CN104573860B - 一种大型蔬菜种植企业种植计划自动生成方法 - Google Patents
一种大型蔬菜种植企业种植计划自动生成方法 Download PDFInfo
- Publication number
- CN104573860B CN104573860B CN201410855815.8A CN201410855815A CN104573860B CN 104573860 B CN104573860 B CN 104573860B CN 201410855815 A CN201410855815 A CN 201410855815A CN 104573860 B CN104573860 B CN 104573860B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- planting
- order
- farm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 230000008901 benefit Effects 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012384 transportation and delivery Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 8
- 238000013439 planning Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010061217 Infestation Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009335 monocropping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大型蔬菜种植企业种植计划自动生成方法。所述方法包括：输入数据，进行数据初始化；对输入数据进行预处理与有效性验证；根据客户订单要求，利用智能启发式算法为所有订单安排种植地点和种植时间，生成企业种植计划排程结果；可视化展示企业种植计划排程结果。本发明以满足蔬菜种植企业的客户订单需求为目标，同时充分考虑各蔬菜品种的预期价格、生产周期、劳动力和物资成本、土地轮种、运输距离等因素，确保在完成客户订单需求的同时，使制定出的种植计划能够达到企业经济效益最大化。应用本发明所述方法可有效提高大型蔬菜种植企业蔬菜种植计划的编排效率，提高编排工作的自动化和智能化水平。
Description
技术领域
本发明属于蔬菜种植计划制定领域，特别涉及一种利用最优化理论、决策支持系统理论和智能算法来实现蔬菜种植计划自动编排的方法。
背景技术
在蔬菜种植计划排程时，需要综合考虑从业人员的技术水平、区域气候条件、土壤条件、设施装备、贮藏保鲜、市场需求等影响因素，蔬菜种植企业种植计划排程问题实质是一个非线性约束最优化问题。首先，需要根据当地的生产条件、蔬菜种类或品种劳动力成本和物资成本、技术难易程度，确定蔬菜的种植面积；其次，需要考虑蔬菜的市场均衡供应问题，例如，在季节茬口安排上注意堵淡季、躲旺季，延长供应时期，既有利市场供应，更能提高经济效益；再次，需要考虑季节性因素，既要充分利用本地区的有效生产季节，注意与前后茬的衔接时间，又要注意合理倒茬，避免同类蔬菜连作，以减轻病虫害的传播和侵染；然后，在安排适当的蔬菜种类的同时，尽可能选择适宜本地条件种植的优良品种；最后，采用新的种植方式或引进新的蔬菜种类或品种，注意地区间的气候条件差异和当地的消费习惯，应在小面积试种取得成功的基础上再逐步发展。由于在制定蔬菜生产计划时，需要考虑的因素众多，如何在资源约束条件制定出科学合理的蔬菜生产计划是一项极为复杂和繁琐的工作。
企业制定蔬菜生产计划的传统方法是，完全由人工按照个人经验进行编排，对计划编排人员的要求较高，该方法不仅耗时耗力，而且由于人工编排的种植计划往往无法同时兼顾效益、产能、成本节约、地域、种植设施和种植模式合理等诸方面的要求，导致编排出的种植计划不够科学合理。随着当前大型蔬菜生产企业不断向规模化、专业化、集约化、标准化方向发展，传统的手工编排方法难以满足企业科学管理的需要。
发明内容
针对传统蔬菜生产计划制定方法中存在的上述问题，本发明提供了一种大型蔬菜种植企业种植计划自动生成方法，该方法根据相关约束条件，可以快速生成科学、合理的种植计划排程方案，提高蔬菜种植企业计划排程人员的工作效率，实现大型蔬菜种植企业种植计划排程工作的自动化和智能化。
为解决上述技术问题，本发明采用以下技术方案。
一种大型蔬菜种植企业种植计划自动生成方法，包括以下步骤：
S1：输入数据，进行数据初始化；
S2：对步骤S1中的输入数据，进行预处理与有效性验证；
S3：根据客户订单要求，利用智能启发式算法，为所有订单安排种植地点和种植时间，生成企业种植计划排程结果。
进一步地，所述的大型蔬菜种植企业种植计划自动生成方法，其特征在于，所述的大型蔬菜种植企业由若干个分布在不同地理位置上的农场组成，记为fm1,fm2,...,fmn；其中，每个农场被划分为若干个片区，记为disth；每个片区又由若干个大棚组成，记为ghj，大棚是企业的最小种植单位；每一农场、片区、大棚在企业范围内都拥有唯一编码，根据大棚的编码可以获得所属片区编码，根据片区编码可以获得所属农场编码。
