基于改進多父輩遺傳算法的農(nóng)機調(diào)度優(yōu)化方法

張 帆，羅錫文，張智剛，何 杰，張聞宇

（華南農(nóng)業(yè)大學(xué)工程學(xué)院，南方農(nóng)業(yè)機械與裝備關(guān)鍵技術(shù)省部共建教育部重點實驗室，廣州 510642）

0 引言

傳統(tǒng)農(nóng)機跨區(qū)作業(yè)存在組織效率低、勞動生產(chǎn)率不高等問題，造成資源浪費[1]。農(nóng)機作業(yè)時效強，特別是在農(nóng)忙時節(jié)，要求農(nóng)機在規(guī)定時間內(nèi)完成作業(yè)任務(wù)，以確保糧食歸倉和及時播種，提高農(nóng)機作業(yè)效率已經(jīng)成為農(nóng)業(yè)生產(chǎn)的首要問題。農(nóng)機導(dǎo)航技術(shù)與物聯(lián)網(wǎng)技術(shù)的興起，為農(nóng)機規(guī)模化調(diào)度和農(nóng)場規(guī)模化作業(yè)的實現(xiàn)提供了技術(shù)支撐，加速了傳統(tǒng)農(nóng)機作業(yè)邁向智能農(nóng)機作業(yè)的進程[2]，也為無人農(nóng)場的建設(shè)運營提供理論依據(jù)[3-4]。

在農(nóng)業(yè)生產(chǎn)過程中，隨著對自動導(dǎo)航作業(yè)需求的不斷增加，實現(xiàn)多臺同種或異種作業(yè)農(nóng)機之間協(xié)同作業(yè)已成為農(nóng)機導(dǎo)航研究的重點[5]。對于單作業(yè)任務(wù)而言，國內(nèi)外對農(nóng)機的協(xié)同作業(yè)的研究重點主要集中收獲農(nóng)機與運輸車輛之間的配合作業(yè)上[6]，如Lida等[7]和Noguchi等[8]分別研究了農(nóng)機車輛自動跟隨作業(yè)與協(xié)同導(dǎo)航作業(yè)操作的問題。Zhang等[9]開發(fā)了一套跟隨式農(nóng)機主從導(dǎo)航作業(yè)系統(tǒng)，實現(xiàn)了從機對主機的輔助運輸和加油等作業(yè)。針對多作業(yè)任務(wù)的需求，通常要根據(jù)機器、人員以及作業(yè)任務(wù)等信息，設(shè)計優(yōu)化算法與決策策略，科學(xué)地對機器和人員進行運營調(diào)配，在保證所有作業(yè)任務(wù)及時完成的前提下，實現(xiàn)作業(yè)時間最短或作業(yè)成本最小[10-11]。

