考虑约束的多目标蚁群优化算法在精准放牧路线规划中的应用

《Journal of Environmental Management》：Constraint-aware multi objective ant colony optimization for precision grazing route planning

　　摘要
过度放牧和对饲料空间利用的不均衡继续制约着中国北方草原的牧场管理。在家庭经营的牧场中，牲畜反复放牧容易到达的区域，而更远处的高质量饲料资源则未被充分利用。这使得制定放牧路线规划成为改善饲料利用分布的切实需求。为解决这一问题，我们提出了一种多目标的改进型放牧蚁群优化器（IGACO），用于考虑约束条件的放牧路线规划。IGACO在经典蚁群优化（ACO）的基础上进行了改进，包括基于进展的循环引导、考虑畜群的障碍物避让机制、非线性行走效率指数和多目标信息素更新规则。该算法结合无人机多光谱图像和GIS数据构建了高分辨率的牧场图，其中饲料斑块、饮水点和危险点被编码为路线规划元素。在中国北方一个代表性牧场的实验中，IGACO在AHP推导的权重下实现了最低的综合目标值和最短的平均路径长度。额外的5×6和7×7网格化场景表明，该方法也能够支持粗粒度轮牧单元的排序。消融分析进一步证实了所提出的特定于放牧的组件的贡献。这些结果表明，IGACO可以为精准放牧路线规划提供实用的空间决策支持工具。

引言
在温带草原上，草地资源利用不均衡和长期过度放牧正在导致生态系统退化。在中国北部的牧区，超过40%的自然草地生产力下降（Li等人，2024；Teague和Dowhower，2003）。在满足植被恢复需求与牲畜需求之间找到平衡，使得高效的放牧路线规划成为一个紧迫的瓶颈。传统的放牧方式依赖牧民的经验，难以将放牧压力均匀分布在空间异质性的牧场上；高质量饲料斑块被反复放牧，而边缘区域则几乎未被利用（Wróbel等人，2023）。利用无人机（UAV）遥感技术实时量化牧场状况，并结合智能算法优化动物移动，可以提高饲料利用效率，潜在地减少碳排放，并支持更可持续的草地管理（Adar等人，2022；Alvarez-Hess等人，2021）。
UAV遥感和地理信息系统（GIS）与路线规划相结合，为构建详细的牧场环境模型提供了实用框架（Escandón-Panchana等人，2024）。高分辨率的多光谱无人机图像可以追踪植被活力，绘制高质量饲料的空间分布图，并识别退化区域（Zhan等人，2025）。GIS进一步整合了水点和障碍物区域等辅助空间特征，生成与实际操作条件高度匹配的牧场环境地图（Derdour等人，2023）。这些技术已在精准农业和草地监测中得到广泛应用，为精细尺度的放牧管理提供了数据支持（Chen等人，2024；Mancuso等人，2023）。在精准草地管理中，科学规划的放牧路线至关重要（Feldt和Schlecht，2016）。路线规划在机器人导航和车辆路线 logistics 中得到了广泛研究。例如，Junguo Cui等人提出了一种多策略自适应蚁群优化算法，在移动机器人路线规划中表现出优越性能（Cui等人，2024），他们还制定了一个两阶段混合整数优化模型，以在装卸时间约束下最小化自动化引导车辆的运输成本。作为典型的群体智能方法，蚁群优化（ACO）具有强大的全局搜索能力，并已被广泛应用于复杂的路线问题（Zhou和Wei，2024）。然而，标准ACO通常收敛缓慢且容易过早收敛到局部最优解。因此，已经开发了许多变体来加速收敛并提高路线质量。例如，Guangxin Li等人提出了一种改进的ACO-人工蜂群混合算法，通过改进三个关键机制减少了转弯次数和路线长度，加快了收敛速度（G. Li等人，2023）。同样，Ahmed M. Khedr等人提出了一种基于模糊C均值多层聚类和ACO的路由方案（FCM-RP），用于减少无线传感器网络中的能耗并最小化数据收集延迟（Khedr等人，2022）。Jing Li等人将贪婪任务分配策略与改进的可变信息素ACO（ACO-VP）结合，用于动态环境中的无人机目标覆盖任务，生成了稳健的路线计划（J. Li等人，2023）。相比之下，当前的放牧优化研究往往侧重于放牧率调节或放牧计划。例如，荷兰研究人员评估了重新整合牲畜生产和饲料供应对氨和温室气体排放的影响，从而在减少农业环境影响的同时提高了循环性（Van Selm等人，2023）。Venkatesh Kolluru等人使用植被代理、气候、社会经济、地形和邻近变量以及随机森林模型，为哈萨克斯坦制作了2000-2019年的高分辨率网格化LSKD数据库（Kolluru等人，2023）。涉及路线规划的研究通常依赖于简化的环境和单一目标公式。例如，Changwei Miao等人使用规则网格构建了一个环境模型，并在室内机器人路线规划中验证了改进的自适应ACO（Miao等人，2021）。只有少数论文探讨了启发式放牧路线算法，尤其是明确编码放牧特定约束的改编方案仍然很少。总体而言，这些研究仍然存在环境真实性不足和目标整合不足的问题；因此，在真实牧场条件下的多目标旅行规划方面仍有待探索。
为填补这一空白，本研究提出了一种改进型放牧蚁群优化器（IGACO），用于考虑约束条件的多目标放牧路线规划。该方法首先利用无人机多光谱图像和GIS层构建牧场环境图，其中饲料斑块、饮水点和危险点被编码为路线规划元素。然后，IGACO通过引入基于进展的循环引导、考虑畜群的障碍物避让机制、非线性行走效率指数和多目标信息素更新规则来改进标准ACO。该算法在真实牧场场景和两个基于网格的轮牧场景中进行了评估，以测试其在精细航线引导和粗粒度轮牧单元排序方面的适用性。其目标是提供一个实用的决策支持框架，生成空间紧凑、考虑水源、考虑约束条件且易于畜群遵循的放牧路线。
本文的其余部分安排如下：第2节描述研究区域、无人机数据处理和牧场环境图构建；第3节介绍IGACO的公式化和实验设计；第4节报告参数敏感性分析、算法比较、多场景验证和消融分析；第5节讨论所提方法的管理意义和局限性；第6节总结本研究。

