣質缽苗。針對穴盤中的劣質缽苗，需進行剔除，并對其進行健康缽苗補栽作業，否則會導致后續機械化批量移栽時出現栽空或漏栽。缽苗移栽機器人對劣質缽苗進行剔除后，需逐一抓取移栽穴盤內的健康缽苗進行補栽，移缽路徑（即補栽路徑）具有多選擇性，對移缽路徑進行優化能夠有效降低末端執行器的行走距離，提高工作效率。

童俊華等[6-7]采用遺傳算法對穴盤苗移缽路徑進行優化，但對于穴盤穴孔數目較多的情況，該算法計算時間較長[7]，規劃效果有待提高。此后童俊華等[7]又采用貪心算法對移栽路徑進行優化。賀磊盈等[8-9]采用貪心遺傳算法對穴盤苗移缽路徑進行近似最優規劃，相比于固定順序法，路徑規劃長度有所降低。徐守江等[10-11]基于蟻群算法和混合蛙跳算法對穴盤苗移缽路徑進行優化。雖然已有部分學者對穴盤苗移缽路徑進行了研究，但路徑規劃效果仍有待進一步提高。

溫室穴盤苗移缽路徑優化問題類似于旅行商問題（Traveling Saleman Problem，TSP），免疫算法被廣泛用于解決TSP問題[12-13]。本文借鑒免疫算法求解TSP問題的思路，分別基于免疫克隆選擇算法（Clonal Selection Algorithm，CSA）和免疫遺傳算法（Immune Genetic Algorithm，IGA），構建了2種適于求解穴盤苗移缽路徑優化問題的模型，并進行仿真試驗和實際驗證試驗，以確定最佳的路徑優化模型，為后續溫室穴盤苗的機械化批量補栽提供路徑規劃控制基礎。

1 移缽作業過程

缽苗自動移栽機主要由穴盤苗輸送系統、機器視覺識別系統、控制系統、移缽系統組成，如圖1所示，通過4個系統的協同作業依次完成劣質缽苗的識別與定位、劣質缽苗剔除和健康缽苗補栽作業[14-18]。

1.穴盤苗輸送系統 2.機器視覺識別系統 3.控制系統 4.移缽系統

常用的穴盤尺寸為250 mm×500 mm，規格以穴孔數量（其中=50、72、128）定義[6]。圖2是一個50穴孔規格的穴盤（下文簡稱50穴孔穴盤）示意圖，目的穴盤中的空穴代表需要補栽的位置；移栽穴盤中的健康缽苗用于補栽作業。移缽路徑優化即是對移栽穴盤中的健康缽苗進行選取，然后確定補栽順序，以保證移栽機械臂的運動路徑最短。

圖2 50穴孔穴盤示意圖

目前工程上主要采用固定順序法[7]（Common Sequence Method，CSM）進行移缽作業，從移栽穴盤中按從上往下、從左至右的順序取苗，再將缽苗按從上至下、從右至左的順序移入到目的穴盤的空穴中去，而不對移缽路徑進行比較選擇。

目的穴盤中劣質缽苗是隨機分布的，剔除后的空穴需要進行補栽。移栽穴盤中健康缽苗具有多選擇性，因此，移栽穴盤中健康缽苗向目的穴盤中的空穴補栽時，存在多種移缽路徑。假設移栽穴盤內可供移栽的健康缽苗為1株，目的穴盤中需隨機補栽的空穴為2個（1≤2≤1≤），此時可供選擇的移缽路徑共有(1!×2!)/(1-2)! 種，移栽機械臂在不同路徑下的運動距離不同，移缽距離越短工作效率越高，因此有必要尋求一條最短距離的移缽路徑。若采用普通的遍歷方法[6]尋求最短路徑，對計算機的運行速度和內存要求很高，普通計算機難以滿足要求，有必要設計一種更合理的求解最優移缽路徑的方法。

2 移缽路徑優化模型構建

免疫算法[19-20]是基于生物免疫系統識別抗原并產生抗體對抗抗原的學習機制提出的智能算法，本文基于免疫算法原理構建出了2種移缽路徑優化求解的免疫算法模型：克隆選擇算法模型和免疫遺傳算法模型。

2.1 基于克隆選擇算法的移缽路徑優化模型

克隆選擇算法（Clone Selection Algorithm，CSA）是一種基于免疫系統的克隆選擇原理形成的搜索算法，具有較強的全局搜索能力[21-22]。針對移缽路徑優化，設計克隆選擇算法模型的實現過程如下：