进一步地，步骤S1所述的输入数据包括：指定时间区间ΔT、客户订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、物资成本信息InputsCostList、品种优先级信息VarietyRankList等。
更进一步地，步骤S1所述的时间区间ΔT以自然日为最小单位，时间区间ΔT的开始时间和结束时间均为公历日期；客户订单至少包括以下数据项：蔬菜品种、供货日期、供货数量、质量标准、客户编号。
进一步地，步骤S2所述的预处理包括以下步骤：
根据实际情况对客户订单进行拆分或合并等操作，确保一个订单具有：唯一蔬菜品种、唯一的供货日期、唯一的供货数量、唯一的质量标准、唯一的客户编号。
检索出该企业在某一时间区间ΔT内的所有订单，并按订单中的供货日期从早到晚对订单进行排序，得到排序后的订单列表OrderList。
进一步地，步骤S2所述的有效性验证包括以下步骤：
数据非空验证：验证时间区间ΔT是否大于0，验证订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、投入物资成本信息InputsCostList、品种优先级信息VarietyRankList是否为空。
验证订单列表OrderList中的蔬菜品种在时间区间ΔT内是否有农场产能安排。
验证订单列表OrderList中的蔬菜品种是否有对应的种植规程。
验证订单中所有蔬菜品种的供货量是否大于所有农场的最大产能之和。
进一步地，所述步骤S3具体包括以下步骤：
S31：将时间区间ΔT分割成若干个自然日数为t的时间段，记为Δt1,Δt2,…,Δt|ΔT/t|，并按时间先后顺序依次处理每一时间段内的订单。其中，ΔT和t为正整数，且t≤ΔT，|ΔT/t|表示对ΔT/t向上取整。
S32：筛选出供货日期在第k个时间段Δtk内的所有订单，基于订单评分函数f(oi)分别计算上述订单的综合评分，并按综合评分由高到低对订单优先级排序，生成时间段Δtk内的订单优先级队列orderQueue，记为orderQueue＝(o1,o2,…,oi,…)，其中，订单评分函数f(oi)为：
其中，oi表示第i个蔬菜品种对应的订单，pi为蔬菜品种i的预期价格，yi为蔬菜品种i的亩产，amti为蔬菜品种i的供货量，delayDaysi为订单oi的供货日期需要推迟的天数，t为时间段Δtk内的天数，w1为客户优先级权重，w2为品种优先级权重，growDaysi为蔬菜品种i的种植周期天数，labori为种植蔬菜品种i所需的劳动力成本，inputsi为种植蔬菜品种i所需的投入物资成本，otheri为种植蔬菜品种i所需的其他成本。
S33：依次遍历队列orderQueue中的元素，取出当前元素oi，根据订单oi中的蔬菜品种、质量标准、农场品种产能、种植规程信息、农场设施信息等条件筛选出在时间段Δti内可以种植该蔬菜品种的所有农场，记为fmQueuei＝(fmi1,fmi2,…,fmin)，其中，n表示符合条件的农场数量。若fmQueuei为空，则将订单oi的供货日期向后推迟1天，并且重新进行农场筛选，直到fmQueuei不为空。
S34：基于遗传算法，求解订单oi的最优化种植方案，以确定订单oi在各农场的种植面积与种植时间，用公式表示为：
J＝ming(oi)
约束条件为：
akj≥0
ykj≥0
其中，oi表示第i个蔬菜品种对应的订单，J为求解订单oi最优化种植方案的目标函数，q(oi)为订单oi的供货量，n为订单oi对应的农场数量，nk为第k个农场中空闲大棚的数量，fkj表示订单oi是否使用第k个农场的第j个大棚，akj为第k个农场中第j个大棚的面积，ykj为第k个农场中第j个大棚的亩产，pk为订单oi中蔬菜的预期价格，ckj为第k个农场中第j个大棚的人力成本与物资成本，uck为第k个农场中蔬菜的单位距离运输成本，dk为第k个农场与订单oi目标客户的距离，sk为第k个农场中蔬菜的单位储藏成本，lkj表示第k个农场中第j个大棚因连续种植某种蔬菜造成的单位面积的经济效益损耗。
S35：重复步骤S33、S34，直到orderQueue中的订单全部安排完毕。
S36：重复步骤S32～S35，安排下一个时间段Δtk+1内的订单，以此类推，直到时间区间ΔT内的所有订单的种植计划排程完毕，生成时间间隔为t条件下的种植计划排程方案plant，并将plant加入到可行解集合R中。
S37：改变t的值，重复步骤S31～S36，生成新的种植计划排程方案plant+1，并将plant+1加入到可行解集合R中。
S38：遍历可行解集合R，计算每一种排程方案的经济收益F(plant)，从中选择经济收益最大的方案作为最优排程方案maxF(plant)，其中：
式中，plant表示第t种排程方案，g(oi)为订单oi的净收益，m为订单总数，n为在第t种排程方案下完成订单排程所需农场的数量，ni表示在第t种排程方案下已使用的第i个农场的大棚数，ghij表示第i个农场中第j个大棚的面积，dayij表示第i个农场中第j个大棚的空闲天数，icij表示第i个农场中第j个大棚中单位面积每天的空闲成本。
