利用混合蛙跳算法优化基于APSIM的旱地小麦产量形成模型参数
基于APSIM模型的旱地小麦和豌豆水肥协同效应分析
利用 效率 口。 。 。为此 ， 研 究利 用 ＡＰ Ｉ ａ ｒ ｕｔ ｒｌ ｒ ｄ ｃｉｎｓ ｓｅ ｉ ｌｔｒ 模 型 ， 土壤 类 型 、 物 品 本 Ｓ Ｍ（ ｇｉ ｌ ａ ｐｏ ｕ ｔ ｙｔｍ ｓ ａｏ ） ｃ ｕ ｏ ｍｕ 在 作
种 和 管理 等要 素完 全相 同情 况下 模拟 ３ ５年不 同 自然 降水 年型 和施 肥水 平 的产量 ， 用模 糊数 学 和隶 属 函数 进 行 运
作物 耐旱 能力 ［７； 分研 究者认 为 ： 水分 亏缺 时增 施氮 肥使 作 物水分 胁 迫加 重 ， 产 量造 成 不利 影 响 ６ ｊ部 ， 在 对 。水
分和 养分 对作 物生 长 的协 同作用 不是 孤立 的 ， 而是 相互 作用 的＿ 。在 我 国西北 黄 土丘 陵 区 ， ｌ 虽然 无 法调控 自然 降水 ， 已通过 集 雨工程 、 但 引河灌 溉 和开发 地下 水等 进 行作 物水 肥效 应 的大量 研究 ， 大多数 结果 表 明 ： 肥协 调 不 水 仅 有 利于作 物 养分 吸收 和运 输 ， 利 于植株 协 调生 长＿ 有 ｌ ， 可 以有 效地 协 调水 分和 养 分 ， 高作 物 产量 和 水 分 还 提
理施肥， 以肥调 水 ， 以水 促肥 ， 促进 作 物生 长 发 育 和提 高 作 物 产 量 成 为 农业 综 合 发 展 的关 键 技 术 ＿ ］ ２ 。同 时研 究
区降 水量 小 ， 发强 ， 旱频 繁 ， 降水 量集 中在 ７ ９月 份 ， 蒸 干 且 — 占全年 降水 量 的 ６ 以上 ， 物 生长 在 水 分胁 迫 环 Ｏ 作 境Ｅ 当水 分 亏缺 时施肥 是否 有 利于作 物 生长 ， 。 尚存 在着 争议 。部分 研究 者认 为 ： ］ 在水 分 亏缺 时施 肥能 够 提 高
基于改进混合蛙跳算法的负荷模型参数辨识
基于改进混合蛙跳算法的负荷模型参数辨识张友华;王联国【期刊名称】《计算机工程与科学》【年(卷),期】2013(35)6【摘要】针对电力系统负荷的随机性、时变性和不连续性等特点,提出了一种适用于静态负荷模型参数辨识的改进的混合蛙跳算法(ISFLA).该算法在混合蛙跳算法(SFLA)的基础上,借鉴PSO算法思想,通过引入异步时变学习因子,对更新策略进行改进；其中“时变学习因子”可以明显提高SFLA算法的优化精度和加快收敛速度；并且能够很好地增强SFLA算法的局部开发能力和克服SFLA算法易于陷入局部最优解的缺点.仿真数据建模实例验证了该方法的有效性和可行性.%Aiming at the characteristics of the power system load such as randomness,time-varying and uncontinuity,an improved shuffled frog leaping algorithm (ISFLA) that is applied to the parameter identification of the static load model was proposed.On the basis of the shuffled frog leaping algorithm and particle swarm optimization,the updating strategy of SFLA is modified by introducing the variable learning factor.It is proved that this algorithm can improve the accuracy of the optimization,accelerate the convergence speed,enhance the local development capability and overcome the SFLA's shortage that is easy to get rid of the local optimal solution by introducing the variable learning factor.The simulation results demonstrate the effectiveness and feasibility of the proposed method.