國內(nèi)外許多學(xué)者對多農(nóng)機執(zhí)行多種作業(yè)任務(wù)的資源配置問題進行了研究。Jena等[12]利用混合整數(shù)規(guī)劃的方法確定甘蔗收獲機的作業(yè)路徑；Sethanan等[13]以甘蔗收獲機作業(yè)距離最小化和甘蔗收獲產(chǎn)量最大化為目標(biāo)，提出了改進粒子群優(yōu)化算法（MO-GLNPSO）解決甘蔗收獲機路徑規(guī)劃問題；Pitakaso等[14]提出了一種基于時間窗的聯(lián)合收獲機分配與路由問題的領(lǐng)域搜索方法，在聯(lián)合收獲機在任務(wù)共享的情況下，最大限度地提高收獲機的服務(wù)面積；Cerdeira等[15]研究了一個具有附加集群約束、時間窗和城市處理時間約束的旅行商問題（Traveling Salesman Problem，TSP）的變換模型[16]，并采用禁忌搜索和模擬退火思想相結(jié)合的算法對一個農(nóng)機合作社幾個聯(lián)合收獲機的作業(yè)路徑進行了優(yōu)化。國內(nèi)方面，曹如月等和張小花等類比旅行商問題[17-18]，采用蟻群算法求解多機協(xié)同作業(yè)任務(wù)規(guī)劃問題，但未將農(nóng)機在田間作業(yè)的約束進行綜合考慮；He等[19]提出了一種基于禁忌搜索和遺傳算法算子的混合算法以確定小麥的最優(yōu)收獲時間，達(dá)到減少收獲時間的目的；王雪陽等[20]采用改進遺傳算法對跨區(qū)域作業(yè)的農(nóng)機調(diào)度問題進行了研究；Zhou等[21]采用粒子群算法和遺傳算法相結(jié)合的方法求解了農(nóng)機調(diào)度服務(wù)問題。部分研究采用啟發(fā)式算法，如吳才聰?shù)萚22]針對單一農(nóng)機的作業(yè)問題建立了時空調(diào)度模型，并以動態(tài)規(guī)劃的方式進行基于時間窗的分步求解，最終完成整個模型的調(diào)度；Zhang等[23-24]針對農(nóng)機跨區(qū)緊急作業(yè)調(diào)度問題進行了模型設(shè)計，并采用基于距離最近優(yōu)先的多機多任務(wù)緊急調(diào)配和基于貢獻(xiàn)度最大優(yōu)先的多機多任務(wù)緊急調(diào)配的啟發(fā)算法進行了求解，完成了農(nóng)機的調(diào)度任務(wù)。

上述研究對多農(nóng)機在特定時間內(nèi)完成同一種作業(yè)任務(wù)提供了很好的解決方案，但是對農(nóng)機作業(yè)過程中多種任務(wù)連續(xù)作業(yè)的問題，如需連續(xù)進行耕整、播種和施肥等作業(yè)，無法提供科學(xué)合理的決策服務(wù)。本文主要研究多農(nóng)機多任務(wù)的連續(xù)調(diào)度問題，綜合考慮了調(diào)度損耗與作業(yè)損耗，通過采集的任務(wù)與農(nóng)機的作業(yè)參數(shù)，建立農(nóng)機調(diào)度模型，以作業(yè)時間最短為優(yōu)化目標(biāo)，利用改進的多父輩遺傳算法進行農(nóng)機作業(yè)任務(wù)序列規(guī)劃，為解決多任務(wù)多農(nóng)機的調(diào)度問題提供理論依據(jù)，也為開發(fā)基于無人農(nóng)場智能農(nóng)機管控平臺提供決策參考。

1 多農(nóng)機多任務(wù)作業(yè)調(diào)度問題

1.1 問題描述

隨著3S技術(shù)[25]與農(nóng)機自動駕駛技術(shù)[26]的不斷發(fā)展，智能農(nóng)機可通過移動互聯(lián)網(wǎng)與云平臺進行實時通訊，將農(nóng)機的實時位置、速度、作業(yè)等信息上傳至云端，這為農(nóng)機的精準(zhǔn)調(diào)度提供了數(shù)據(jù)參考與技術(shù)支撐[27-28]。農(nóng)機作業(yè)具有很強的時效性，特別是在農(nóng)忙時節(jié)，需要在較短的時間內(nèi)完成農(nóng)田的耕整、播種、施肥等作業(yè)操作，而進行每種作業(yè)的農(nóng)機具也各不相同，這就要求在有限的作業(yè)期限內(nèi)做出科學(xué)的農(nóng)機作業(yè)調(diào)度決策，在保證作業(yè)任務(wù)及時完成的前提下，實現(xiàn)作業(yè)成本最小化[29-30]。