进一步地，所述方法还包括可视化展示企业种植计划排程结果，具体包括以下步骤：
利用二维表格可视化展示在时间区间ΔT内每个农场中每个大棚的蔬菜种植信息的动态变化情况，表格的列方向为时间维度，按时间顺序由左向右排列，用于表示在某一天中所有大棚的占用情况。表格的行方向为大棚维度，按农场、大棚编号顺序由上到下排列，用于表示某个大棚在时间区间ΔT内每天的占用情况。
将表格中的每个单元格的值设为对应订单的编号，遍历表格中的所有单元格，将所有值相等的单元格的背景色设置为同一颜色，且任意两个值不相等的单元格的背景色均不同。
与现有技术相比，本发明具有以下优点：
本发明所提供的蔬菜种植计划自动排产方法，综合考虑蔬菜品种类型、农场产能、土地面积、劳动力成本、物资成本、运输距离等相关因素构建数学模型，利用智能优化算法进行问题求解，确定每个农场需要种植的蔬菜品种、种植面积和种植时间。本发明所述方法可有效提高蔬菜种植计划编排工作的自动化和智能化水平，不仅可以提高种植计划的编排效率，降低从业人员劳动强度，而且可使蔬菜种植计划编排工作更加趋于科学化和合理化。
附图说明
图1为本发明实施例提供的一种大型蔬菜种植企业种植计划自动生成方法的流程示意图；
图2为本发明实施例中进行预处理和有效性验证的方法流程图；
图3为本发明实施例步骤S3所述方法流程图；
图4为本发明实施例利用二维表格进行可视化展示的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例涉及的大型蔬菜种植企业是指该企业由若干个分布在不同地理位置上的农场组成，记为fm1,fm2,...,fmn。其中，每个农场被划分为若干个片区，记为disti。每个片区又由若干个大棚组成，记为ghj，大棚是企业的最小种植单位。每一农场、片区、大棚在企业范围内都拥有唯一编码，根据大棚的编码可以获得所属片区编码，根据片区编码可以获得所属农场编码。
在生产实践中，为方便管理，农场通常为某种蔬菜设定一个最小种植面积，在本实施例中，设大棚为最小种植单位，即以大棚为单位安排每种蔬菜的种植面积，在同一时刻一个大棚只能种植一种蔬菜品种。
本发明实施例提供的一种大型蔬菜种植企业种植计划自动生成方法，如图1所示，包括以下步骤：
S1：输入数据，进行数据初始化。
输入并进行初始化的数据包括：指定时间区间ΔT、客户订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、物资成本信息InputsCostList、品种优先级信息VarietyRankList等。
实际应用中，蔬菜种植企业通常每年度进行一次蔬菜种植计划编排，时间区间ΔT的时间间隔通常为一个自然年度，即从每年的1月1日开始，至当年的12月31日结束，并且每个自然日为最小时间单位。例如：要编排2016年度的种植计划，则时间区间ΔT是从2016年1月1日开始，到2016年12月31日结束。
本实施例是根据客户订单需求进行安排蔬菜种植计划，一个客户订单至少包括以下数据项：蔬菜品种、供货日期、供货数量、质量标准、客户编号。根据客户编号，可以查询该客户的名称、类型、优先级、位置等信息。
S2：数据预处理与数据有效性验证。
为了降低算法的复杂度，提高算法的运算效率和有效性，在开始种植计划排程前，需要先对输入数据进行预处理以及数据有效性验证。预处理以及数据有效性验证的流程图如图2所示，具体包括：
S21：根据实际情况对客户订单进行拆分或合并等操作，确保一个订单具有：唯一的蔬菜品种、唯一的供货日期、唯一的供货数量、唯一的质量标准、唯一的客户编号。
S22：检索出该企业在时间区间ΔT(即某一年度)内的所有订单，并按订单中的供货日期从早到晚对订单进行排序，得到排序后的订单列表OrderList。
S23：数据非空验证，主要包括：验证时间区间ΔT是否大于0，验证订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、投入物资成本信息InputsCostList、品种优先级信息VarietyRankList等是否为空。
S24:验证订单列表OrderList中的蔬菜品种在时间区间ΔT内是否有农场产能安排。
S25:验证订单列表OrderList中的蔬菜品种是否有对应的种植规程。
S26:验证订单中所有蔬菜品种的供货量是否大于所有农场的最大产能之和。
S3：根据客户订单要求，利用智能启发式算法，为所有订单安排种植地点和种植时间，生成企业种植计划排程结果。
蔬菜企业安排种植计划时，既要考虑到订单需求、农场产能、可用土地面积等约束条件，也要考虑到每种蔬菜的成本投入、预期收益、物流运输成本、生长周期、土地轮种等影响经济效益的因素。利用遗传算法进行问题求解，为每一订单安排合适的种植大棚与种植时间，在满足客户订单要求的前提下，尽可能使企业的经济效益最大化。方法流程图如图3所示，具体步骤为：
S31：将某年度ΔT分割成若干个天数为t的时间段，记为Δt1,Δt2,…,Δt|ΔT/t|，并按上述各时间段的先后顺序依次进行各时间段的订单排程，其中，ΔT和t为正整数并且t≤ΔT。优选地，t的初始值为10，即以旬为单位进行客户订单排程。
