基于時間窗的農機調度技術研究進展

黃凰， 陳燕燕， 陳鵬宇， 羅銳， 劉亞東， 胡煒

（1.華中農業(yè)大學工學院，農業(yè)農村部長江中下游農業(yè)裝備重點實驗室，武漢 430070；2.湖北省農業(yè)農村廳農業(yè)機械化管理處，武漢 430070；3.成都師范學院計算機科學學院，成都 611130）

農業(yè)機械化建設作為提高農業(yè)快速發(fā)展的奠基石，對發(fā)展具有中國典型特點的現(xiàn)代智慧農業(yè)意義重大。目前，我國農業(yè)用地呈現(xiàn)細碎化現(xiàn)象，而土地細碎化會造成地塊生產趨同，影響和制約農戶購置農機[1]。在農忙季節(jié)，農田如果無法及時進行農機作業(yè)，必將造成經(jīng)濟損失，也會降低農機利用率[2]。

我國農業(yè)在現(xiàn)代化轉型過程中面臨著農機供需信息滯后、農機資源調度不合理、農機站和農戶溝通效率低下、資源配置不合理及農機作業(yè)效率低等問題，嚴重制約了智慧農業(yè)前進的步伐[3]。另外，伴隨著現(xiàn)代化農業(yè)和農村城鎮(zhèn)化步伐的加快，大量農村農業(yè)生產勞動力涌入城市，造成農業(yè)生產中勞動力的急劇匱乏，再加上老齡化嚴重，使得人們對農業(yè)機械具有越來越顯著的依賴性，迫使農業(yè)進一步朝著機械化作業(yè)發(fā)展[4]，農機規(guī)模化作業(yè)已成為必然趨勢。農機社會化服務形式已出現(xiàn)了蓬勃發(fā)展勢頭，亟需不斷創(chuàng)新[5]。農機服務組織是從事各種農機化作業(yè)服務的單位或實體，是農機社會化服務的載體，經(jīng)歷了包括農機大戶、農機協(xié)會和中介服務組織等發(fā)展階段，當前，農機專業(yè)合作社是新型的農機服務組織[6]。農機服務方為實現(xiàn)農業(yè)機械合理調度需注意幾下幾點：①加強農機化與信息化融合，實行智能控制和精準化運行，提升農業(yè)和農機化水平；②合理分配和整合更多的農機資源，加強農機科學有效調度，最大限度發(fā)揮農機資源在農業(yè)上的作用；③提升農機服務組織信息水平和管理能力，做到有序作業(yè)和科學管理[7]。

當前，精細農業(yè)是在傳統(tǒng)農業(yè)的基礎上利用信息技術和人工智能技術在農業(yè)領域實現(xiàn)精準和可持續(xù)發(fā)展。利用信息技術對智能農業(yè)機械進行改造，有利于促進精細農業(yè)和精準農業(yè)的發(fā)展，是農機面向未來的發(fā)展趨勢。其中，衛(wèi)星導航技術為現(xiàn)代農業(yè)的升級和發(fā)展掀開了重要篇章。我國的北斗導航技術屬于自主研發(fā)，目前，市面上大部分農機機具已安裝了北斗導航裝置，該技術為建立精準快速的農業(yè)機械跨區(qū)域調度作業(yè)系統(tǒng)提供了強有力的技術支撐，有助于我國農業(yè)發(fā)展建立獨立的作業(yè)體系[8-9]。另外，地理信息系統(tǒng)技術和無線通信技術的快速發(fā)展也為農業(yè)機械調配作業(yè)提供了數(shù)據(jù)支撐，農戶提交作業(yè)需求訂單，農業(yè)機械通過使用定位技術和通用無線分組業(yè)務技術，將在農田的作業(yè)位置和完成作業(yè)任務的實時狀態(tài)上傳到數(shù)據(jù)庫終端，多區(qū)域、多農機調度系統(tǒng)根據(jù)這些信息分配最優(yōu)的農機調配作業(yè)方案，實現(xiàn)農機作業(yè)過程的優(yōu)化配置，提高作業(yè)效率和農機利用率[10]。

因此，構建合理的跨區(qū)域多農機調度服務作業(yè)系統(tǒng)有利于農機服務方和農機需求方根據(jù)合適的作業(yè)協(xié)議及時地進行溝通與交流，大幅提升雙方信息的匹配；避免多區(qū)域作業(yè)農機的盲目流動，降低農機服務組織調配農業(yè)機械的運轉成本；提高農業(yè)耕、種、收效益；使農機能夠及時服務對應農田作業(yè)點，提高農業(yè)機械的作業(yè)效率[11]。