在農(nóng)機調(diào)度中，單機單任務(wù)的農(nóng)機作業(yè)序列規(guī)劃問題可類比成TSP問題進行分析，對農(nóng)田空間分布和農(nóng)機作業(yè)時間進行綜合考慮；而對于多機多任務(wù)的農(nóng)機作業(yè)序列規(guī)劃問題，可描述為：m臺能執(zhí)行不同作業(yè)任務(wù)的農(nóng)機需要在n塊農(nóng)田上進行特定作業(yè)，指定每塊農(nóng)田特定的作業(yè)任務(wù)及順序、每塊農(nóng)田作業(yè)參數(shù)及每臺農(nóng)機的參數(shù)，安排每臺處于不同位置的農(nóng)機在不同田塊的作業(yè)任務(wù)和作業(yè)順序，使整個農(nóng)場的生產(chǎn)作業(yè)耗時達(dá)到最短。此外，本研究還綜合考慮了農(nóng)機從當(dāng)前位置到目標(biāo)田塊的遷移時間，以及農(nóng)機在達(dá)到目的地后作業(yè)準(zhǔn)備時間。

1.2 數(shù)學(xué)規(guī)劃模型

根據(jù)多機多任務(wù)調(diào)度問題的描述，對該問題的抽象模型定義如下：

1）農(nóng)田集合F={F1,F2,…,Fm}，以Fi代表第i塊農(nóng)田，其屬性描述為Fi={LocFi,SFi}，其中LocFi和SFi分別表示農(nóng)田Fi的入口位置和面積，

2）農(nóng)機集合M={M1,M2,…,Mr}，以Mj代表第j臺農(nóng)機，其屬性描述為Mj={LocMj, RSj, WSj，ReadyTj}，其中，LocMj表示農(nóng)機Mj的當(dāng)前位置，RSj表示農(nóng)機Mj地塊轉(zhuǎn)移過程中的平均行駛速度，WSj表示農(nóng)機Mj的平均作業(yè)速度,ReadyTj表示農(nóng)機作業(yè)前準(zhǔn)備時間，且有 [1,]jr∈ ；

3）農(nóng)機集群MT={MT1,MT2,…,MTn}，以MTk代表第k種類型農(nóng)機，表示為MTk={Mk1,Mk2,…,Mka}，a為第k種類型的農(nóng)機總數(shù)，且有

4）作業(yè)任務(wù)序列的集合Task={Task1,Task2, …,Taskm}，Taski代表農(nóng)田Fi的作業(yè)序列，并表示為Taski={Taski1,Taski2,…,Taskin}，Taskik代表在農(nóng)田Fi上進行第k種作業(yè)，且對應(yīng)作業(yè)的農(nóng)機類型為MTk，[1,]kn∈ 。

此外，農(nóng)機調(diào)度還需滿足下述條件：

1）每臺機器只能同時在某一塊地上進行作業(yè)；

2）在農(nóng)機數(shù)量充足的條件且農(nóng)田面積大于0.3 hm2時，每塊地可安排多臺同種作業(yè)任務(wù)的農(nóng)機進行作業(yè)；

3）為避免不同類型農(nóng)機因作業(yè)任務(wù)不同而產(chǎn)生干擾，單塊農(nóng)田只進行同一種作業(yè)類型的作業(yè)，而需要多機協(xié)同完成同一作業(yè)任務(wù)的情況（如收獲機與運糧車的協(xié)同收獲作業(yè)），將其處理成同一類型作業(yè)任務(wù)；

4）每塊農(nóng)田不同任務(wù)的作業(yè)順序固定，須滿足專門的作業(yè)規(guī)程，且每塊農(nóng)田的任務(wù)必須被執(zhí)行。

上述調(diào)度問題在考慮農(nóng)田作業(yè)任務(wù)要求的同時，還考慮農(nóng)田與農(nóng)機的相對位置關(guān)系，以最近距離農(nóng)機優(yōu)先作業(yè)為原則，求出每塊農(nóng)田上農(nóng)機的作業(yè)順序集Si={Si1,Si2,…,Sir}，并以Sij表示農(nóng)機Mj到農(nóng)田Fi的調(diào)配方案，選取總調(diào)度時間最小為優(yōu)化目標(biāo)，調(diào)度模型表示如下：