S32：依次安排每个时间段的订单，以第k个时间段Δtk内订单排程为例，首先筛选出供货日期在该时间段的订单，基于订单评分函数f(oi)分别计算每一订单的综合评分，并按综合评分由高到低对订单优先级排序，生成时间段Δti内的订单优先级队列orderQueue，记为orderQueue＝(o1,o2,…,oi,…)，其中，订单评分函数f(oi)为：
其中，oi表示第i个蔬菜品种对应的订单，pi为蔬菜品种i的预期价格，yi为蔬菜品种i的亩产，amti为蔬菜品种i的供货量，delayDaysi为订单oi的供货日期需要推迟的天数，t为时间段Δtk内的天数，w1为客户优先级权重，w2为品种优先级权重，growDaysi为蔬菜品种i的种植周期天数，labori为种植蔬菜品种i所需的劳动力成本，inputsi为种植蔬菜品种i所需的投入物资成本，otheri为种植蔬菜品种i所需的其他成本。
优选地，客户越重要，则其优先级越高，对应的w1的值也就越大，根据客户优先级由大到小分为：A、B、C、D、E五个级别，对应的权值分别为：5、4、3、2、1。蔬菜品种的优先级越高，则其对应的w2的值越大。w2的值是多个领域专家进行打分确定，专家进行打分时将根据自身经验、每种蔬菜的特点及其历史销售数据进行确定。例如，若某蔬菜品种比较易于种植、储存和运输，附加值高，往年市场销售好，则其权重值越大。
S33：依次遍历队列orderQueue中的元素，取出当前元素oi，根据订单oi中的蔬菜品种、质量标准、农场品种产能、种植规程信息、农场设施信息等条件筛选出在时间段Δti内可以种植该蔬菜品种的所有农场，记为fmQueuei＝(fmi1,fmi2,…,fmin)，其中，n表示符合条件的农场数量；若fmQueuei为空，则将订单oi的供货日期向后推迟1天，并且重新进行农场筛选，直到fmQueuei不为空。
S34：基于遗传算法，求解订单oi的最优化种植方案，以确定订单oi在各农场的种植面积与种植时间，用公式表示为：
J＝ming(oi)
约束条件为：
akj≥0
ykj≥0
其中，J为求解订单oi最优化种植方案的目标函数，oi表示第i个蔬菜品种对应的订单，q(oi)为订单oi的供货量，n为订单oi对应的农场数量，nk为第k个农场中空闲大棚的数量，fkj表示订单oi是否使用第k个农场的第j个大棚，akj为第k个农场中第j个大棚的面积，ykj为第k个农场中第j个大棚的亩产，pk为订单oi中蔬菜的预期价格，ckj为第k个农场中第j个大棚的人力成本与物资成本，uck为第k个农场中蔬菜的单位距离运输成本，dk为第k个农场与订单oi目标客户的距离，sk为第k个农场中蔬菜的单位储藏成本，lkj表示第k个农场中第j个大棚因连续种植某种蔬菜造成的单位面积的经济效益损耗。
优选地，利用遗传算法进行问题求解时，首先对所有农场的空闲大棚进行二进制编码，如果订单oi使用第k个农场的第j个大棚，则fkj＝1；否则，fkj＝0。然后，进行染色体的选择、交叉和变异等操作后，计算出问题的最优解。进而，确定订单oi安排在哪些农场的哪些大棚进行种植，并根据种植规程相关信息，确定蔬菜的种植时间，完成订单oi的排程。
S35：重复步骤S33、S34，直到orderQueue中的所有订单全部安排完毕。
S36：重复步骤S32～35，安排下一个时间段Δtk+1内的订单，以此类推，直到时间区间ΔT内的所有订单的种植计划排程完毕，生成时间间隔为t条件下的种植计划排程方案plant，将其加入到可行解集合R中。
S37：改变t的值，重复步骤S31～36，生成新的种植计划排程方案plant+1，并将其加入到可行解集合R中。
S38：遍历可行解集合R，计算每一种排程方案的经济收益F(plant)，从中选择经济收益最大的方案作为最优排程方案maxF(plant)，其中：
式中，plant表示第t种排程方案，g(oi)为订单oi的净收益，m为订单总数，n为在第t种排程方案下完成订单排程所需农场的数量，ni表示在第t种排程方案下已使用的第i个农场的大棚数，ghij表示第i个农场中第j个大棚的面积，dayij表示第i个农场中第j个大棚的空闲天数，icij表示第i个农场中第j个大棚中单位面积每天的空闲成本。
优选地，为了提高运算效率，降低运算量，可以根据实际情况对t的取值范围进行限定，例如：t∈(3,5,7,10,…)。根据F(plant)的值由大到小，对所有排程方案进行排序，并列出排名靠前的几种方案供用户选择。
S4：可视化展示企业种植计划排程结果。
利用二维表格可视化展示在时间区间ΔT内每个农场中每个大棚的蔬菜种植信息的动态变化情况，表格的列方向为时间维度，按时间顺序由左向右排列，用于表示在某一天中所有大棚的占用情况；表格的行方向为大棚维度，按农场、大棚编号顺序由上到下排列，用于表示某个大棚在时间区间ΔT内每天的占用情况，如图4所示。
将表格中的每个单元格的值设为对应订单的编号，遍历表格中的所有单元格，将所有值相等的单元格的背景色设置为同一颜色，且任意两个值不相等的单元格的背景色均不同。
Claims (5)
1.一种大型蔬菜种植企业种植计划自动生成方法，其特征在于，包括：
S1：输入数据，进行数据初始化；
S2：对步骤S1中的输入数据进行预处理与有效性验证；
S3：根据客户订单要求，利用智能启发式算法为所有订单安排种植地点和种植时间，生成企业种植计划排程结果；