本文結合農機作業(yè)的特點，從農機調度系統(tǒng)、作業(yè)時間窗、農機調度模型和智能優(yōu)化算法等方面對國內外的研究進展進行了綜述，分析了基于時間窗的農機調度技術的發(fā)展現(xiàn)狀。智能信息技術在農機調度領域的應用可有效解決農業(yè)領域農機供需信息滯后、資源配置不合理和農機作業(yè)效率低等問題，有助于設計一種包含調度分析模塊的農機調度服務作業(yè)系統(tǒng)，以便于深入分析和輔助決策，加強農機服務方和農機需求方之間的溝通交流，避免農機跨區(qū)域作業(yè)的盲目流動，減少農機傳統(tǒng)調配方式作業(yè)的運轉成本。

1 農機調度系統(tǒng)的研究現(xiàn)狀

1.1 農機調度系統(tǒng)平臺的研究現(xiàn)狀

傳統(tǒng)的農機調度方法既浪費時間又浪費人力，且農機服務組織與農戶之間的信息交互滯后，易造成農機盲目和隨機流動，影響農業(yè)生產率和農機作業(yè)效率[12]。現(xiàn)代智能農機調度系統(tǒng)利用物聯(lián)網(wǎng)技術、導航定位技術和地理系統(tǒng)技術等，在農機上安裝北斗導航系統(tǒng)及位置和作業(yè)等傳感器，建立農機智能管理平臺，加強了農機管理、調度、生產和用戶間的信息交流。新技術和新機具的推廣應用在農機銷售和作業(yè)中發(fā)揮著重要作用。

目前，農機調度系統(tǒng)在農業(yè)生產中的應用優(yōu)勢主要體現(xiàn)在幾個方面：①實現(xiàn)了農機作業(yè)信息、農機性能參數(shù)、農戶和農機信息、位置坐標等信息的采集、監(jiān)測和管理；②利用數(shù)據(jù)庫系統(tǒng)對數(shù)據(jù)信息進行儲存和共享，避免了數(shù)據(jù)信息采集的滯后和缺失；③對采集儲存的數(shù)據(jù)信息進行分析處理，有利于對整個農業(yè)生產過程進行宏觀的決策以及微觀的調控，完成農機調度的智能決策，提高農機資源的利用率，提高農田作業(yè)的服務效率，增加經(jīng)濟效益（圖1）。

農機調度研究最早始于國外，美國農業(yè)與生物工程師學會（American Society of agricultural and Biological Engineers，ASABE）對農業(yè)領域調度的定義為：在考慮時間、人力、農業(yè)機械資源、農機作業(yè)優(yōu)先級和農作物的生長狀況等重要因素的基礎上，合理規(guī)劃各種農業(yè)作業(yè)生產的時間[5]。隨后，Elderen[14]提出農業(yè)領域存在純粹和連續(xù)兩種基本調度問題。21世紀初，Bochtis等[15-16]將工業(yè)領域十分常見的車間流水線調度問題應用于農機農業(yè)田間作業(yè)的多區(qū)域連續(xù)調度問題。

國外有很多公司針對農機信息管理調度系統(tǒng)開發(fā)了相應的農機信息管理軟件。美國John Deere公司開發(fā)了JD Link農機管理系統(tǒng)[17]，作業(yè)人員可通過電腦端獲取農機信息，以便于制定合理的調度作業(yè)計劃。英國Silsoe研究所也研發(fā)出了相應軟件，該系統(tǒng)具有作業(yè)成本核算、農機選擇和配套、作業(yè)規(guī)劃等功能[18]。丹麥Butani等開發(fā)了一套決策支持系統(tǒng)，該系統(tǒng)可根據(jù)農田特點、農作物差異性以及農機設備信息等提供決策意見[19]。意大利的Lazzari等[20]開發(fā)了“農業(yè)機械系統(tǒng)評測”模型，輸入農作物品種、作業(yè)時間和農機作業(yè)過程可輸出農機作業(yè)的調配方案。