調(diào)度目標(biāo)：

約束條件：

式中T為任務(wù)總時間，h；TiF為第i塊農(nóng)田的作業(yè)總時間，h，其中i=1, 2,…,m；transTik為農(nóng)機集群MTk到農(nóng)田Fi的轉(zhuǎn)移時間，h，其取值為農(nóng)機集群MTk中每臺農(nóng)機出發(fā)去農(nóng)田Fi的轉(zhuǎn)移過程中所耗時間的最大值；readyTik為農(nóng)機群MTk中每臺農(nóng)機到達(dá)農(nóng)田Fi作業(yè)前的準(zhǔn)備時間，h；workTik為農(nóng)機集群MTk在農(nóng)田Fi的作業(yè)總時間，h；SiF為農(nóng)田Fi的面積大小，hm2；Dij為農(nóng)機Mj當(dāng)前位置到農(nóng)田Fi的距離，km，文中采用農(nóng)機Mj到農(nóng)田Fi兩點之間的距離進行簡要計算；Ek為第k種類型農(nóng)機的工作效率，即每小時的作業(yè)面積，hm2/h；zik表示農(nóng)機群MTk是否在田塊Fi進行作業(yè)，其中k與任務(wù)Taskik相對應(yīng)，當(dāng)農(nóng)田中Fi中有任務(wù)需要被執(zhí)行的任務(wù)k時，zik取值為1，否則為0；tij表示農(nóng)機Mj是否到農(nóng)田Fi進行作業(yè)，若該農(nóng)機的田間轉(zhuǎn)移時間大于當(dāng)前已經(jīng)到達(dá)農(nóng)田Fi的農(nóng)機集群MTk完成農(nóng)田任務(wù)總時間，則當(dāng)前農(nóng)機不參與該地塊的作業(yè)，此時tij置于0，否則為1；Yi為農(nóng)田Fi的的任務(wù)數(shù)量。式（5）表示農(nóng)田Fi的每個任務(wù)都允許有多臺農(nóng)機參與，且每個任務(wù)必須被執(zhí)行。

2 IMPGA算法原理

基于上述數(shù)學(xué)模型，本文提出了基于時間窗的改進多父輩遺傳算法求解多任務(wù)多農(nóng)機調(diào)度問題，算法流程如圖1所示。

具體算法步驟如下：

1）初始化問題參數(shù)集。錄入農(nóng)機、農(nóng)田、作業(yè)任務(wù)等基礎(chǔ)信息，同時設(shè)置種群規(guī)模數(shù)PopulationNumber和迭代次數(shù)Iteration；

2）編碼。基于農(nóng)田序號的編碼并初始化種群。

對于m塊農(nóng)田有r種作業(yè)任務(wù)情況下的作業(yè)調(diào)度問題，每條染色體的基因數(shù)量為個（Ni表示農(nóng)田Fi的任務(wù)個數(shù)），使用農(nóng)田編號進行編碼，農(nóng)田編號在染色體中出現(xiàn)的頻次代表農(nóng)田作業(yè)任務(wù)號，第x次出現(xiàn)的作業(yè)序號代表該農(nóng)田的第x個作業(yè)任務(wù)。如在一個2×2的調(diào)度問題中，農(nóng)田集合F={F1,F2}，對應(yīng)的任務(wù)集合Task={(1,2)，(2,3)}，則隨機分布的編碼共有6種類型，如[1 2 1 2]或[1 1 2 2]等。

3）適應(yīng)度函數(shù)計算。以作業(yè)時間最短為優(yōu)化目標(biāo)，則遺傳算法的適應(yīng)度函數(shù)為

式中f為染色體適應(yīng)度，依據(jù)公式（1）～（5）對每個染色體的適應(yīng)度值進行計算。

4）個體選擇。由于種群中優(yōu)秀的父代個體中的基因質(zhì)量更好，為了保證優(yōu)秀個體基因的遺傳，加速尋優(yōu)結(jié)果的收斂速度，按適應(yīng)度值將種群劃分成優(yōu)秀和良好2種種群，其中優(yōu)秀種群占總?cè)后w規(guī)模的1/3，良好種群占2/3，從優(yōu)秀群體里隨機選取個體Parent1，從良好群體隨機選取個體Parent2和Parent3。