材料与方法
无人机（UAV）多光谱遥感结合地理信息系统（GIS）分析，可以在几小时内提取厘米级别的表面信息。与传统基于网格的建模方法相比，这种方法提供了更高的空间分辨率、灵活的处理能力和快速的结果迭代。因此，它非常适合为放牧路线规划提供真实可行的环境约束。在本节中，我们总结了蚁群优化（ACO）的概述。

蚁群优化（ACO）是一种受真实蚂蚁觅食行为启发的群体智能元启发式方法。其核心机制包括用于建设性搜索的概率状态转换规则和平衡信息素沉积与蒸发的信息素更新规则。以下我们总结了算法的工作流程及其数学公式。

算法基本参数设置
ACO及其衍生算法的整体性能受到一组紧密耦合的参数的强烈影响，必须通过仿真实验进行调整以获得满意的解决方案。除了通用算法设置外，还有一些特定于场景的参数决定了环境图中放牧约束的表达方式。如表1所总结的，循环引导系数被设置为??1 = 0.2和??2 = 0.8，禁区周围的最小安全距离为...

讨论
修订后的实验表明，所提出的IGACO框架主要通过将特定于牧场的约束条件整合到路线构建和路线评估中来改进放牧路线规划。在真实牧场场景中，IGACO在综合目标值和平均路线长度方面均优于ACO、GA和PSO，同时在促进饮水和行走效率方面保持了平衡的性能。这一结果表明，改进不仅仅是数值上的。

结论
本研究开发了一种基于无人机和GIS的牧场环境图以及改进型放牧蚁群优化器（IGACO），用于精准放牧路线规划。该框架将饲料质量斑块、饮水点和危险点整合到一个考虑约束条件的路由图中，并通过综合考虑路径长度、促进饮水和行走效率来优化闭环放牧路线。在真实牧场场景中，IGACO实现了最低的综合目标值和...

作者贡献声明
赵越：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。
王旭：撰写——审阅与编辑、监督、资源管理、项目协调、资金获取。
徐大为：撰写——审阅与编辑、监督。
闫玉春：撰写——审阅与编辑、监督。
辛晓平：撰写——审阅与编辑、资源管理。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢
本研究得到了中国国家重点研发计划（2021YFD1300502）、内蒙古自治区科技项目（2025KJTW002302）和中国国家自然科学基金（32171567）的支持。

赵越|王旭|徐大为|闫玉春|辛晓平
三维信息采集与应用重点实验室，首都师范大学资源环境与旅游学院，北京，100048，中国