我國于20世紀末將全球定位系統(tǒng)(global positioning system，GPS)和地理信息系統(tǒng)(geographic information system，GIS)等技術運用到對農機資源的分配管理調度方面，計算機和互聯(lián)網(wǎng)的發(fā)展極大地促進了農機資源調配的優(yōu)化和完善。表1列舉了國內學者設計和開發(fā)的一些農機作業(yè)管理和調度系統(tǒng)，極大地促進了智能調度系統(tǒng)的研發(fā)和功能的完善。

表1 農機調度系統(tǒng)研究設計情況Table 1 Research and design situation of agricultural machinery scheduling system

近十年，農機調度技術在全國各省發(fā)展迅速。黑龍江省在2013年結合互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術及3S等技術，對農機資源的日常維護、調配管理和遠程服務等功能進行升級，從而完成了對全省農機資源的全面管理調度[11]。同年，北京順義建立了當?shù)厥讉€基于北斗的新型農機管理平臺，該平臺利用北斗衛(wèi)星導航技術為當?shù)剞r業(yè)提供輔助決策，大幅度提高了農機生產管理的基準化水平[31-32]。2014年，河南省許昌市綜合衛(wèi)星定位系統(tǒng)、GIS、電子監(jiān)控、自動化技術和通信網(wǎng)絡技術等對全市的農機資源進行跨區(qū)管理，農機跨區(qū)作業(yè)調度指揮中心投入使用，該中心完成了農機跨區(qū)作業(yè)的調度，保證了農機與農戶的供需和信息匹配[33]。2017年，京、津、冀共建農機聯(lián)合調度平臺，包括農機作業(yè)供需服務系統(tǒng)、農機作業(yè)調度與監(jiān)控系統(tǒng)、農機作業(yè)輔助決策系統(tǒng)，為京津冀三地農戶、農機服務組織、農機管理部門服務的綜合管理平臺。同年，湖北省也建立了湖北北斗農機信息化智能管理平臺，解決了傳統(tǒng)農機管理中調度不科學、監(jiān)管不及時、統(tǒng)計不準確的問題，為農機管理者和生產管理者提供了作業(yè)農機實時信息的綜合服務型平臺。

綜上所述，現(xiàn)階段農機調度作業(yè)系統(tǒng)大部分為農機監(jiān)控和農機作業(yè)管理平臺，通常為對農戶或農機管理服務中心提供某個方面的管理服務，側重數(shù)據(jù)的采集、統(tǒng)計和可視化展示，缺少深入分析和智能輔助決策平臺，而對農機調度系統(tǒng)采取智能算法進行調度分析的研究較少。

1.2 農機智能調度技術與傳統(tǒng)調度的區(qū)別

1.2.1 農機智能調度與車輛調度的區(qū)別 在容量約束方面，帶時間窗車輛調度問題（vehicle routing problem with time windows，VRPTW）具有一定的容量約束，當車輛所載剩余貨物不滿足下一個客戶的要求時，該調度路線停止；但在農機資源調配中，不需要考慮容量約束，只需滿足作業(yè)時間窗即可，當時間窗不被滿足時，調度作業(yè)路線即結束。

在車輛同質性方面，傳統(tǒng)VRPTW假設車輛都具有同質性，不需為每條路線指定特定的車輛，最終求解結果是車輛路線集合；在農機調度中，農機沒有同質性，不同農田作業(yè)點的特征和作類型可能存在差異，對農機的類型、作業(yè)能力和行駛速度等要求也就可能不同，這就使得農機調度問題比VRPTW問題更加復雜。

在調度時間和車庫方面，傳統(tǒng)VRPTW調度是單車庫調度模式，其調度時間主要是車輛在送貨路線上的轉移時間，大部分模型都會忽略服務時間，或是以常數(shù)形式給出；但在農機調度中，調度是多車庫、多任務點的調度，其調度時間除了轉移時間，還有農機在不同農田的作業(yè)時間，其作業(yè)時間也會因農田面積、作業(yè)類型和農機作業(yè)能力的不同而不同。