5）變異。算法設(shè)計可調(diào)整的變異概率，當(dāng)在進行多次迭代之后，如果種群中最優(yōu)染色體的適應(yīng)度沒有發(fā)生變化，則調(diào)整變異概率，若發(fā)生進化，則截至當(dāng)前未進化的代數(shù)index置為0并重新開始累積，調(diào)整的變異概率用函數(shù)表示為：

式中pm為當(dāng)前變異概率，%；pm0為初始變異概率，%；index為截至當(dāng)前未進化的代數(shù)。

6）多父輩POX交叉。本文采用黃明等[31]提出的多父輩POX交叉方式，用優(yōu)秀個體Parent1分別與良好個體Parent2和Parent3進行交叉，產(chǎn)生后代Child1和Child2，以3×3的調(diào)度問題為例來說明交叉過程，如圖2所示。首先假定有3個選擇的染色體序列Parent1、Parent2和Parent3，且有2個非空互余的基因子集Gene1 {1，2}和Jene2{3}；分別將Parent1中Gene1和Gene2進行分離，并將分離的基因原位置于O，O表示該位置暫時為空，再將Parent2和Parent3進行處理，分別保留Gene2和Gene1；最后分別將Parent1中保留的Gene1和Parent2中保留的Gene2進行交叉，即按從前到后的順序?qū)arent1中屬于Gene1的基因依次放入Parent2中，生成Child1，同理將Parent1中屬于Gene2的基因依次放入Parent3中，生成Child2。至此，多父輩的POX交叉的過程結(jié)束。

7）迭代進化。判斷是否滿足算法結(jié)束條件，若不滿足，則返回至步驟3）迭代；若滿足終止條件，則算法終止，輸出最優(yōu)結(jié)果，并將最優(yōu)結(jié)果進行解碼。

解碼是步驟2）的編碼逆變換過程，用實例來描述解碼過程如下：在一個2×2的調(diào)度問題中，農(nóng)田集合F={F1,F2}，對應(yīng)的任務(wù)集合Task={(1,2)，(2,3)}，農(nóng)機集合為MT={MT1,MT2,MT3}，其中Task中的1代表平地作業(yè)，使用農(nóng)機群MT1進行作業(yè)，同理，2和3分別代表播種作業(yè)和施肥作業(yè)，相應(yīng)地使用MT2和MT3進行作業(yè)，當(dāng)染色體編號為[1 2 1 2]時，表示的農(nóng)田作業(yè)次序為F1-F2-F1-F2，則農(nóng)機調(diào)度流程為MT1-MT2-MT2-MT3。在確定農(nóng)機集群的調(diào)度流程后，還需對MTk進行解碼。對于任意序列MTk的解碼可描述如下：考慮農(nóng)機數(shù)量充足的情況，對處于不同位置的農(nóng)機，當(dāng)選擇農(nóng)機集群MTk去同一目標(biāo)農(nóng)田Fi進行作業(yè)任務(wù)Tk時，本文以基于最短路徑的貪婪算法選擇作業(yè)的農(nóng)機臺數(shù)，具體過程為：①在農(nóng)機集合M中篩選農(nóng)機類型為k的農(nóng)機集合MTk，分別計算農(nóng)機Mki到農(nóng)田Fi之間距離，并按增序進行排列；②以農(nóng)田Fi的面積SFi為調(diào)度約束，依據(jù)公式（3）～（5）選擇可作業(yè)農(nóng)機，判斷某臺農(nóng)機能否加入該農(nóng)田作業(yè)的準(zhǔn)則是：若該農(nóng)機的田間轉(zhuǎn)移時間大于當(dāng)前已加入集群作業(yè)農(nóng)機完成農(nóng)田任務(wù)總時間，則當(dāng)前農(nóng)機不參與該地塊的作業(yè)。