【总页数】6页(P180-185)【作者】张友华;王联国【作者单位】甘肃农业大学工学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070【正文语种】中文【中图分类】TM714【相关文献】1.基于改进混沌优化算法的船舶综合负荷模型参数辨识 [J], 唐卓贞;顾瞿飞;倪伟;徐亮2.基于四川电能质量监测系统与改进粒子群算法的负荷模型参数辨识方法研究 [J], 丁理杰;滕予非;吴瀚;刘影;王均;张周晶3.基于改进混沌优化算法的综合负荷模型参数辨识 [J], 谢宏杰;孔雨4.基于改进蝴蝶算法的光伏综合负荷模型参数辨识 [J], 亢朋朋;朱思宇;王衡;樊国伟;杨桂兴5.基于改进微分进化算法的负荷模型参数辨识 [J], 吴骅;吴耀武;娄素华;王少荣;熊信银因版权原因，仅展示原文概要，查看原文内容请购买。
一种新的改进的混合蛙跳算法
最早是由Ｅ ｓ 和 Ｌｎｅ于 ２０ 年提出 ， ｕｕ ｆ ａｓ ｙ ００ 源于对青蛙觅食行为 的研究 ， 具有概念简单 ， 参数少 ， 计算速度 决， 全局寻优能力强 ， 易于实现等特点 ， 并且简单易用 ， 已在多个领域取得了成功ｎ。 然而 ， 和其他 智能优化 算法一样 ，Ｆ Ａ同样 存在易收 敛到局 ＳＬ 部最优 ， 在求解 部分函数优化 问题 时效果不够理想 的缺陷 。 对立策 略是提 高算法优化 性能的一种新方法 文献［ 将 ， ６ 】 其 应 用于 差分 进化 （ ｉｅ ｎ ａ Ｅ ｏ ｔ ｎＤ ） 法 中 ， Ｄｆ ｒ ｔｌ ｖ ｌｉ ， Ｅ 算 ｅ ｉ ｕｏ 数值 结 果验 明了其有效性 。文献 【 将 其引入进化 计算 ， 出一种 ７ ］ 提 基 于对 立策 略的种群初 始化方 法 ， 即用种群 对立产 生方式 来 取代传统的种群 随机生成方式 。在进 化过程 中同时考虑 随机 点和其对 立点 ， 比单纯地使 用随机方 法更有效 。Ｄ 算 法［ Ｅ ６ １ 最 初 由 Ｓｏｅ Ｐｉ 于 １９ 年提 出 ， ｔｒ 和 ｒ ｅ ９ ５ ｃ 该算法 通过变 异 、 交 、 杂 选 择操 作来 更新 随机 产生 的初 始种群 ， 经过 逐步 迭代 ， 断进 不 化 ， 实现全局最优解 的搜索 。 可 ＳＬ Ｆ Ａ和 ＤＥ 法都是 基于群体 智能和 随机策 略 、 依据 算 并
摘 要： 针对混合蛙跳 算法在优化 过程 中受初始值影响较 大且容 易陷入局部最优 的缺 陷， 出了一个改进的混合蛙跳算 法， 提 该算 法利用基于对 立学 习的策略产生初 始种 群 ， 高 了产生解的质量 ； 提 在进化过程 中， 差分 进化 有机地嵌入其 中， 将 维持 了种群的 多 样性。数值结果表 明， 改进的混合蛙跳算法对复杂 函数优化 问题具有较 强的求解 能力。
基于改进SFLA_算法对SVM_算法超参数的优化
Science and Technology & Innovation｜科技与创新2024年第06期DOI：10.15913/ki.kjycx.2024.06.010基于改进SFLA算法对SVM算法超参数的优化贺加贝（首都经济贸易大学管理工程学院，北京100070）摘要：机器学习算法具有强大的学习能力，其中超参数的选择很大程度上影响算法的性能。
通过提出改进的混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）对支持向量机（Support Vector Machine，SVM）的超参数进行优化，以提高算法性能。