1.2.2 農機調度系統(tǒng)與智能打車系統(tǒng)的區(qū)別

農機調度系統(tǒng)與智能打車系統(tǒng)在調度模型上會有較大差異。在即時訂單的車輛推薦上，農機調度系統(tǒng)會對農戶同時發(fā)出的多訂單根據(jù)所需農機作業(yè)類型、農田位置、農田面積等調配對應農機前往進行作業(yè)，以保證完成所有農田作業(yè)的調度成本最低；而智能打車系統(tǒng)往往會推薦距離乘客最近的空乘車輛，也會根據(jù)司機的接單量和車輛的累計收入差異等進行綜合考慮，建立車輛均衡調度機制[34]。另外，一臺農機在同一時間只能服務一塊農田，完成該農田作業(yè)之后才能進入下一塊農田作業(yè)；而智能打車車輛可在乘客接受拼單前提下接單多位乘客，打車系統(tǒng)可以推薦多個用戶給同一輛車輛實現(xiàn)車輛共享。2種系統(tǒng)的調度模型不同，采取的算法也會有差別[34]，農機調度一般采用元啟發(fā)式算法，如遺傳算法、蟻群算法、粒子群算法等群組算法進行調度優(yōu)化；打車系統(tǒng)一般采用基于軌跡挖掘和實時用戶的車輛推薦算法，如以用戶請求為圓心，在一定半徑范圍內尋找局部最優(yōu)車輛的Greedy算法、TripRec算法和Aprior算法等。

2 基于時間窗的車輛調度研究現(xiàn)狀

帶時間窗的路徑規(guī)劃和調度問題最先應用于車輛調度領域，是對車輛調度進行容量和時間的約束，優(yōu)化求得最小代價成本的車輛路徑。在車輛調度領域，時間窗主要分為硬時間窗、軟時間窗和模糊時間窗3種類型。其中，硬時間窗要求車輛必須在客戶需求時間內完成任務；軟時間窗可允許車輛在客戶要求時間之外完成任務，但需支付超出時間的懲罰費用；模糊時間窗將客戶需求時間分為期望時間和可容忍時間，并用模糊隸屬度函數(shù)進行刻畫，以此來反映客戶的滿意度，在期望時間內，客戶滿意度為1，滿意度隨著模糊隸屬度在[0,1]之間取值。國外學者對于3種時間窗的研究詳見表2；國內學者對3種時間窗的研究詳見表3。

表2 國外基于時間窗調度的研究情況Table 2 Foreign research situation of scheduling time window

表3 調度時間窗的國內研究情況Table 3 Domestic research status of dispatch time window

基于硬時間窗時，在遇到車輛資源有限且客戶訂單數(shù)量較多時很難找到合適可行的調度方案，且與實際彈性時間情況不符。因此，學者提出了軟時間窗，不同于以往的固定性，軟時間窗具有一定的應用性，更符合車輛調度中客戶對時間窗的接受情況。但隨著研究的深入，在實際中服務車輛遲到或提前并不一定會產生懲罰費用，只是會影響客戶對服務的評價，這就引發(fā)了廣大學者對客戶滿意度的評價表述，從而采用模糊時間窗刻畫客戶對車輛調度的滿意度水平。相比較硬時間窗和軟時間窗的研究，國內外對模糊時間窗在車輛調度路徑優(yōu)化方面的研究較少，尤其在農機調度領域，但采用模糊隸屬度函數(shù)比硬時間窗和軟時間窗在車輛調度問題中更接近實際情況，具有較高的實用價值。

3 農機資源調度優(yōu)化問題模型

農機資源調度模型的搭建（圖2）經(jīng)常以車輛調度問題（vehicle routing problem，VRP）或帶時間窗車輛調度問題為基礎模型，基于此模型，發(fā)展出一系列元啟發(fā)式算法以求得調度最優(yōu)解，在實際運用中取得了較好效果。針對小規(guī)模農機作業(yè)情況，F(xiàn)oulds等[68]研究油菜籽收獲作業(yè)時，在考慮農機作業(yè)時間約束和農機資源限制約束的基礎上建立了農機調配線性規(guī)劃模型；Bochtis等[69-71]將農機資源調配分為農田覆蓋、農機資源分配、調配路徑最優(yōu)化以及方案調整，建立了二進制整數(shù)規(guī)劃問題模型，并在傳統(tǒng)車輛調度模型基礎上，提出了田間農機作業(yè)規(guī)劃和資源調度模型。針對農機跨區(qū)域作業(yè)情況，Jensen等[72]綜合跨農場作業(yè)時間和作業(yè)空間目標進行優(yōu)化，建立了跨區(qū)域農機作業(yè)模型，使用圖論法和Dijkstra算法解決單路徑規(guī)劃模型問題；Alaiso等[73]基于旅行商問題建立了時間窗旅行商變體模型，解決了大量農田作業(yè)承包問題。針對農機作業(yè)存在連續(xù)作業(yè)的情況，Orfanou等[74]建立了包括輸入、調度和輸出的農機連續(xù)作業(yè)調度模型。另外，針對模型非線性問題，Ramos-Castillo等[75]提出了基于代理的優(yōu)化和混合整數(shù)非線性規(guī)劃（mixed integer nonlinear programming，MINLP）模型。各種模型優(yōu)化目標及模型具體表現(xiàn)如表4所示。