3 IMPGA算法驗證

3.1 試驗數(shù)據(jù)

本文的農(nóng)田數(shù)據(jù)采自新疆塔城地區(qū)，依據(jù)實際作業(yè)環(huán)境設(shè)置仿真作業(yè)任務(wù)，以驗證算法的性能和穩(wěn)定性。算法的運行環(huán)境為：處理器Inter(R)i5-7500 3.4GHz，內(nèi)存8G，操作系統(tǒng)Windows10，編程語言Java。表1為部分作業(yè)農(nóng)田的基本信息，主要包括農(nóng)田面積、農(nóng)田入口經(jīng)緯度與作業(yè)類型。表2為可用農(nóng)機裝備的基本信息，如農(nóng)機作業(yè)效率和路面行駛速度，此外包括每臺農(nóng)機的初始位置經(jīng)緯度及準(zhǔn)備時間，準(zhǔn)備時間即農(nóng)機達(dá)到農(nóng)田后需要進行作業(yè)準(zhǔn)備的時間，如作業(yè)人員就位、裝料、加油、機器作業(yè)參數(shù)調(diào)整等作業(yè)前準(zhǔn)備所需消耗的時間。

表1 部分作業(yè)農(nóng)田的基本信息 Table 1 Basic information of part of farmland

表2 可用農(nóng)機的基本信息 Table 2 Basic information of available agricultural machine

3.2 結(jié)果與分析

對上述農(nóng)田的作業(yè)任務(wù)采用改進的遺傳算法進行仿真調(diào)度試驗，選取種群規(guī)模為300，進化500代，初始變異概率0.05。完成每種作業(yè)農(nóng)機只有1臺時，選取農(nóng)田數(shù)量為6，此時作業(yè)任務(wù)數(shù)量為20個，使用改進遺傳算法進行運算得出最優(yōu)調(diào)度方案，再通過Matlab生成甘特圖，如圖3a所示，其中甘特圖白色部分代表農(nóng)機在田塊之間的轉(zhuǎn)移時間與準(zhǔn)備時間之和，其他顏色代表了農(nóng)機在不同農(nóng)田的作業(yè)時間，該調(diào)度方案的總完工時間為85.42 h。同理，當(dāng)執(zhí)行每種作業(yè)任務(wù)的農(nóng)機數(shù)量為多臺時，調(diào)度結(jié)果如圖3b所示，該調(diào)度方案的總完工時間為38.45 h。

為了驗證改進遺傳算法的有效性和穩(wěn)定性，首先考慮執(zhí)行每種作業(yè)任務(wù)的只有1臺時（以下簡稱單農(nóng)機作業(yè)），選取農(nóng)田數(shù)量為5、10、15和20塊的作業(yè)任務(wù)，分別使用IMPGA和GA進行調(diào)配運算10次，調(diào)度結(jié)果如表3所示。由表3可知，當(dāng)執(zhí)行每種任務(wù)的農(nóng)機數(shù)量為1臺時，改進的遺傳算法的最優(yōu)解、平均解均優(yōu)于標(biāo)準(zhǔn)遺傳算法，其調(diào)度時間的最優(yōu)解和平均解分別縮短2.24%和3.16%，且改進遺傳算法的平均標(biāo)準(zhǔn)偏差小，證明了改進遺傳算法的魯棒性好于標(biāo)準(zhǔn)遺傳算法；為驗證IMPGA的收斂性，對比最優(yōu)解出現(xiàn)的迭代次數(shù)可以發(fā)現(xiàn)，除農(nóng)田數(shù)量為15時IMPGA出現(xiàn)的次數(shù)大于IG之外，其余農(nóng)田數(shù)量相同的條件下IMPGA均能更早找到最優(yōu)解，而對比平均值發(fā)現(xiàn)，GA最優(yōu)解平均出現(xiàn)的迭代次數(shù)為298.5，而IMPGA為255.8，IMPGA比GA收斂更快。此外，通過對比算法運行時間可知，2種算法的運行時間均隨著任務(wù)數(shù)量的增加而增加，改進遺傳算法的平均運行時間比標(biāo)準(zhǔn)遺傳算法的平均運行時間長2.36 s。