1）識別待優化問題及約束條件。移缽路徑優化問題可以描述為：從原點出發，選取移栽穴盤中健康缽苗，依次對目的穴盤中的空穴進行補栽，補栽完成后回到原點，要求移缽路徑距離最短，且應保證目的穴盤中的空穴被全部補栽，移栽穴盤中的每株健康缽苗能且只能被移栽1次，移栽總量與目的穴盤中空穴數目相等。

2）隨機生成抗體群，抗體規模為個，每個抗體各對應一種可行路徑。抗體基因即路徑編碼采用實數編碼的形式，編碼長度length取決于目的穴盤中待補缽苗的數量2，即length=2×2，參考文獻[6]的編碼方式，按照從左至右、從下至上的順序對目的穴盤中的空穴和移栽穴盤中的健康缽苗依次進行編碼，如1=36、2=4，則其中一個抗體的編碼可表示為（4, ?1, 9, ?3, 12, ?4, 36, ?2）。

3）抗體與抗原之間的親和度應能反應抗體與抗原的匹配程度，本文針對移缽路徑優化設計抗體與抗原之間的親和度函數fit()如公式（1）所示。

其中len()代表第個抗體的路徑總長，mm。

4）定義親和度最大的/2個抗體為成功識別抗原的抗體，選擇這部分抗體作為克隆源依次進行克隆，每個抗體克隆個；以公式（1）計算出的親和度為依據，按照輪盤賭選擇法對克隆體進行變異操作，生成新的移缽路徑。

5）比較克隆源與變異抗體的親和度，僅保留親和度最高的抗體（即移缽路徑最短的抗體）進入新的抗體種群；克隆抑制后種群個數減少為/2個，為了增加抗體的多樣性，擴大搜索范圍，繼續隨機生成/2個新的抗體，與克隆抑制后的抗體合并形成新的抗體群。

該模型的實現流程如圖3所示。

圖3 克隆選擇算法模型流程圖

2.2 基于免疫遺傳算法的移缽路徑優化模型

Wang等[23-25]將免疫算子引入遺傳算法中，提出了一種免疫遺傳算法，解決了遺傳算法的早熟收斂問題，具有較強的尋優能力。本文針對移缽路徑優化，設計免疫遺傳算法模型的實現過程如下：

1）隨機生成抗體群，該抗體群由普通抗體和記憶細胞組成，抗體規模為個，其中普通抗體規模為1個，記憶細胞規模為2個。模型初始化時，記憶細胞庫中的抗體與普通抗體相同，都通過隨機方式產生。

2）計算抗體的期望繁殖率。每個抗體的期望繁殖率exc()由抗體與抗原的親和度fit()和抗體的濃度con()共同決定[26]：

式中ps為多樣性評價參數，常取為0.95[27]。

進行抗體濃度計算的前提是計算抗體與抗體之間的親和度，免疫遺傳算法中常用基于海明距離的計算方法、基于信息熵的計算方法和基于歐式距離的計算方法，但以上3種方法均存在計算量大、路徑規劃效率低的問題[28]，且不適用于移缽路徑優化問題。

本文對抗體與抗體間親和度計算方法進行改進，采用位連續法[29]設計抗體間的親和度S計算函數，如公式（3）所示。

式中length為抗體編碼長度，R為抗體與抗體的路徑編碼的最長公共基因個數。

例如，3個抗體的路徑編碼分別為（4, ?1, 9, ?3, 12, ?4, 26, ?2）、（4, ?1, 9, ?2, 7, ?4, 8, ?3）和（36, ?2, 6, ?3, 12, ?4, 8, ?1），則抗體1與抗體2、抗體1與抗體3、抗體2與抗體3的最長公共基因個數分別為3個（4, ?1, 9和4, ?1, 9）、3個（?3, 12, ?4和?3, 12, ?4）、和2個（?4, 8和?4, 8），其親和度12、13、23分別為0.375、0.375和0.25。

當2個抗體的親和度高于某個閾值，即2個路徑編碼的最長公共基因個數與編碼長度的比值高于某個閾值時，認為2個抗體相似。若抗體與抗體相似，則抗體必與抗體相似，故抗體相似具有對稱性。基于此，本文采用一種基于相似濃度矩陣的抗體濃度計算方法[30]，可有效減少計算量，其具體方法為：

定義一個大小為×的相似濃度矩陣，C代表抗體和抗體的相似度，C為1則代表抗體和抗體相似，為0則不相似，如公式（4）；相似濃度矩陣的第行表示抗體與群體中所有抗體（包括自身）的相似關系，抗體的濃度con()可通過公式（5）計算得到。由于抗體相似具有對稱性，因此C=C=1。