表4 農機調度模型的研究情況Table 4 Research status of agricultural machinery scheduling models

圖2 智能優(yōu)化模型平臺的系統(tǒng)框架圖[28]Fig.2 System framework diagram of the intelligent optimization model platform

4 農機調度問題的智能算法

在小規(guī)模車輛物流調度中，傳統(tǒng)的啟發(fā)式算法由于具有算法簡單、求解速度快等優(yōu)點而被廣泛應用。但在農業(yè)生產領域，農機調度模型需要解決多農機服務中心跨區(qū)域作業(yè)調配問題，因此，較傳統(tǒng)VRPTW問題更加復雜。隨著對農機調度模式的分析和研究，遺傳算法、蟻群算法、粒子群算法、模擬退火算法、禁忌搜索算法等智能優(yōu)化算法被逐漸應用，且在不同的作業(yè)情境下取得了良好的效果。

4.1 單一智能算法

4.1.1 遺傳算法 遺傳算法具有較好的全局尋優(yōu)能力和環(huán)境適應性，被廣泛應用于組合優(yōu)化領域，近年來經(jīng)過不斷地改進優(yōu)化更適用于多種調度模型。在對簡單調度模型尋優(yōu)方面，Bochtis等[69]對農機調度路徑生成模型進行了求解優(yōu)化；任建順等[88]在此基礎上對遺傳算法進行改進，利用多目標權重的適應度函數(shù)將多目標轉化為單目標，以此來解決農機時空動態(tài)調度問題；謝婷婷[10]改進了路徑交叉算子和自適應遺傳算子，使遺傳算法實現(xiàn)了全局最優(yōu)。在作業(yè)時間窗問題上，王雪陽等[82]設計了初始種群的2級多段編碼，提出了單個染色體指定位置交叉的遺傳算法；王文權[89]基于改進插入式路徑構造了啟發(fā)式算法和鄰域優(yōu)化技術的遺傳算法，改進了變異算子和鄰域搜索算子，提高了計算效率；呂云杰等[90]改進了自適應遺傳算子的農機調度方法，提出了父代染色體以隨機生成的掩碼為依據(jù)在指定位置交叉的算法規(guī)則，以及由種群狀態(tài)來確定個體交叉概率與變異概率的自適應方法，在農田維數(shù)變化的調度問題中取得了良好的效果。

4.1.2 蟻群算法和粒子群算法 蟻群算法和粒子群算法都是尋求最優(yōu)路徑的概率性算法。龔瑞昆等[91]改進了蟻群算法，在算法中引入了節(jié)約矩陣，針對不同搜索時段采用不同的信息揮發(fā)因子，再通過局部搜索策略搜索最優(yōu)解，解決了蟻群算法易陷入局部最優(yōu)和收斂速度慢的缺點。諶林等[92]使用自適應策略，在選擇概率方式后利用輪盤賭策略對下條路徑進行選擇，提高了蟻群算法的效率。針對多機協(xié)同的農田動態(tài)環(huán)境，曹如月等[93]設計了基于任務序列規(guī)劃的蟻群算法，通過狀態(tài)轉移概率公式選擇地塊、修改禁忌表并更新信息素來進行迭代優(yōu)化，有效地降低了路徑代價。Sethanan等[94]將優(yōu)化目標設置為最大化甘蔗產量和最小化收獲距離，提出了MOGLNPSO算法，即結合gbest、lbest和nebest的粒子群優(yōu)化算法，該算法制定出了新的粒子編碼和解碼方案，結合路徑規(guī)劃的可訪問性和分割收獲約束，在實際中有利于提出更好的解決方案。

4.1.3 模擬退火算法和禁忌搜索算法 陳少華等[95]在模擬退火算法的基礎上引入了協(xié)同進化，把高維變量分解成多組低維變量，每組低維變量形成獨立的子種群，子種群間進行獨立進化，個體適應度則以該個體和代表個體組合成完備解，對完備解計算適應度值，以此來評判個體優(yōu)劣。Omidvar等[96]指出含有協(xié)同進化的模擬退火算法是解決高維優(yōu)化問題的主流方法。