表3 單農(nóng)機作業(yè)下IMPGA與GA的調(diào)度結(jié)果對比 Table 3 Comparison of results between IMPGA and GA under single number machinery

由表4可知，當(dāng)執(zhí)行每種作業(yè)任務(wù)的農(nóng)機多于1臺時，作業(yè)任務(wù)完工總時間小于農(nóng)機數(shù)量為1臺的結(jié)果。在農(nóng)機數(shù)量相同時，改進遺傳算法的調(diào)配結(jié)果仍優(yōu)于標(biāo)準(zhǔn)遺傳算法的結(jié)果：在農(nóng)田數(shù)量為5時，2種算法均能求得最優(yōu)解；在農(nóng)田數(shù)量為10時，使用改進遺傳算法求取調(diào)度的最優(yōu)時間和平均時間分別縮短3.77%和3.56%；農(nóng)田數(shù)量為15時，最優(yōu)時間和平均時間分別縮短1.63%和3.76%；農(nóng)田數(shù)量為20時，最優(yōu)時間和平均時間分別縮短4.46%和3.47%。此外，隨著農(nóng)田數(shù)量增多時，算法運行時間增加，且改進遺傳算法的平均運行時間比標(biāo)準(zhǔn)遺傳算法的運行時間長8.92 s。

表4 多農(nóng)機作業(yè)的IMPGA與GA調(diào)度結(jié)果對比 Table 4 Comparison of results between IMPGA and GA under multi-type machinery

總之，本文改進的遺傳算法在總體上優(yōu)于標(biāo)準(zhǔn)遺傳算法，其調(diào)度的最優(yōu)時間和平均時間分別能平均縮短2.47%和2.70%，能滿足農(nóng)機作業(yè)調(diào)度的任務(wù)需求。

4 結(jié) 論

考慮實際農(nóng)田作業(yè)情況，本文分析了針對連續(xù)作業(yè)任務(wù)的農(nóng)機作業(yè)任務(wù)規(guī)劃問題，在農(nóng)機隨機分布的情況下，以作業(yè)時間最短為優(yōu)化目標(biāo)，建立了基于農(nóng)業(yè)生產(chǎn)中多機執(zhí)行多任務(wù)的調(diào)度模型。在考慮農(nóng)機田間轉(zhuǎn)移時間和作業(yè)準(zhǔn)備時間的前提下，采用改進遺傳優(yōu)化算法對多機多任務(wù)的農(nóng)田作業(yè)問題進行調(diào)配，通過與標(biāo)準(zhǔn)遺傳算法相對比，結(jié)果表明：改進的多父輩遺傳算法能有效解決多任務(wù)農(nóng)機的作業(yè)分配問題，在迭代次數(shù)相同的情況下，盡管IMPGA比GA運行時間長8.92 s，但I(xiàn)MPGA求解調(diào)度方案的最優(yōu)時間和平均時間分別能縮短2.47%和2.70%，節(jié)約了時間成本，滿足農(nóng)機運維和無人農(nóng)場生產(chǎn)運營實際作業(yè)的調(diào)度需求。

后續(xù)研究將考慮多臺農(nóng)機同時作業(yè)，某臺農(nóng)機發(fā)生故障時如何對農(nóng)機重新進行作業(yè)分配的問題；此外，隨著農(nóng)機自動駕駛技術(shù)和物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，研究內(nèi)容還將與智能無人農(nóng)機管控平臺集成，逐步實現(xiàn)無人農(nóng)場農(nóng)機的智能化任務(wù)調(diào)度、自動化路徑規(guī)劃以及生產(chǎn)作業(yè)的全程管控。