式中為預先設定的一個閾值，本文設計為一個變量，與抗體編碼長度有關，由公式（6）計算得到。

分析可知，對于的2個元素來說，只需計算(?1)/2個元素就可完成的計算，即抗體濃度的計算量減少，算法的運行速度提高。

3）保留精英路徑。為了避免與抗原親和度最高的抗體因其濃度高受到抑制，導致最優解丟失，采用精英保留策略，選取與抗原親和度最高的個抗體放入記憶細胞庫。然后按照抗體的期望繁殖率，選取(2?)個抗體放入記憶細胞庫。

4）以式（2）計算出的期望繁殖率為依據，采用輪盤賭選擇法對抗體進行單點交叉和變異操作，并針對移缽路徑的特殊性進行去重和替換操作[6]，得到新抗體；新抗體與記憶庫中的精英抗體合并，形成新種群。

該模型的實現流程如圖4所示。

圖4 免疫遺傳算法模型流程圖

3 仿真試驗與結果分析

為了測試本文設計的2種優化模型的有效性和工作性能，進行移缽路徑規劃仿真試驗，仿真環境為MATLAB R2013b。通過預試驗對一些關鍵參數進行確定，設定克隆選擇算法模型中種群規模為40，迭代次數為50，變異概率為0.4，克隆個數為10個；免疫遺傳算法模型中種群總規模為40（其中記憶細胞庫容量為10個），迭代次數為50，交叉概率為0.5，變異概率為0.4，參考文獻[27]，多樣性評價參數為0.95。參考文獻[6]，移栽穴盤和目的穴盤的間距設定為100 mm。

3.1 試驗方案

3.1.1 有效性驗證試驗

為驗證本文設計的2種優化模型的有效性，以文獻[6]、文獻[10]和文獻[11]中的1組經典移缽實例進行路徑規劃對比試驗，目的穴盤和移栽穴盤均為50穴孔穴盤，目的穴盤中劣質缽苗的數量為4株，移栽穴盤中健康缽苗的數量為36株，目的穴盤和移栽穴盤中缽苗分布如圖5a所示。文獻[6]、文獻[10]和文獻[11]分別采用遺傳算法、蟻群算法和蛙跳算法。

3.1.2 隨機對比試驗

為了進一步對比本文所設計2種模型與其他經典算法之間的優劣性，選擇固定順序法（Common Sequence Method，CSM）和遺傳算法（Genetic Algorithm，GA），以路徑規劃長度和計算時間為指標展開對比試驗，其中遺傳算法是指文獻[6]所用算法。遺傳算法涉及路徑優化和計算時間，而固定順序法作為最基本的移缽方法，對于確定的移缽情況，其路徑是固定的，無需計算，不涉及計算時間，因此在進行試驗結果對比時，固定順序法只參與路徑規劃長度對比，不參與計算時間對比。

穴盤苗補栽時，移栽穴盤和目的穴盤中的劣質缽苗數量（空穴數）是隨機的，在穴盤規格的5%～20%范圍內[6]，位置也是隨機分布在穴盤中的。選取50、72和128穴孔穴盤進行移缽路徑規劃仿真試驗，目的穴盤和移栽穴盤的規格一致，移缽數量人為設置，位置隨機，以移栽穴盤內健康缽苗全部移完為1組試驗，1個移栽穴盤約向5～10個目的穴盤進行補栽，各組試驗中均進行多次路徑規劃，將多次路徑規劃長度和計算時間累加作為各組試驗的結果。3種規格的穴盤分別進行5組試驗，每組試驗的移缽數量如表1所示。如表1所示，50穴孔穴盤的第1組試驗中，移栽穴盤中健康缽苗的數量為41株，共向5個目的穴盤進行了補栽；50穴孔穴盤的第2組試驗中，移栽穴盤中健康缽苗的數量為43株，共向6個目的穴盤進行了補栽。

因128穴孔穴盤含缽苗數量多，計算量大，迭代次數為50時2種優化模型的收斂曲線不平穩，路徑規劃長度仍有較大優化空間，故本試驗中將迭代次數設置為80。

表1 隨機對比試驗的移缽數量

注：“-”表示移栽穴盤中健康缽苗已被移完，目的穴盤補栽結束。

Note: “-” means that all healthy seedlings in transplant tray had been transplanted, and objective plug tray replanting had been done.