步骤S1所述输入数据包括：指定时间区间ΔT、客户订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、物资成本信息InputsCostList、品种优先级信息VarietyRankList；
步骤S2所述的有效性验证包括以下步骤：
数据非空验证：验证时间区间ΔT是否大于0，验证订单列表OrderList、蔬菜品种列表VarietyList、品种产能列表VarietyCapacityList、种植规程列表RuleList、农场年度设施面积列表FacilityList、劳动力成本信息LaborCostList、投入物资成本信息InputsCostList、品种优先级信息VarietyRankList是否为空；
验证订单列表OrderList中的蔬菜品种在时间区间ΔT内是否有农场产能安排；
验证订单列表OrderList中的蔬菜品种是否有对应的种植规程；
验证订单中所有蔬菜品种的供货量是否大于所有农场的最大产能之和；
所述步骤S3具体包括以下步骤：
S31：将时间区间ΔT分割成若干个自然日数为t的时间段，记为Δt1,Δt2,…,Δt|ΔT/t|，并按时间先后顺序依次处理每一时间段内的订单；其中，ΔT和t为正整数，且t≤ΔT，|ΔT/t|表示对ΔT/t向上取整；
S32：筛选出供货日期在第k个时间段Δtk内的所有订单，基于订单评分函数f(oi)分别计算上述订单的综合评分，并按综合评分由高到低对订单优先级排序，生成时间段Δtk内的订单优先级队列orderQueue，记为orderQueue＝(o1,o2,…,oi,…)，其中，订单评分函数f(oi)为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>amt</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>delayDays</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>growDays</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>labor</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>inputs</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>other</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，oi表示第i个蔬菜品种对应的订单，pi为蔬菜品种i的预期价格，yi为蔬菜品种i的亩产，amti为蔬菜品种i的供货量，delayDaysi为订单oi的供货日期需要推迟的天数，t为时间段Δtk内的天数，w1为客户优先级权重，w2为品种优先级权重，growDaysi为蔬菜品种i的种植周期天数，labori为种植蔬菜品种i所需的劳动力成本，inputsi为种植蔬菜品种i所需的投入物资成本，otheri为种植蔬菜品种i所需的其他成本；
S33：依次遍历队列orderQueue中的元素，取出当前元素oi，根据订单oi中的蔬菜品种、质量标准、农场品种产能、种植规程信息、农场设施信息条件筛选出在时间段Δti内可以种植该蔬菜品种的所有农场，记为fmQueuei＝(fmi1,fmi2,…,fmin)，其中，n表示符合条件的农场数量；若fmQueuei为空，则将订单oi的供货日期向后推迟1天，并且重新进行农场筛选，直到fmQueuei不为空；
S34：基于遗传算法，求解订单oi的最优化种植方案，以确定订单oi在各农场的种植面积与种植时间，用公式表示为：
J＝ming(oi)
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>uc</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
约束条件为：
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
akj≥0
ykj≥0
其中，oi表示第i个蔬菜品种对应的订单，J为求解订单oi最优化种植方案的目标函数，q(oi)为订单oi的供货量，n为订单oi对应的农场数量，nk为第k个农场中空闲大棚的数量，fkj表示订单oi是否使用第k个农场的第j个大棚，akj为第k个农场中第j个大棚的面积，ykj为第k个农场中第j个大棚的亩产，pk为订单oi中蔬菜的预期价格，ckj为第k个农场中第j个大棚的人力成本与物资成本，uck为第k个农场中蔬菜的单位距离运输成本，dk为第k个农场与订单oi目标客户的距离，sk为第k个农场中蔬菜的单位储藏成本，lkj表示第k个农场中第j个大棚因连续种植某种蔬菜造成的单位面积的经济效益损耗；
S35：重复步骤S33、S34，直到orderQueue中的订单全部安排完毕；
S36：重复步骤S32～S35，安排下一个时间段Δtk+1内的订单，直到时间区间ΔT内的所有订单的种植计划排程完毕，生成时间间隔为t条件下的种植计划排程方案plant，将plant加入到可行解集合R中；