禁忌搜索算法通過模擬人的思維，利用短期和長期記憶來保證算法全局最優(yōu)。劉明劍等[97]利用禁忌搜索算法解決了交叉路口自治車輛調度，證明基于禁忌搜索的調度優(yōu)化策略優(yōu)于FCFS策略和信號控制策略。針對軟時間窗的多服務需求車輛調度問題，潘帥等[98]改進禁忌搜索算法，使用Lingo對多個算例進行精確求解，對解的構造方法與鄰域變換規(guī)則進行改良，證明改進后的禁忌搜索算法更具有效性。

4.2 多種智能算法的結合

結合智慧農業(yè)發(fā)展現(xiàn)狀和多區(qū)域互聯(lián)農機服務調度特點，馬軍巖等[87]改進了原始粒子群算法，引入模擬退火過程優(yōu)化農機作業(yè)路徑，設計改進模擬退火和粒子群優(yōu)化的混合智能算法，提高算法的全局搜索能力。為解決帶時間窗的車輛路徑問題，Orfanou等[74]提出結合貪婪算法和禁忌搜索算法對農機調度進行優(yōu)化，其中，禁忌搜索算法采用鄰域搜索算法，避免了優(yōu)化結果陷入局部最優(yōu)。

在智能優(yōu)化求解中，遺傳算法因全局擇優(yōu)而被廣泛應用于農機調度領域，很多國內外學者將遺傳算法和其他智能算法相結合，既提高了優(yōu)化全局性，也避免了過早收斂。為優(yōu)化農機資源的調配，Guan等[76-77]提出兩階段算法，其中，第一階段利用模擬退火算法對農機資源先進行分配；第二階段結合Petri網(wǎng)絡模型和遺傳算法對模型進行優(yōu)化求解。兩階段算法避免了死循環(huán)，使資源相互獨立，提高了生成最優(yōu)方案的效率。吳珂[99]將遺傳算法的全局收斂性和蟻群算法的并行性進行優(yōu)勢互補，提高了收斂速度和算法的全局搜索能力。秦勇等[100]將遺傳算法和貪婪算法相結合，設計了尺度變換的適應度函數(shù)，采用確定式采樣選擇方法提高種群質量，有效地解決了并行測試任務的調度問題。

綜上可見，智能優(yōu)化算法在農機調度技術中的應用極大地提高了農機作業(yè)調度的精度和速度；多種算法結合的混合算法更是增強了全局尋優(yōu)能力，提升收斂速率的同時避免了算法早熟；智能優(yōu)化算法在跨區(qū)域多機調度問題上具有較強優(yōu)勢，而跨區(qū)域多機調度也是農機調度與傳統(tǒng)車輛調度的主要區(qū)別之一。

5 結語

國內外關于時間窗的多農機跨區(qū)域農機資源調度問題的主要聚焦點略有不同。在農機調度系統(tǒng)方面，國外研究一方面主要關注大面積農田的農機資源調度，另一方面聚焦于多機協(xié)同連續(xù)作業(yè)問題；而國內研究主要聚焦在以農機合作社為服務中心，面向農戶訂單的調度模式，調度系統(tǒng)多為農機監(jiān)控系統(tǒng)，對農機和作業(yè)人員進行信息管理，而對調度模塊分析較少，調度智能算法和調度系統(tǒng)的結合力度不夠。在農機調度模型的建立方面，國內外都多以旅行商和車輛調度問題的變體模型為基礎，其中，國外研究在模型約束條件里考慮了更多的約束條件，包括動態(tài)和隨機農機調度約束以及容量約束等；而我國農業(yè)生產與國外存在較大差異，因此，國外的很多調度模型不適用于國內農機調度，國內現(xiàn)有的農機調度模型大多屬于帶時間窗的車輛調度問題，而對農機作業(yè)匹配約束、多農機型號約束等考慮較少。在調度算法設計上，國內外均使用線性規(guī)劃類的精確算法，近年來，隨著元啟發(fā)算法（遺傳算法、蟻群算法、粒子群算法、模擬退火算法和禁忌搜索算法等）的提出和完善，這些智能算法越來越被廣泛地應用于農機調度領域。但目前來說，綜合考慮多農機服務中心收益和農戶收益、農機使用成本、天氣道路等影響、適用于多區(qū)互聯(lián)的農機調度模型和全局優(yōu)化智能調度算法仍然亟需開發(fā)。