3.2 仿真試驗結果與分析

3.2.1 有效性驗證試驗結果與分析

表2為有效性驗證試驗結果。由表2可知，2種模型得到的最優路徑長度均為2 914 mm，略優于遺傳算法，與蟻群算法和蛙跳算法的規劃效果一致；克隆選擇算法、免疫遺傳算法、遺傳算法和蟻群算法的平均計算時間分別為0.61、0.24、0.65和0.54 s，克隆選擇算法與遺傳算法的計算時間相近，免疫遺傳算法明顯優于遺傳算法和蟻群算法，且優于基于克隆選擇算法，表明本文所設計的2種模型均能有效完成路徑規劃，且路徑規劃效果較好。圖5為本文設計的2種優化模型的路徑規劃結果和收斂曲線，由圖5可知，在該組試驗中，本文所設計的2種模型均能在50代內快速收斂，規劃的路徑長度較穩定，表明2種模型性能穩定。

表2 不同算法下經典移缽實例的仿真結果對比

注：CSM指固定順序法，GA指文獻[6]的遺傳算法，ACO指文獻[10]的蟻群算法，SFLA指文獻[11]的蛙跳算法，CSA指本文的克隆選擇算法，IGA指本文的免疫遺傳算法，“*”指文獻中無此數據。

Note: CSM refers to the Common Sequence Method, GA refers to the Genetic Algorithm used in literature[6], ACO refers to the Ant Colony Algorithm used in literature[10], SFLA refers to the Leapfrog Algorithm used in literature[11], CSA refers to the Clone Selection Algorithm model designed in this paper, IGA refers to the Immune Genetic Algorithm model designed in this paper, “*” refers to the data not mentioned in the literatures.

3.2.2 隨機對比試驗結果與分析

圖6為50、72和128穴孔穴盤仿真試驗的路徑規劃長度對比。由圖6可知，在3種規格穴盤的各組試驗中，克隆選擇算法模型和免疫遺傳算法模型路徑規劃長度相近，相比于固定順序法和遺傳算法模型明顯縮短。根據試驗結果，進一步計算得到固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型在50穴孔穴盤仿真試驗的路徑規劃長度總計分別為191 843、179 910、174 750和174 755 mm，在72穴孔穴盤仿真試驗的路徑規劃長度總計分別為265 065、249 880、241 433和243 419 mm，128穴孔穴盤仿真試驗的路徑規劃長度總計分別為460 623、436 155、416 053和416 310 mm。對比可知，在3種規格的穴盤仿真試驗中，各算法模型按照路徑規劃長度從小到大的順序均為：克隆選擇算法模型、免疫遺傳算法模型、遺傳算法模型、固定順序法，其中本文設計的2種模型的路徑規劃長度相近，相比于另外2個模型明顯縮短，尤其是128穴孔穴盤，克隆選擇算法模型和免疫遺傳算法模型相比固定順序法分別最大可縮短9.68%和9.62%，相比遺傳算法模型分別最大可縮短4.61%和4.55%。

固定順序法并未對移缽路徑進行比較選擇，故路徑長度最長；遺傳算法對特征信息利用不足，新生成的子代個體路徑編碼可能發生突變，性能劣于父代個體，因此移缽路徑優化效果差；克隆選擇算法的克隆選擇和克隆抑制操作，保證了迭代過程是趨于向更短移缽路徑收斂的方向進行的，故具有較好的路徑優化能力；免疫遺傳算法模型將移缽路徑最短的抗體保留至記憶細胞庫，也保證了迭代是趨于向更短移缽路徑收斂的方向進行的，且對路徑的產生進行促進或抑制操作，保證了抗體路徑編碼的多樣性，避免了局部收斂，因此也具有較好的路徑優化能力。

圖5 經典移缽實例的仿真結果及對比

圖6 不同規格穴盤仿真試驗的規劃路徑長度對比

圖7為50、72和128穴孔穴盤仿真試驗的路徑規劃計算時間對比。由圖7可知，在3種規格穴盤的各組試驗中，相比于遺傳算法模型，免疫遺傳算法模型的計算時間明顯減少，但克隆選擇算法模型的計算時間卻增加，免疫遺傳算法模型路徑規劃效率較高。根據試驗結果，進一步計算得到遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型在50穴孔穴盤仿真試驗的計算時間總計分別為11.89、21.48和9.42 s，在72穴孔穴盤仿真試驗的計算時間總計分別為15.64、27.93和12.13 s，128穴孔穴盤仿真試驗的計算時間總計分別為48.27、84.00和34.04 s。對比可知，在3種規格穴盤仿真試驗中，3種算法模型按照計算時間從小到大的順序為：免疫遺傳算法模型、遺傳算法模型、克隆選擇算法模型，本文設計的免疫遺傳算法模型的計算時間相比遺傳算法明顯減少，尤其是128穴孔穴盤，最大可減少29.48%，但克隆選擇算法模型的計算時間最長，路徑規劃效率比免疫遺傳算法模型低。

圖7 不同規格穴盤仿真試驗的計算時間對比

本文在設計免疫遺傳算法模型時引用相似濃度矩陣的方式計算抗體濃度，避免了許多重復性的計算，因此能夠有效減少計算時間；克隆選擇算法模型的克隆復制和克隆抑制操作，相比于免疫遺傳算法和遺傳算法模型增大了計算量，故計算時間長。

