大规模大豆作物分配优化技术的比较

《ACM Transactions on Evolutionary Learning and Optimization》：A Comparison of Optimization Techniques for Large-scale Allocation of Soybean Crops

作物最优分配需平衡产量、稳定性和耕地面积，传统方法因搜索空间过大失效。本文提出融合多目标进化算法与机器学习预测的优化模型，通过历史数据训练天气和灌溉对产量的预测能力，解决大规模分配问题。案例显示该方法能有效权衡三目标矛盾，为欧洲大豆种植提供可行方案。

　　

摘要

将作物最佳地分配到不同的土地上是一个具有重大实际意义的问题，这不仅有助于提高食品和饲料的生产，还有助于应对气候变化带来的挑战。然而，由于可用的农业用地数量众多，导致搜索空间极为庞大，传统优化方法难以适用。此外，仅仅追求平均产量的最大化可能会导致年际间产量波动较大，进而形成过大的、不切实际的耕种面积。因此，有必要同时考虑多个目标来进行作物分配的优化。为了解决这一复杂的优化问题，我们提出了一种多目标方法，该方法旨在同时实现平均产量的最大化、年际产量波动的最小化以及总耕种面积的最小化。该方法基于一种成熟的多目标进化算法，并利用了一个能够根据历史数据预测作物产量的机器学习模型，从而能够处理大规模的作物分配问题。我们将所提出的方法与针对该问题专门设计的二次规划算法进行了比较。一项针对2000至2023年间欧洲大陆大豆作物分配的案例研究表明，该方法能够识别出这三个相互冲突目标之间的权衡关系，并提出切实可行的作物分配方案，以支持相关决策者的决策。