针对混合蛙跳算法依赖于初始值、容易陷入局部最优、缺少参考指标的局限性，提出均匀分布初始值、“外来蛙”、增加评价指标的改进措施，对算法进行改进。
利用改进的混合蛙跳算法对支持向量机的超参数进行寻优，得到最佳模型。
通过公开数据集进行验证，与原始支持向量机模型、网格寻参-支持向量机模型、原始混合蛙跳算法寻参-支持向量机模型相比较，改进混合蛙跳算法寻参-支持向量机模型具有更高的准确率。
关键词：混合蛙跳算法；支持向量机；超参数；智能算法中图分类号：TP18 文献标志码：A 文章编号：2095-6835（2024）06-0039-03混合蛙跳算法是由EUSUFF＆LANSEY（2003）[1]提出的一种启发式群体智能算法，因其出色的性能被应用在个性计划推荐[2]、生物医学[3]等领域。
申晓宁等（2024）[4]通过引入多种信息源、子组最差个体学习有效信息的概念对混合蛙跳算法进行优化，使算法得到更优方案；周超等（2022）[5]通过改变种群的分配方式，加上反向学习和烟花爆炸机制来提高性能，以此改善LoRa 传输过程中的问题；王玉芳等（2022）[6]提出的混合启发式规则、贪婪插入解码方法弥补了算法的不足，使其具有较出色的寻优能力和收敛效果；CORTES＆VAPNIK（1995）[7]提出了支持向量机；OSUNA等（1997）[8]对支持向量机进行改进，得到了效率更高的Osuna算法；PLATT （1999）[9]对算法中数值优化进行了简化，经过对核心部分的优化，支持向量机在空间复杂度上得到了有效降低；张晓芳和钱蕊（2022）[10]利用支持向量机对股票涨跌进行预测并得到了较高的准确率；潘曦等（2022）[11]利用萤火虫算法优化了支持向量机的参数，可以很好地识别卷烟种类；吴程昊和莫路锋（2022）[12]改进了狮群算法，对支持向量机的参数进行了寻优来提升分类精度。
基于ＡＰＳＩＭ 模型的气候变化条件
为早播时春小麦产量最高ꎮ 为应对未来气候变化ꎬ陇中旱地农田可通过适当调整播种日期来提高春小麦产量ꎬ如
当温度升高 １ ℃ 、降水量升高 １０％、ＣＯ２ 浓度接近 ４７０ ｍｏｌ / ｍｏｌ 时ꎬ可选择早播以获得高产ꎮ
气候变化将对世界各地的作物生产和粮食安全
农业 生 产 系 统 模 拟 模 型 ( Ａｇｒｉｃｕｌｔｕｒａｌ Ｐｒｏｄｕｃ￣
ꎮ 旱地春小麦是陇中地
ｔｉｏｎＳｙｓｔｅｍｓ ＳｉｍｕｌａｔｏｒꎬＡＰＳＩＭ) 是澳大利亚联邦科学
的生长发育起着重要的作用ꎮ 陇中地区是典型的旱
产系统生物物理过程的模型 [８－１０] ꎬ其已在世界范围
作物研究( ＣＲＯＰ ＲＥＳＥＡＲＣＨ)
２０２２ꎬ３６(６) :４９９－５０６
引用格式:
韩雪ꎬ刘强ꎬ王钧ꎬ等 基于 ＡＰＳＩＭ 模型的气候变化条件下播期对旱地春小麦产量影响研究[ Ｊ] 作物研究ꎬ２０２２ꎬ３６( ６) :
４９９－５０６
基于 ＡＰＳＩＭ 模型的气候变化条件下播期
对旱地春小麦产量影响研究
与 ＡＰＳＩＭ－ｗｈｅａｔ 模型ꎬ选取甘肃省定西市安定区甘肃农业大学大田试验地为研究区ꎬ在验证模型模拟的适应性基
础上ꎬ设置春小麦播期为早播(３ 月 ３ 日) 、常规播期( ３ 月 １９ 日) 、晚播( ３ 月 ３１ 日) ３ 种模式ꎬ分析 ５ 个降水梯度
( 降水量不变、降低 １０％和 ２０％、升高 １０％和 ２０％) 、５ 个气温梯度( 不变、降低 １ ５ 和 １ ℃ 、升高 １ ５ 和 １ ℃ ) 以及 ５
Ｅｆｆｅｃｔｓ ｏｆ Ｓｏｗｉｎｇ Ｄａｔｅ ｏｎ Ｄｒｙｌａｎｄ Ｓｐｒｉｎｇ Ｗｈｅａｔ Ｙｉｅｌｄ ｕｎｄｅｒ
一种新的改进的混合蛙跳算法
