基于改进蚁群算法的多农机协同动态作业分配方法研究报告
一、作者与发表信息
本研究由Cheng Zhang, Liruizhi Jia, Shengquan Liu, Guiping Dou, Yuan Liu & Bo Kong合作完成，作者单位均为新疆大学计算机科学与技术学院（School of Computer Science and Technology, Xinjiang University, Urumqi 830046, China）。研究成果发表于期刊Scientific Reports（2024年，第14卷，文章编号22414），DOI号为10.1038/s41598-024-73385-w。
二、学术背景与目标
科学领域：本研究属于智能农业（Smart Agriculture）与农业机械协同优化领域，结合了运筹学中的路径规划算法（如蚁群算法）与动态调度理论。
研究动机：现代农业规模化作业依赖多功能农机的协同合作，但单台农机故障或环境变化易导致整体任务中断。传统静态调度方法难以应对动态场景，亟需一种动态作业分配方法。
研究目标：提出一种基于改进蚁群算法（Improved Ant Colony Algorithm, IACA）的多农机协同动态作业分配方法，实现以下优化目标：
1. 最小化最后一台收割机的完成时间；
2. 在保证收割机非生产等待时间为零的前提下，最小化运输车辆总数及总运输距离；
3. 针对农机故障或环境变化，提出双层（收割机与运输车）或单层（仅运输车）重调度策略。
三、研究方法与流程
1. 静态协同作业分配模型
- 收割机调度：
- 输入：15块麦田的坐标、尺寸及仓库位置，4台同型号收割机（参数见表2）。
- 路径规划：将不规则农田抽象为矩形，以最长边为作业方向，采用“环形绕边+每10行交叉作业”路径（图2）。
- 优化算法：改进蚁群算法（IACA）解决多旅行商问题（Multiple Traveling Salesman Problem, MTSP），目标函数为最小化最晚收割机完成时间（公式1）。
- 输出：最优收割序列（如[[15,14,12,11], [10,4,3,2], ...]），完成时间为18:48（648分钟）。
数据转换算法：
运输车调度：
2. 动态协同作业分配模型
- 六类动态场景处理：
- 双层重调度（收割机+运输车）：适用于收割机故障、数量增减或农田增减（如实验模拟中11:30收割机1故障，需重新规划剩余农田及运输路径）。
- 单层重调度（仅运输车）：适用于运输车故障或新增（如13:30运输车故障，仅调整运输路径）。
- 关键改进：
- 故障处理：通过公式18-21更新故障农机位置、农田作业时间及转移时间，确保新调度计划兼容故障状态。
- 多级蚁群协作：将每只蚂蚁拆分为子蚁，代表不同农机并行路径搜索，提升算法多样性。
- 规则-蚁群融合：初始阶段固定运输车首个需求点为时间最早点，避免盲目搜索。
四、主要结果
1. 静态调度验证：
- 收割机调度使最晚完成时间优化至18:48；运输车调度在零等待约束下，总距离减少至40.988 km（图7）。
2. 动态场景适应性：
- 收割机故障：例如13:30收割机1故障，重调度后需求点减至33个，运输车减至3辆，总距离19.988 km（图9）。
- 运输车增减：新增车辆时总距离随车辆数增加而上升（表6），验证最小化车辆数的必要性。
3. 算法对比：
- IACA在4辆运输车时找到可行解（距离10.695 km），而基础蚁群算法（ACA）无法收敛（表7）。在大规模需求点（80个）下，IACA优化率高达36.6%（图10）。
五、结论与价值
科学价值：
1. 提出首个结合双层/单层重调度的多农机动态作业分配框架，解决了复杂农田环境中任务中断的实时响应问题。
2. 改进蚁群算法通过多级协作与规则融合，显著提升动态约束下的求解效率。
应用价值：
- 为无人农场（Unmanned Farms）的农机协同管理提供算法基础，实际案例（新疆华兴农场）验证了方法的可行性。
六、研究亮点
1. 动态适应性：首次将六类动态场景分类处理，并集成至统一模型。
2. 算法创新：IACA通过子蚁并行搜索与规则初始化，解决传统蚁群算法在严格约束下的失效问题。
3. 实际验证：基于真实农田数据（表1）与农机参数（表2），结果具备直接应用潜力。
其他价值：
- 研究公开了数据集（DOI: 10.1038/s41598-024-73385-w），可供后续研究复现与扩展。