S37：改变t的值，重复步骤S31～S36，生成新的种植计划排程方案plant+1，并将plant+1加入到可行解集合R中；
S38：遍历可行解集合R，计算每一种排程方案的经济收益F(plant)，从中选择经济收益最大的方案作为最优排程方案maxF(plant)，其中：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>plan</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>gh</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>day</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>ic</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
式中，plant表示第t种排程方案，g(oi)为订单oi的净收益，m为订单总数，n为在第t种排程方案下完成订单排程所需农场的数量，ni表示在第t种排程方案下已使用的第i个农场的大棚数，ghij表示第i个农场中第j个大棚的面积，dayij表示第i个农场中第j个大棚的空闲天数，icij表示第i个农场中第j个大棚中单位面积每天的空闲成本。
2.根据权利要求1所述的大型蔬菜种植企业种植计划自动生成方法，其特征在于，所述大型蔬菜种植企业由若干个分布在不同地理位置上的农场组成，记为fm1,fm2,...,fmn；其中，每个农场被划分为若干个片区，记为disth；每个片区又由若干个大棚组成，记为ghj，大棚是企业的最小种植单位；每一农场、片区、大棚在企业范围内都拥有唯一编码，根据大棚的编码可以获得所属片区编码，根据片区编码可以获得所属农场编码。
3.根据权利要求1所述的大型蔬菜种植企业种植计划自动生成方法，其特征在于，所述时间区间ΔT以自然日为最小单位，时间区间ΔT的开始时间和结束时间均为公历日期；所述客户订单至少包括以下数据项：蔬菜品种、供货日期、供货数量、质量标准、客户编号。
4.根据权利要求1所述的大型蔬菜种植企业种植计划自动生成方法，其特征在于，步骤S2所述的预处理包括以下步骤：
根据实际情况对客户订单进行拆分或合并操作，确保一个订单具有如下特征：有且只有一个蔬菜品种、唯一的供货日期、唯一的供货数量、唯一的质量标准、唯一的客户编号；
检索出该企业在某一时间区间ΔT内的所有订单，并按订单中的供货日期从早到晚对订单进行排序，得到排序后的订单列表OrderList。
5.根据权利要求1所述的大型蔬菜种植企业种植计划自动生成方法，其特征在于，所述方法还包括可视化展示企业种植计划排程结果，具体包括以下步骤：
利用二维表格可视化展示在时间区间ΔT内每个农场中每个大棚的蔬菜种植信息的动态变化情况，表格的列方向为时间维度，按时间顺序由左向右排列，用于表示在某一天中所有大棚的占用情况；表格的行方向为大棚维度，按农场、大棚编号顺序由上到下排列，用于表示某个大棚在时间区间ΔT内每天的占用情况；
将表格中的每个单元格的值设为对应订单的编号，遍历表格中的所有单元格，将所有值相等的单元格的背景色设置为同一颜色，且任意两个值不相等的单元格的背景色均不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410855815.8A CN104573860B (zh) | 2014-12-31 | 2014-12-31 | 一种大型蔬菜种植企业种植计划自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410855815.8A CN104573860B (zh) | 2014-12-31 | 2014-12-31 | 一种大型蔬菜种植企业种植计划自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573860A CN104573860A (zh) | 2015-04-29 |
| CN104573860B true CN104573860B (zh) | 2017-09-29 |
Family
ID=53089875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410855815.8A Active CN104573860B (zh) | 2014-12-31 | 2014-12-31 | 一种大型蔬菜种植企业种植计划自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573860B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408387A (zh) * | 2016-09-23 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 认购信息的处理方法和处理系统 |
| CN108074128A (zh) * | 2017-05-09 | 2018-05-25 | 重庆科技学院 | 基于现实农场的线上盈利计算平台 |