一种新的改进的混合蛙跳算法赵鹏军;邵泽军【期刊名称】《计算机工程与应用》【年(卷),期】2012(48)8【摘要】针对混合蛙跳算法在优化过程中受初始值影响较大且容易陷入局部最优的缺陷,提出了一个改进的混合蛙跳算法,该算法利用基于对立学习的策略产生初始种群,提高了产生解的质量；在进化过程中,将差分进化有机地嵌入其中,维持了种群的多样性.数值结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力.%To overcome the drawbacks of local optima and instability involved in Shuffled Frog Leaping Algorithm(SFLA), an improved SFLA is proposed. The proposed algorithm employs Opposition Based Learning (OBL) to generate the initial population, which can obtain better initial candidate solutions. During the course of evolvement, the Differential Evolution (DE) is embedded in SFLA organically to maintain the population diversity. Numerical results show that the proposed SFLA has a better capability to solve complex functions than other algorithms.【总页数】3页(P48-50)【作者】赵鹏军;邵泽军【作者单位】商洛学院数学与计算科学系,陕西商洛726000;北京化工大学北方学院,河北三河065201【正文语种】中文【中图分类】TP18【相关文献】1.一种改进的混合蛙跳算法 [J], 施秋红2.一种改进的混合蛙跳算法 [J], 赵红星;常小刚3.一种改进的混合蛙跳算法及其在变压器设计中的应用 [J], 杜江;袁中华4.一种改进的混合蛙跳算法及其在水浴牵伸控制中的应用 [J], 肖纯材;郝矿荣;丁永生5.一种基于二分法查找的改进混合蛙跳算法 [J], 王晓彬;邹海荣因版权原因，仅展示原文概要，查看原文内容请购买。
混合蛙跳算法自适应参数调整改进策略
混合蛙跳算法自适应参数调整改进策略肖莹莹;林廷宇;李伯虎;侯宝存;施国强【期刊名称】《系统工程与电子技术》【年(卷),期】2016(038)008【摘要】针对基本混合蛙跳算法(shuffled frog leaping algorithm,SFL)在求解高维复杂问题时的不足,本文提出一种自适应参数调整的改进策略.首先,利用变公比数列分析了SFL更新轨迹的收敛性;在此基础上,利用系统稳定性分析方法,提出在SFL 更新公式中基于比例系数和适应度标准差来自适应调整更新的方法.最后,基于3组共8个标准测试函数将本文改进SFL与基本SFL和4个改进型粒子群优化算法(particle swarm optimization,PSO)作对比,验证了本文改进策略对各类复杂函数的高效性;同时,对比了改进SFL与基本SFL和wPSO在求解高维问题时的性能,验证了改进SFL对高维问题求解的有效性.【总页数】12页(P1939-1950)【作者】肖莹莹;林廷宇;李伯虎;侯宝存;施国强【作者单位】北京市复杂产品先进制造系统工程技术研究中心,北京仿真中心,北京100854;复杂产品智能制造系统技术国家重点实验室,北京电子工程总体研究所,北京100854;北京市复杂产品先进制造系统工程技术研究中心,北京仿真中心,北京100854;复杂产品智能制造系统技术国家重点实验室,北京电子工程总体研究所,北京100854;复杂产品智能制造系统技术国家重点实验室,北京电子工程总体研究所,北京100854;航天系统仿真重点实验室,北京仿真中心,北京100854;北京市复杂产品先进制造系统工程技术研究中心,北京仿真中心,北京100854;复杂产品智能制造系统技术国家重点实验室,北京电子工程总体研究所,北京100854;航天系统仿真重点实验室,北京仿真中心,北京100854;北京市复杂产品先进制造系统工程技术研究中心,北京仿真中心,北京100854;复杂产品智能制造系统技术国家重点实验室,北京电子工程总体研究所,北京100854;航天系统仿真重点实验室,北京仿真中心,北京100854【正文语种】中文【中图分类】TP391【相关文献】1.无线局域网 EDCA 机制的一种自适应参数调整改进算法 [J], 朱智平;万福2.基于自适应参数调整的航空电源车电力稳定控制方法 [J], 马建忠3.基于自适应参数调整的航空电源车电力稳定控制方法 [J], 马建忠4.应用遗传算法的认知无线电自适应参数调整 [J], 赵知劲;郑仕链;邢国际;尚俊娜5.模糊自适应参数调整的改进遗传算法 [J], 罗梅;贾志娟因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进混合蛙跳算法及SVM的耳语情感语音识别方法的DSP实现
基于改进混合蛙跳算法及SVM的耳语情感语音识别方法的DSP实现杨彦;王浩;赵力【期刊名称】《电子器件》【年(卷),期】2012(35)6【摘要】提出了一种基于改进混合蛙跳算法的SVM训练算法.该算法保持了混合蛙跳算法参数少和容易实现的特点,同时通过模拟退火的降温过程来提高算法的进化速度和精度.并用耳语情感语音识别实验来验证提出的基于改进混合蛙跳算法的SVM的有效性.实验结果表明,提出的新的模型的实验结果明显好于传统的SVM方法,证明了该方法的有效性.%A training method of support vector machine ( SVM ) is proposed in this paper. The proposed trainingrnmethod is based on an improved version of shuffled frog leaping algorithm ( SFLA). Two properties of SFLA, smallrnnumber of parameters and easy realization,are retained in the proposed training method. Further,the evolution raternand precision of the proposed training method are improved through the temperature lowering process of thernsimulated annealing algorithm. The experiment of whispered speech emotion recognition is conducted to illustrate therneffectiveness of the proposed training method. Experimental results reveal that the proposed training method performsrnobviously better than the traditional training method of SVM.【总页数】5页(P699-703)【作者】杨彦;王浩;赵力【作者单位】盐城纺织职业技术学院,江苏盐城650500;东南大学信息科学与工程学院,南京210096;东南大学信息科学与工程学院,南京210096【正文语种】中文【中图分类】TN912.34【相关文献】1.基于DTW/SVM的语音识别系统在DSP中的实现 [J], 李攀;杨玮龙;厉剑2.基于改进GMM的耳语语音情感识别方法研究 [J], 蒋庆斌;包永强;王浩;赵力3.基于MFCC特征提取和改进SVM的语音情感数据挖掘分类识别方法研究 [J], 张钰莎;蒋盛益4.基于决策树和改进SVM混合模型的语音情感识别 [J], 赵涓涓;马瑞良;张小龙5.基于改进语音处理的卷积神经网络中文语音情感识别方法 [J], 乔栋;陈章进;邓良;屠程力因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
利用混合蛙跳算法优化基于APSIM的旱地小麦产量形成模型参数聂志刚;李广;雒翠萍;马维伟;代永强【摘要】模型参数的快速、准确估算是产量形成模型应用的重要前提.在基于APSIM (agricultural production systems simulator)的旱地小麦产量形成模型参数本土化率定过程中,存在体量大、耗时长、精度低、效率低的缺点,本研究利用智能算法优化模型参数,试图解决上述问题.依据甘肃省定西市安定区李家堡镇麻子川村2002-2005年、凤翔镇安家沟村2015-2016年大田试验数据以及定西市安定区1971-2016年气象和产量资料,运用混合蛙跳算法分组轮换和全局信息交换的智能策略,对基于APSIM的旱地小麦产量形成模型参数进行了优化,并采用相关性分析方法检验.该优化方法利用青蛙智能的群体生物进化学习策略,可实现对小麦产量形成模型参数的估算,较APSIM平台参数本土化率定常用的穷举试错法,参数优化后产量模拟精度显著提高,均方根误差(RMSE)平均值由79.13 kg hm-2降低到35.36 kg him-2,归一化均方根误差(NRMSE)平均值由5.97％降低到2.63％,模型有效性指数(ME)平均值由0.939提高到0.989.该方法全局优化能力强,收敛速度快.【期刊名称】《作物学报》【年(卷),期】2018(044)008【总页数】8页(P1229-1236)【关键词】小麦;混合蛙跳算法;APSIM;参数优化【作者】聂志刚;李广;雒翠萍;马维伟;代永强【作者单位】甘肃农业大学资源与环境学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070;甘肃农业大学林学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070;甘肃农业大学林学院,甘肃兰州730070;甘肃农业大学信息科学技术学院,甘肃兰州730070【正文语种】中文为争取产量形成三要素的充分协调发展, 许多研究者以产量形成因素为主线, 因地制宜构建作物产量形成模型[1-2], 为当地农作物生产调控与预测提供依据。
模型参数的快速、准确估算是产量形成模型应用的重要前提[3]。
目前, 本土化参数的率定主要是根据研究区长期田间试验结果, 采取穷举试错法[4-5], 依靠研究者丰富的农学知识和经验, 手动调参, 以尽可能缩小目标模拟值与实测值的误差, 率定过程中, 体量大、耗时长、精度低、效率低的问题突出。
近年来, 国内外学者将智能计算方法探索性地引入作物模型的参数优化中, 如Mansouri等[6]利用改进的粒子滤波算法(improved particle filtering algorithm, IPF)获得了更准确的作物生物量和蛋白质含量预测模型参数; 庄嘉祥等[3]将个体优势遗传算法(individual advantages genetic algorithm, IAGA), 应用于水稻生育期模型参数估算, 并快速、准确获得了模型参数估算值; 刘铁梅等[7]使用遗传模拟退火算法(genetic simulated annealing algorithm, GSA)快速获取了大麦叶面积指数模型参数。
具有自组织、自学习等特征的智能算法, 实现了模型参数的自动率定, 提高了调参效率[3], 改善了参数率定过程中量大、时长、精度低的缺点。
然而, 由于智能算法优化策略及复杂度的差异, 使得优化过程中出现了收敛方向不明、局部极值最优、算法设定参数多等现象, 其迭代运算量大, 收敛速度慢, 收敛值偏差及操作不便等问题仍待进一步解决。
本文利用混合蛙跳算法(shuffled frog leaping algorithm, SFLA)先进的分组轮换和全局信息交换优化策略, 立足于定西市安定区李家堡镇麻子川村2002—2005年、凤翔镇安家沟村2015—2016年大田试验数据以及定西市安定区1971—2016年气象和产量资料, 对基于APSIM (agricultural production systems simulator)的旱地小麦产量形成模型参数进行优化, 旨在为黄土丘陵区旱地小麦作物模型的有效、精确和实用提供一定的技术支持。
选取黄土丘陵雨养农业典型区域甘肃省定西市安定区, 该区一年一熟制, 春小麦是种植面积较大的作物。
该区域地处甘肃省中部偏南, 海拔2000 m左右, 属中温带干旱、半干旱气候区; 昼夜温差大, 太阳辐射充足, 年均气温6.4℃, 年≥10°C的活动积温2000~3000°C, 年均日照时数2400 h以上; 年均降雨量385.0 mm, 降水季节分配极不均匀, 主要集中在7月至9月, 且多暴雨事件; 无霜期140 d, 无灌溉条件。
2002—2005年在定西市安定区李家堡镇麻子川村和2015—2016年在定西市安定区凤翔镇安家沟村进行大田试验。
采用定西地区常用的传统耕作方式, 试验小区面积分别为20 m × 4 m和6 m × 4 m, 保护边行为0.5 m, 完全随机区组设置, 3次重复。
供试作物为春小麦“定西35”, 按当地常用量(187.5 kghm–2)用免耕播种机播种, 播深7 cm, 行距0.25 m [8]。
肥料作为基肥播种时一次性施入。
每年3月中旬播种, 7月下旬收获, 收获时取样20株考种, 以各小区实收产量折算每公顷产量。
种植密度为400万株 hm–2, 单株一穗。
采用烘干称重法测得开花期茎干重平均值为1.305 g。
开花后每隔7 d取样一次, 采用半微量凯氏定氮法[9]测定植株茎和叶片氮素含量(%)。
1971—2001和2006—2014年产量数据来自定西市安定区历年统计年鉴, 2002—2005年和2015— 2016年产量为麻子川村和安家沟村实测数据。
以来源于甘肃省气象局的定西市安定区多年(1971—2016)历史资料为基础气象资料。
APSIM平台运行以逐日气象变量数据为驱动, 所需最基本逐日气象变量包括逐日太阳辐射量(MJm–2)、逐日最高气温(℃)、逐日最低气温(℃)和逐日降水量(mm)。
利用李广等[8]在黄土丘陵区APSIM适用性研究中所使用的日照时间转换计算法获取逐日太阳辐射量, 命名气象数据参数库为Dingxi.met。
由于APSIM平台采用的一些土壤理化性状参数及其单位与我国常用的参数有所不同, 本文基于田间测定数据, 参考李广等[8]在黄土丘陵区APSIM适用性研究中经过转换、修订的数据, 得到研究区主要土壤属性参数(表1), 命名土壤数据参数库为Dingxi.soils。
APSIM是澳大利亚农业生产系统研究组1991年开始研制的农业生产系统模拟平台, 地域适用性较广, 已大量应用于气候变化对作物生产的影响效应、水土保持评价以及水肥管理等领域[8,10-15]。
该平台以作物属性模块APSIM-Wheat为小麦生长通用模拟框架[11], 在研究区气象数据和土壤数据参数库的驱动下, 以1 d为步长, 可实现小麦生长发育过程的动态模拟。
基于田间试验数据, 根据李广等[8]在黄土丘陵区APSIM适用性的研究, 得到研究区作物属性基本参数库, 即灌浆–成熟积温580°C; 单蘖重1.22 g; 单株重4 g; 株高100 cm; 主茎叶片数7; 穗下节长33 cm。
混合蛙跳算法针对非线性、多维度系统, 利用群体智能的生物进化学习策略, 从交错复杂的青蛙群体中快速找到满足适应值要求的最优青蛙[16]。
找到的青蛙种群中有P只青蛙, 代表着定义域空间的P个解, 每只青蛙X = (x1, x2, x3, …, xi), i表示每只青蛙的维数, 即解的维度。
SFLA优化步骤[16-18]如下:(1) SFLA参数初始化。
在定义域范围内随机产生青蛙数P、子群数M和每个子群的青蛙数N, P = M ´N, 全局信息交换迭代次数为T1, 局部搜索迭代次数为T2。
(2) 计算P只青蛙的适应度函数值。
将所有青蛙按适应值降序排序, 按照分组轮换学习策略将整个蛙群划分为M个子群, 每个子群包含N只青蛙。
(3) 通过局部寻优, 对每个子群重新排序, 更新每个子群的Xbest(t)、Xworst(t)及整个种群的Xoverall_best(t)。
每个子群中第t次搜索, 适应值最好的解为Xbest(t)和适应值最差的解为Xworst(t), 群体中适应值最好的解为Xoverall_best(t), 每次迭代过程中, 对每个子群的Xworst(t)进行更新操作。
若新青蛙Xworst(t+1)适应值优于旧青蛙Xworst(t)适应值, 则更新子群内Xworst(t)为Xworst(t+1); 否则, 子群内Xbest(t)更新为Xoverall_best(t)。
若新青蛙仍未改进, 则随机产生一个定义域内的新青蛙代替原青蛙Xworst(t)。
式中, t为迭代次数, rand是0~1之间随机数, DXworst(t+1)为子群内最差青蛙Xworst(t)的移动距离, DXmin和DXmax限定了青蛙可移动的范围。
(4) 判断局部寻优迭代次数是否达到T2。
若未达到, 返回步骤(3)继续迭代。
(5) 判断全局信息交换迭代次数是否达到T1或Xoverall_best(t)是否达到要求的收敛精度。
如果不满足, 跳至步骤(2)继续执行; 如果满足, 算法结束, 输出Xoverall_best(t)。
采用均方根误差(RMSE)、归一化均方根误差(NRMSE)及模型有效性指数(ME)分析模拟值与观测值的拟合程度。
RMSE、NRMSE值反映模拟值与实测值之间的误差, 其值越小, 表明误差越小, 拟合程度越好[5]。
ME>0.5表明模型的模拟效果较好, ME越接近1, 模型模拟效果越好[19]。
式中, Yobs为实测值, Ysim为模拟值, Ymean为实测平均值。
优化模型参数时, 首先确定小麦产量模型中较难获取的估计参数为待优化参数, 即解空间; 然后在待优化参数取值定义域空间中, 通过青蛙的分组局部寻优及全局优化, 快速获得满足适应度函数值要求的最优解, 从而实现基于APSIM的小麦产量形成模型参数的优化。
模型优化的目标是使多年(1971—2016)实际产量与模拟产量差距尽可能小。
寻找最优青蛙就是寻找使适应度函数值最小的模型最优参数组合。
式中, G(X)表示青蛙的适应度函数, Yreal为某年小麦实际产量, Ywheat为APSIM 平台内嵌的小麦产量形成模型模拟值。
通过产量构成因素法构建基于APSIM的小麦产量形成模型[20]。
式中, Ywheat为小麦产量(kg hm–2), Pspike为每公顷穗数, Ngrain为每穗粒数, Wgrain为粒干重(g), Cw为籽粒含水量(本研究Cw = 0.2 [21]), Pspike_plant为单株穗数, PD为种植密度(plant hm–2), Ngrain_plant为单株籽粒数, Rgrain为每克茎籽粒数, Wstem_plant为开花期茎干重(g plant–1), Rgrain_gfr为日潜在籽粒灌浆速率(分为开花–灌浆开始和灌浆期两个阶段), hgrain_gfr_Tmean为日均温对籽粒灌浆速率的影响效应系数(取值范围0~1, 取值变化曲线已封装在APSIM平台内部), fN_grain为氮素对籽粒灌浆的影响因子, hN_poten为日潜在籽粒平均氮积累速率, hN_min为日籽粒氮积累速率下限; CN为实际进入茎和叶片的氮素积累含量(开花–灌浆开始阶段茎和叶片氮素平均积累含量分别为1.19%和2.66%, 灌浆期茎和叶片氮素平均积累含量分别为0.65%和1.23%), CN_crit为临界氮含量(%), CN_min为茎和叶片自由生长结构性氮素需求下限(%), Wgrain_max为单株最大籽粒干重(g)。