仿真試驗表明：相比固定順序法和遺傳算法，本文設計的克隆選擇算法模型和免疫遺傳算法模型均具有較好的移缽路徑優化能力，但免疫遺傳算法模型的路徑規劃效率更高。

4 驗證試驗

為了驗證本文設計的2種模型的實際工作效果，進一步基于克隆選擇算法模型、免疫遺傳算法模型、固定順序法、遺傳算法模型開展實際驗證試驗。缽苗移栽機和移栽穴盤如圖8所示，移栽穴盤中劣質缽苗共有7株，位置見圖8b。本文以中農富通公司培育的中華大椒苗開展補栽試驗，苗齡為20 d，穴盤規格為72穴孔，長500 mm，寬250 mm。為避免環境光線對識別效果的影響，對缽苗移栽機的機器視覺識別系統進行遮光處理，將移栽穴盤擺放在移栽穴盤固定臺上，移栽穴盤和目的穴盤的間距為100 mm。

選取9個穴盤，1個作為移栽穴盤，8個作為目的穴盤，試驗前將穴盤中的劣質缽苗剔除，移栽穴盤中的空穴數為7個，目的穴盤每盤的移缽數量如表3所示。試驗時，首先由機器視覺識別系統獲取移栽穴盤中缽苗的坐標，然后將此穴盤擺放在移栽穴盤固定臺上；目的穴盤在穴盤苗輸送系統的帶動下，經過機器視覺識別系統下方，獲取該穴盤中缽苗的坐標后停留在移栽穴盤旁邊；機器視覺識別系統將獲取的缽苗坐標提供給控制系統，控制系統依次利用3個算法模型進行路徑規劃，并控制移缽系統進行補栽作業；依次對8個目的穴盤進行補栽，試驗時記錄每次路徑規劃長度和計算時間；根據預試驗，設定移缽系統的移動速度為100 mm/s，移栽機械手下降取苗和上升的時間各為1 s（此時移栽機的工作效果較穩定）。記錄每個目的穴盤補栽完成所需的時間（簡稱補栽時間），試驗結果如表3所示。

1.穴盤苗輸送系統 2.機器視覺識別系統 3.移栽穴盤固定臺 4.移缽系統

表3 不同算法下穴盤苗補栽結果對比

由表3可知，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的路徑規劃長度總計分別為52 998、50 807、48 977和48 945 mm，4種方法的路徑規劃長度，從小到大的順序為：免疫遺傳算法模型、克隆選擇算法模型、遺傳算法模型、固定順序法，其中，免疫遺傳算法模型和克隆選擇算法模型的路徑規劃長度相近，相比固定順序法分別縮短7.65%和7.59%，相比遺傳算法模型分別縮短3.66%和3.60%。遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的計算時間分別為3.23、5.86和2.72 s，免疫遺傳算法模型的計算時間相對遺傳算法減少15.79%，克隆選擇算法模型的計算時間最長，路徑規劃效率較低。8個目的穴盤總計補栽65株健康缽苗，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的補栽時間總計分別為789.98、752.68、755.31和752.17 s，4種方法的補栽時間，從小到大的順序為：免疫遺傳算法模型、遺傳算法模型、克隆選擇算法模型、固定順序法，固定順序法雖然無需計算時間，但是其路徑規劃長度最大，移栽機械手的執行時間最長，導致移栽時間最長。使用免疫遺傳算法模型時，計算時間總計僅為2.72 s，路徑規劃效率較高。驗證試驗表明：本文設計的2種模型的實際工作效果與仿真試驗結果基本一致，免疫遺傳算法模型具有較好的移缽路徑優化能力，且路徑規劃效率更高。

本文進行補栽試驗時，設置移栽穴盤和目的穴盤的規格一致，在實際應用中，存在移栽穴盤和目的穴盤的規格不一致的情況，本文設計的2種模型均可適用于這種情況，只需要缽苗移栽機的機器視覺識別系統分別獲取移栽穴盤和目的穴盤中缽苗的坐標，控制系統即可利用本文設計的模型進行路徑規劃。

5 結 論

為了改善移栽機進行缽苗補栽時的路徑規劃效果，本文基于免疫算法設計了克隆選擇算法和免疫遺傳算法2種適合求解移缽路徑優化問題的模型，以固定順序法和遺傳算法為對比對象，選取50、72和128穴孔穴盤進行移缽路徑規劃仿真試驗，并選取72穴孔穴盤進行實際驗證試驗，得到如下主要結論：

1）本文設計的克隆選擇算法模型和免疫遺傳算法模型均能有效優化移缽路徑，該2種模型路徑規劃長度相近，相比于固定順序法和遺傳算法模型明顯縮短，實際驗證試驗中1個移栽穴盤向8個目的穴盤進行了實際補栽，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的路徑規劃長度分別為52 998、50 807、48 977和48 945 mm，克隆選擇算法模型和免疫遺傳算法模型相比固定順序法分別縮短7.59%和7.65%，相比遺傳算法模型分別縮短3.60%和3.66%。

2）免疫遺傳算法模型具有較高的路徑規劃效率，而克隆選擇算法模型的路徑規劃效率較低。實際驗證試驗中，遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的計算時間分別為3.23、5.86和2.72 s，免疫遺傳算法模型的計算時間相對遺傳算法減少15.79%。

本文設計的免疫遺傳算法模型不僅能有效優化移缽路徑，而且規劃效率更高，可作為后續溫室穴盤苗機械化批量補栽的路徑規劃控制基礎。本文仿真和實際試驗中均以同規格的穴盤苗為補栽對象，對于其他規格的溫室穴盤苗移缽路徑優化，使用本文模型時，只需根據實際需要傳入缽苗的坐標即可。

[1] 李其昀. 機械化育苗移栽的現狀與展望[J]. 農機化研究，2006，28(3)：26-27.

Li Qiyun. The present status and development tendency of bowl-rear transplanting mechanization[J]. Journal of Agricultural Mechanization Research, 2006, 28(3): 26-27. (in Chinese with English abstract)

[2] Ryu K H, Kim G, Han J S. Development of a robotic transplanter for bedding plants[J]. Journal of Agricultural Engineering Research, 2001, 78(2): 141-146.

[3] 張麗華，邱立春，田素博. 穴盤苗自動移栽機的研究進展[J]. 農業科技與裝備，2009，185(5)：28-31.

Zhang Lihua, Qiu Lichun, Tian Subo. Progress in the research of manipulator of transplanting potted tray seedlings[J]. Agricultural Science & Technology and Equipment, 2009, 185(5): 28-31. (in Chinese with English abstract)

[4] 馮青春，王秀，姜凱，等. 花卉幼苗自動移栽機關鍵部件設計與試驗[J]. 農業工程學報，2013，29(6)：21-27. Feng Qingchun, Wang Xiu, Jiang Kai, et al. Design and test of key parts on automatic transplanter for flower seedling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 21-27. (in Chinese with English abstract)

[5] 張振國，曹衛彬，王僑，等. 穴盤苗自動移栽機的發展現狀與展望[J]. 農機化研究，2013，35(5)：237-241.

Zhang Zhenguo, Cao Weibin, Wang Qiao, et al. Development status and prospect of plug seedlings automatic transplanting machine[J]. Journal of Agricultural Mechanization Research, 2013, 35(5): 237-241. (in Chinese with English abstract)

[6] 童俊華，蔣煥煜，周鳴川. 基于遺傳算法的穴盤苗自動移缽路徑優化[J]. 農業機械學報，2013，44(4)：45-49，26.

Tong Junhua, Jiang Huanyu, Zhou Mingchuan. Optimization of seedling transplanting path based on genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4): 45-49, 26. (in Chinese with English abstract)

[7] 童俊華，蔣煥煜，武傳宇. 基于貪心算法的溫室缽苗稀植移栽路徑優化[J]. 農業機械學報，2016，47(3)：8-13.

Tong Junhua, Jiang Huanyu, Wu Chuanyu. Optimization of seedlings lower density transplanting path based on greedy algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 8-13. (in Chinese with English abstract)

[8] 賀磊盈，楊太瑋，武傳宇，等. 基于貪心遺傳算法的穴盤苗補栽路徑優化[J]. 農業機械學報，2017，48(5)：36-43.

He Leiying, Yang Taiwei, Wu Chuanyu, et al. Optimization of replugging tour planning based on greedy genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 36-43. (in Chinese with English abstract)

[9] Tong Junhua, Wu Chuanyu, Jiang Huanyu, et al. Optimizing the path of seedling low-density transplanting by using greedy genetic algorithm[J]. Computers and Electronics in Agriculture, 2017, 142(A): 356-368.

[10] 徐守江. 基于蟻群算法的穴盤苗自動移缽路徑優化[J]. 江蘇農業科學，2015，43(12)：475-477.

[11] 徐守江，羅竹青. 基于鄰域搜索的穴盤苗移缽路徑優化蛙跳算法[J]. 農機化研究，2018，40(11)：208-212.

Xu Shoujiang, Luo Zhuqing. Shuffled frog leaping algorithm for seedling transplanting path optimization based on neighbor search strategy[J]. Journal of Agricultural Mechanization Research, 2018, 40(11): 208-212. (in Chinese with English abstract)

[12] 廖玲，謝紅薇，袁倩倩. 基于TSP問題的免疫算法研究[J]. 電腦開發與應用，2010，23(4)：20-22.

Liao Ling, Xie Hongwei, Yuan Qianqian. Research on immune algonrithm based on TSP problem[J]. Computer Development & Applications, 2010, 23(4): 20-22. (in Chinese with English abstract)

[13] 劉克勝，曹先彬，鄭浩然，等. 基于免疫算法的TSP問題求解[J]. 計算機工程，2000，26(1)：1-2.

Liu Kesheng, Cao Xianbin, Zheng Haoran, et al. Solving TSP based on immune algorithm[J]. Computer Engineering, 2000, 26(1): 1-2. (in Chinese with English abstract)

[14] 田素博，王榮華，邱立春. 溫室穴盤苗自動移栽輸送系統設計[J]. 沈陽農業大學學報，2009，40(5)：620-622.

Tian Subo, Wang Ronghua, Qiu Lichun. Design on conveyor system of automatic transplanting for plug seedling in greenhouse[J]. Journal of Shenyang Agricultural University, 2009, 40(5): 620-622. (in Chinese with English abstract)

[15] Tong Junhua, Jiang Huanyu, Zhou Wei. Development of automatic system for the seedling transplanter based on machine vision technology[J]. Proceedings of the 2012 IEEE International Conference on Computer Science and Automation Engineering (CSAE), 2012: 742-746.

[16] 蔣煥煜，施經揮，任燁，等. 機器視覺在幼苗自動移缽作業中的應用[J]. 農業工程學報，2009，25(5)：127-131.

Jiang Huanyu, Shi Jinghui, Ren Ye, et al. Application of machine vision on automatic seedling transplanting[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(5): 127-131. (in Chinese with English abstract)

[17] 田素博，邱立春，張詩. 基于PLC的穴盤苗移栽機械手控制系統設計[J]. 沈陽農業大學學報，2007，38(1)：122-124.

Tian Subo, Qiu Lichun, Zhang Shi. Control system of transplanting potted seedlings manipulator based on PLC[J]. Journal of Shenyang Agricultural University, 2007, 38(1): 122-124. (in Chinese with English abstract)

[18] 孫國祥，汪小旵，何國敏，等. 穴盤苗移栽機末端執行器設計與虛擬樣機分析[J]. 農業機械學報，2010，41(10)：48-53.

Sun Guoxiang, Wang Xiaochan, He Guomin, et al. Design of the end-effector for plug seedlings transplanter and analysis on virtual prototype[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(10): 48-53. (in Chinese with English abstract)

[19] 李月. 基于遺傳算法的免疫算法對TSP問題的改進與研究[J]. 中國傳媒大學學報：自然科學版，2017，24(4)：58-63.

Li Yue. Improvement and research on TSP problem by immune algorithm based on genetic algorithm[J]. Journal of Communication University of China: Science and Technology, 2017, 24(4): 58-63. (in Chinese with English abstract)

[20] 王磊，潘進，焦李成. 免疫算法[J]. 電子學報，2000，28(7)：74-78.

Wang Lei, Pan Jin, Jiao Licheng. The immune algorithm[J]. Acta Electronica Sinica, 2000, 28(7): 74-78. (in Chinese with English abstract)

[21] De Castro L N, Von Zuben F J, Learning and optimization using the clonal selection principle[J]. Ieee Transactions on Evolutionary Computation, 2002, 6(2): 239-251.

[22] 高輝，徐光輝，王哲人，等. 克隆選擇算法在一類有競爭的物流配送中心選址問題中的應用[J]. 公路交通科技，2007，24(6)：144-147.

Gao Hui, Xu Guanghui, Wang Zheren, et al. Application of clonal selection algorithm on competitive location model of logistics distribution center[J]. Journal of Highway and Transportation Research and Development, 2007, 24(6): 144-147. (in Chinese with English abstract)

[23] Wang Lei, Pan Jin, Jiao Li-Cheng. The immune programming[J]. Chinese Journal of Computers, 2000, 23(8): 806-812.

[24] 王磊. 免疫進化計算理論及應用[D]. 西安：西安電子科技大學，2001.

Wang Lei. Immune Evolutionary Computation and its Application[D]. Xi’an: Xi Dian University, 2001. (in Chinese with English abstract)

[25] 王瓊，呂微，任偉建. 免疫遺傳算法及在優化問題中的應用綜述[J]. 計算機應用研究，2009，26(12)：4428-4431.

Wang Qiong, Lv Wei, Ren Weijian. Immune genetic algorithm and applications in optimization[J]. Application Research of Computers, 2009, 26(12): 4428-4431. (in Chinese with English abstract)

[26] 莫宏偉，金鴻章. 免疫算法原理與應用[J]. 航空計算技術，2002，32(4)：49-51.

Mo Hongwei, Jin Hongzhang. The principle and application of immune algorithm[J]. Aeronautical Computer Technique, 2002, 32(4): 49-51. (in Chinese with English abstract)

[27] 郁磊. MATLAB智能算法30個案例分析[M]. 北京：北京航空航天大學出版社，2015.

[28] 李菁，王宗軍，鄒彤. 求解車輛路徑問題的免疫算法[J]. 數學的實踐與認識，2005，35(7)：178-183.

Li Jing, Wang Zongjun, Zou Tong. Immune algorithm for vehicle routing problem[J]. Mathematics in Pracrice and Theory, 2005, 35(7): 178-183. (in Chinese with English abstract)

[29] Forrest Stephanie, Javornik Brenda, Smith Robert E, et al. Using genetic algorithms to explore pattern recognition in the immune system[J]. Evolutionary Computation, 1993, 1(3): 191-211.

[30] 鄭日榮，毛宗源，羅欣賢. 基于歐氏距離和精英交叉的免疫算法研究[J]. 控制與決策，2005，20(2)：161-164，169.

Zheng Rirong, Mao Zongyuan, Luo Xinxian. Artificial immune algorithm based on euclidean distance and king-crossover[J]. Control and Decision, 2005, 20(2): 161-164, 169. (in Chinese with English abstract)

Optimization of automatic transplanting path for plug seedlings in greenhouse

Zhang Lina, Tan Yu, Lyu Haotun※, Li Baosheng, Jiang Yiyu, Wang Shuo

(,,100083,)

In mechanized plug seedling production, it is necessary to eliminate inferior plug seedlings and replant healthy plug seedlings with transplanter. In order to improve the plug seedling transplanting efficiency, plug seedling transplanting path would be planned. In this paper, the Clone Selection Algorithm(CSA) model and Immune Genetic Algorithm(IGA) model were constructed to solve the problem of transplanting path optimization of plug seedlings in greenhouse. Compared with the common sequence method and the Genetic Algorithm(GA), the simulation and verification tests of the transplanting path planning were carried out with 50-hole, 72-hole, and 128-hole plug trays. Set the population size in the CSA model to 40, the mutation probability to 0.4, and the number of clones to 10. Set the total population size in the IGA model to 40 (of which the memory cell bank capacity was 10), and the crossover probability to 0.5, the mutation probability was 0.4, and the diversity evaluation parameter was 0.95. The results showed that CSA and IGA model designed in this paper could achieve the purpose of optimizing the plug seedling transplanting path. The planned path length of the two models was similar, and the planned path length of two models was significantly shortened compared with the common sequence method and the GA. In the verification tests, the planned path length of common sequence method, GA model, CSA model and IGA model were 52 998, 50 807, 48 977 and 48 945 mm respectively. Compared with the common sequence method and the GA, the planned path length of CSA model and IGA model were shortened by 7.59% and 7.65%, and shortened by 3.60% and 3.66% compared with the GA model. The path planning efficiency of IGA model was higher than that of the CSA model, the calculation time of GA model, CSA model and IGA model was 3.23, 5.86 and 2.72 s respectively, the calculation time of IGA model was 15.79% less than that of the GA model. The models designed in this paper were suitable for path optimization of various-size plug seedlings automatic transplanting in greenhouse, it only needed to get the coordinates of plug seedlings according to the actual needs.

greenhouse; plug seedling; optimization; automatic transplanting; path planning; Clone Selection Algorithm; Immune Genetic Algorithm

張麗娜，譚彧，呂昊暾，等.溫室穴盤苗自動移缽路徑優化[J]. 農業工程學報，2020，36(15)：65-72.doi：10.11975/j.issn.1002-6819.2020.15.008 http://www.tcsae.org

Zhang Lina, Tan Yu, Lyu Haotun, et al. Optimization of automatic transplanting path for plug seedlings in greenhouse [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 65-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.008 http://www.tcsae.org

2020-03-11

2020-07-22

國家重點研發計劃（2016YFD0700302）

張麗娜，博士生，主要從事機電一體化研究。Email：2271426674@qq.com

呂昊暾，博士，講師，主要從事機電一體化研究。Email：lvhaotun@cau.edu.cn

10.11975/j.issn.1002-6819.2020.15.008

S24

A

1002-6819(2020)-15-0065-08