| CN108074162A (zh) * | 2017-05-09 | 2018-05-25 | 重庆科技学院 | 基于生态农场的线上线下交互平台 |
| CN107832932A (zh) * | 2017-10-31 | 2018-03-23 | 深圳春沐源控股有限公司 | 一种种植管理方法及系统 |
| CN108985495B (zh) * | 2018-06-26 | 2021-04-13 | 广州视源电子科技股份有限公司 | 物料采购计划方法及系统 |
| EP3869933A4 (en) * | 2018-10-24 | 2022-09-14 | Climate LLC | Systems and methods for identifying and utilizing testing locations in agricultural fields |
| CN109948899A (zh) * | 2019-02-11 | 2019-06-28 | 厦门邑通软件科技有限公司 | 一种智慧生成企业生产排程方法及系统 |
| CN113763195A (zh) * | 2020-08-21 | 2021-12-07 | 北京京东振世信息技术有限公司 | 种植计划的控制方法、装置及计算机可读介质 |
| CN113469831B (zh) * | 2021-07-01 | 2024-06-14 | 浙江数秦科技有限公司 | 基于区块链技术的农时导航系统 |
| CN114418783A (zh) * | 2021-12-28 | 2022-04-29 | 北京市农林科学院信息技术研究中心 | 一种作物育种材料排布方法、装置及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320446A (zh) * | 2008-02-25 | 2008-12-10 | 刘朋 | 使农业科技化、产业化、定单化的发展方法 |
| CN101477595A (zh) * | 2009-01-22 | 2009-07-08 | 中国农业大学 | 区域作物品种种植比例规划系统及方法 |
| CN103295159A (zh) * | 2012-02-24 | 2013-09-11 | 鸿富锦精密工业（深圳）有限公司 | 农产品种植管控系统及管控方法 |
| CN103295105A (zh) * | 2013-06-20 | 2013-09-11 | 无锡百盛传感网络有限公司 | 区域农业多业态物联网管理系统 |
-
2014
- 2014-12-31 CN CN201410855815.8A patent/CN104573860B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320446A (zh) * | 2008-02-25 | 2008-12-10 | 刘朋 | 使农业科技化、产业化、定单化的发展方法 |
| CN101477595A (zh) * | 2009-01-22 | 2009-07-08 | 中国农业大学 | 区域作物品种种植比例规划系统及方法 |
| CN103295159A (zh) * | 2012-02-24 | 2013-09-11 | 鸿富锦精密工业（深圳）有限公司 | 农产品种植管控系统及管控方法 |
| CN103295105A (zh) * | 2013-06-20 | 2013-09-11 | 无锡百盛传感网络有限公司 | 区域农业多业态物联网管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 鲜活农产品供应链的商业服务平台构建研究;桂群;《中国优秀硕士学位论文全文数据库》;20070215(第2期);正文第31-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573860A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573860B (zh) | 一种大型蔬菜种植企业种植计划自动生成方法 | |
| Khoshnevisan et al. | Comparison of energy consumption and GHG emissions of open field and greenhouse strawberry production | |
| Anigbogu et al. | Socioeconomic factors influencing agricultural production among cooperative farmers in Anambra State, Nigeria | |
| Lowe et al. | Decision technologies for agribusiness problems: A brief review of selected literature and a call for research | |
| CN110134733B (zh) | 基于gis系统与大数据分析的土地管理系统及方法 | |
| CN108665092B (zh) | 一种基于混合萤火虫算法的全流程排产与优化方法 | |
| Darshana et al. | Simulation and optimization for irrigation and crop planning | |
| Brulard et al. | An integrated sizing and planning problem in designing diverse vegetable farming systems | |
| Gao et al. | Integrating SLP with simulation to design and evaluate facility layout for industrial head lettuce production | |
| Aliano Filho et al. | An integrated multi-objective mathematical model for sugarcane harvesting considering cumulative degree-days | |
| Umaru et al. | Profitability of Catfish Production in Enugu Metropolis, Enugu State, Nigeria | |
| Polikarpova et al. | Cycle-oriented approach to building a model of production costs | |
| Barghash et al. | Applying Operation Research Methodologies to Hydroponic Crop Scheduling in a Closed System: An Integer Programming Approach | |
| Shirokov et al. | Analysis of methodological bases of energy-economic assessment of agricultural technologies and projects | |
| Cahn et al. | Irrigation and nitrogen management web-based software for lettuce production | |
| Proctor et al. | Assessing ecosystem services in Australia | |
| Maassen | Emergy of an Urban Food Production System: A Case Study of Urban Agriculture in Detroit, Michigan | |
| Tongpang et al. | An application of tabu search algorithms and genetic algorithms in collaborative logistics optimization | |
| Daud et al. | Analysis of The Potential Integrated Agricultural Sector in North Maluku Province | |
| US20240087055A1 (en) | Greenhouse agriculture system | |
| Gan | The Meso-Level of the Economic System: The Dynamic Structure and Evolution of the Sector | |
| Medel-Chávez et al. | Network flow optimization in the formulation of an investment project in Tecamachalco, Puebla | |
| Kaewtrakulpong | Multi-objective optimization for cost reduction of mechanical sugarcane harvesting and transportation in Thailand | |
| Tab-eam et al. | Guidelines for future agricultural technology development to increase productivity in the Agricultural sector | |
| AbdulRazak | Economics of date palm agriculture in the sultanate of Oman, current situation and future prospects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |