溫室穴盤苗自動(dòng)移缽路徑優(yōu)化

張麗娜，譚 彧，呂昊暾，李寶勝，蔣易宇，王 碩

溫室穴盤苗自動(dòng)移缽路徑優(yōu)化

張麗娜，譚 彧，呂昊暾※，李寶勝，蔣易宇，王 碩

（中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083）

為了優(yōu)化移栽機(jī)補(bǔ)栽作業(yè)時(shí)的移缽路徑，該研究基于免疫算法構(gòu)建了克隆選擇算法和免疫遺傳算法2種適合求解移缽路徑優(yōu)化問(wèn)題的模型，并與固定順序法和遺傳算法對(duì)比，進(jìn)行移缽路徑規(guī)劃仿真試驗(yàn)和驗(yàn)證試驗(yàn)。結(jié)果表明：克隆選擇算法模型和免疫遺傳算法模型均能有效優(yōu)化移缽路徑，免疫遺傳算法模型的路徑規(guī)劃效率較高，而克隆選擇算法模型的路徑規(guī)劃效率較低。驗(yàn)證試驗(yàn)條件下，該研究2種模型的路徑規(guī)劃長(zhǎng)度分別為48 977和48 945 mm，相比固定順序法分別縮短7.59%和7.65%，相比遺傳算法模型分別縮短3.60%和3.66%；2種模型的計(jì)算時(shí)間分別為5.86和2.72 s，免疫遺傳算法模型的計(jì)算時(shí)間相對(duì)遺傳算法減少15.79%。免疫遺傳算法模型可作為溫室穴盤苗后續(xù)機(jī)械化批量補(bǔ)栽的路徑規(guī)劃控制基礎(chǔ)。

溫室；穴盤苗；優(yōu)化；自動(dòng)移栽；路徑規(guī)劃；克隆選擇算法；免疫遺傳算法

0 引 言

溫室穴盤育苗技術(shù)改變了傳統(tǒng)生產(chǎn)方式和種植制度，提高了經(jīng)濟(jì)效益，已被廣泛應(yīng)用[1-5]。在工廠機(jī)械化育苗生產(chǎn)中，成苗率約為80%～95%[6]。其中播種機(jī)漏播、種子未發(fā)芽以及畸形苗統(tǒng)稱為劣質(zhì)缽苗。針對(duì)穴盤中的劣質(zhì)缽苗，需進(jìn)行剔除，并對(duì)其進(jìn)行健康缽苗補(bǔ)栽作業(yè)，否則會(huì)導(dǎo)致后續(xù)機(jī)械化批量移栽時(shí)出現(xiàn)栽空或漏栽。缽苗移栽機(jī)器人對(duì)劣質(zhì)缽苗進(jìn)行剔除后，需逐一抓取移栽穴盤內(nèi)的健康缽苗進(jìn)行補(bǔ)栽，移缽路徑（即補(bǔ)栽路徑）具有多選擇性，對(duì)移缽路徑進(jìn)行優(yōu)化能夠有效降低末端執(zhí)行器的行走距離，提高工作效率。

童俊華等[6-7]采用遺傳算法對(duì)穴盤苗移缽路徑進(jìn)行優(yōu)化，但對(duì)于穴盤穴孔數(shù)目較多的情況，該算法計(jì)算時(shí)間較長(zhǎng)[7]，規(guī)劃效果有待提高。此后童俊華等[7]又采用貪心算法對(duì)移栽路徑進(jìn)行優(yōu)化。賀磊盈等[8-9]采用貪心遺傳算法對(duì)穴盤苗移缽路徑進(jìn)行近似最優(yōu)規(guī)劃，相比于固定順序法，路徑規(guī)劃長(zhǎng)度有所降低。徐守江等[10-11]基于蟻群算法和混合蛙跳算法對(duì)穴盤苗移缽路徑進(jìn)行優(yōu)化。雖然已有部分學(xué)者對(duì)穴盤苗移缽路徑進(jìn)行了研究，但路徑規(guī)劃效果仍有待進(jìn)一步提高。

溫室穴盤苗移缽路徑優(yōu)化問(wèn)題類似于旅行商問(wèn)題（Traveling Saleman Problem，TSP），免疫算法被廣泛用于解決TSP問(wèn)題[12-13]。本文借鑒免疫算法求解TSP問(wèn)題的思路，分別基于免疫克隆選擇算法（Clonal Selection Algorithm，CSA）和免疫遺傳算法（Immune Genetic Algorithm，IGA），構(gòu)建了2種適于求解穴盤苗移缽路徑優(yōu)化問(wèn)題的模型，并進(jìn)行仿真試驗(yàn)和實(shí)際驗(yàn)證試驗(yàn)，以確定最佳的路徑優(yōu)化模型，為后續(xù)溫室穴盤苗的機(jī)械化批量補(bǔ)栽提供路徑規(guī)劃控制基礎(chǔ)。

1 移缽作業(yè)過(guò)程

缽苗自動(dòng)移栽機(jī)主要由穴盤苗輸送系統(tǒng)、機(jī)器視覺(jué)識(shí)別系統(tǒng)、控制系統(tǒng)、移缽系統(tǒng)組成，如圖1所示，通過(guò)4個(gè)系統(tǒng)的協(xié)同作業(yè)依次完成劣質(zhì)缽苗的識(shí)別與定位、劣質(zhì)缽苗剔除和健康缽苗補(bǔ)栽作業(yè)[14-18]。

1.穴盤苗輸送系統(tǒng) 2.機(jī)器視覺(jué)識(shí)別系統(tǒng) 3.控制系統(tǒng) 4.移缽系統(tǒng)

常用的穴盤尺寸為250 mm×500 mm，規(guī)格以穴孔數(shù)量（其中=50、72、128）定義[6]。圖2是一個(gè)50穴孔規(guī)格的穴盤（下文簡(jiǎn)稱50穴孔穴盤）示意圖，目的穴盤中的空穴代表需要補(bǔ)栽的位置；移栽穴盤中的健康缽苗用于補(bǔ)栽作業(yè)。移缽路徑優(yōu)化即是對(duì)移栽穴盤中的健康缽苗進(jìn)行選取，然后確定補(bǔ)栽順序，以保證移栽機(jī)械臂的運(yùn)動(dòng)路徑最短。

圖2 50穴孔穴盤示意圖

目前工程上主要采用固定順序法[7]（Common Sequence Method，CSM）進(jìn)行移缽作業(yè)，從移栽穴盤中按從上往下、從左至右的順序取苗，再將缽苗按從上至下、從右至左的順序移入到目的穴盤的空穴中去，而不對(duì)移缽路徑進(jìn)行比較選擇。

目的穴盤中劣質(zhì)缽苗是隨機(jī)分布的，剔除后的空穴需要進(jìn)行補(bǔ)栽。移栽穴盤中健康缽苗具有多選擇性，因此，移栽穴盤中健康缽苗向目的穴盤中的空穴補(bǔ)栽時(shí)，存在多種移缽路徑。假設(shè)移栽穴盤內(nèi)可供移栽的健康缽苗為1株，目的穴盤中需隨機(jī)補(bǔ)栽的空穴為2個(gè)（1≤2≤1≤），此時(shí)可供選擇的移缽路徑共有(1!×2!)/(1-2)! 種，移栽機(jī)械臂在不同路徑下的運(yùn)動(dòng)距離不同，移缽距離越短工作效率越高，因此有必要尋求一條最短距離的移缽路徑。若采用普通的遍歷方法[6]尋求最短路徑，對(duì)計(jì)算機(jī)的運(yùn)行速度和內(nèi)存要求很高，普通計(jì)算機(jī)難以滿足要求，有必要設(shè)計(jì)一種更合理的求解最優(yōu)移缽路徑的方法。

2 移缽路徑優(yōu)化模型構(gòu)建

免疫算法[19-20]是基于生物免疫系統(tǒng)識(shí)別抗原并產(chǎn)生抗體對(duì)抗抗原的學(xué)習(xí)機(jī)制提出的智能算法，本文基于免疫算法原理構(gòu)建出了2種移缽路徑優(yōu)化求解的免疫算法模型：克隆選擇算法模型和免疫遺傳算法模型。

2.1 基于克隆選擇算法的移缽路徑優(yōu)化模型

克隆選擇算法（Clone Selection Algorithm，CSA）是一種基于免疫系統(tǒng)的克隆選擇原理形成的搜索算法，具有較強(qiáng)的全局搜索能力[21-22]。針對(duì)移缽路徑優(yōu)化，設(shè)計(jì)克隆選擇算法模型的實(shí)現(xiàn)過(guò)程如下：

1）識(shí)別待優(yōu)化問(wèn)題及約束條件。移缽路徑優(yōu)化問(wèn)題可以描述為：從原點(diǎn)出發(fā)，選取移栽穴盤中健康缽苗，依次對(duì)目的穴盤中的空穴進(jìn)行補(bǔ)栽，補(bǔ)栽完成后回到原點(diǎn)，要求移缽路徑距離最短，且應(yīng)保證目的穴盤中的空穴被全部補(bǔ)栽，移栽穴盤中的每株健康缽苗能且只能被移栽1次，移栽總量與目的穴盤中空穴數(shù)目相等。

2）隨機(jī)生成抗體群，抗體規(guī)模為個(gè)，每個(gè)抗體各對(duì)應(yīng)一種可行路徑。抗體基因即路徑編碼采用實(shí)數(shù)編碼的形式，編碼長(zhǎng)度length取決于目的穴盤中待補(bǔ)缽苗的數(shù)量2，即length=2×2，參考文獻(xiàn)[6]的編碼方式，按照從左至右、從下至上的順序?qū)δ康难ūP中的空穴和移栽穴盤中的健康缽苗依次進(jìn)行編碼，如1=36、2=4，則其中一個(gè)抗體的編碼可表示為（4, ?1, 9, ?3, 12, ?4, 36, ?2）。

3）抗體與抗原之間的親和度應(yīng)能反應(yīng)抗體與抗原的匹配程度，本文針對(duì)移缽路徑優(yōu)化設(shè)計(jì)抗體與抗原之間的親和度函數(shù)fit()如公式（1）所示。

其中l(wèi)en()代表第個(gè)抗體的路徑總長(zhǎng)，mm。

4）定義親和度最大的/2個(gè)抗體為成功識(shí)別抗原的抗體，選擇這部分抗體作為克隆源依次進(jìn)行克隆，每個(gè)抗體克隆個(gè)；以公式（1）計(jì)算出的親和度為依據(jù)，按照輪盤賭選擇法對(duì)克隆體進(jìn)行變異操作，生成新的移缽路徑。

5）比較克隆源與變異抗體的親和度，僅保留親和度最高的抗體（即移缽路徑最短的抗體）進(jìn)入新的抗體種群；克隆抑制后種群個(gè)數(shù)減少為/2個(gè)，為了增加抗體的多樣性，擴(kuò)大搜索范圍，繼續(xù)隨機(jī)生成/2個(gè)新的抗體，與克隆抑制后的抗體合并形成新的抗體群。

該模型的實(shí)現(xiàn)流程如圖3所示。

圖3 克隆選擇算法模型流程圖

2.2 基于免疫遺傳算法的移缽路徑優(yōu)化模型

Wang等[23-25]將免疫算子引入遺傳算法中，提出了一種免疫遺傳算法，解決了遺傳算法的早熟收斂問(wèn)題，具有較強(qiáng)的尋優(yōu)能力。本文針對(duì)移缽路徑優(yōu)化，設(shè)計(jì)免疫遺傳算法模型的實(shí)現(xiàn)過(guò)程如下：

1）隨機(jī)生成抗體群，該抗體群由普通抗體和記憶細(xì)胞組成，抗體規(guī)模為個(gè)，其中普通抗體規(guī)模為1個(gè)，記憶細(xì)胞規(guī)模為2個(gè)。模型初始化時(shí)，記憶細(xì)胞庫(kù)中的抗體與普通抗體相同，都通過(guò)隨機(jī)方式產(chǎn)生。

2）計(jì)算抗體的期望繁殖率。每個(gè)抗體的期望繁殖率exc()由抗體與抗原的親和度f(wàn)it()和抗體的濃度con()共同決定[26]：

式中ps為多樣性評(píng)價(jià)參數(shù)，常取為0.95[27]。

進(jìn)行抗體濃度計(jì)算的前提是計(jì)算抗體與抗體之間的親和度，免疫遺傳算法中常用基于海明距離的計(jì)算方法、基于信息熵的計(jì)算方法和基于歐式距離的計(jì)算方法，但以上3種方法均存在計(jì)算量大、路徑規(guī)劃效率低的問(wèn)題[28]，且不適用于移缽路徑優(yōu)化問(wèn)題。

本文對(duì)抗體與抗體間親和度計(jì)算方法進(jìn)行改進(jìn)，采用位連續(xù)法[29]設(shè)計(jì)抗體間的親和度S計(jì)算函數(shù)，如公式（3）所示。

式中l(wèi)ength為抗體編碼長(zhǎng)度，R為抗體與抗體的路徑編碼的最長(zhǎng)公共基因個(gè)數(shù)。

例如，3個(gè)抗體的路徑編碼分別為（4, ?1, 9, ?3, 12, ?4, 26, ?2）、（4, ?1, 9, ?2, 7, ?4, 8, ?3）和（36, ?2, 6, ?3, 12, ?4, 8, ?1），則抗體1與抗體2、抗體1與抗體3、抗體2與抗體3的最長(zhǎng)公共基因個(gè)數(shù)分別為3個(gè)（4, ?1, 9和4, ?1, 9）、3個(gè)（?3, 12, ?4和?3, 12, ?4）、和2個(gè)（?4, 8和?4, 8），其親和度12、13、23分別為0.375、0.375和0.25。

當(dāng)2個(gè)抗體的親和度高于某個(gè)閾值，即2個(gè)路徑編碼的最長(zhǎng)公共基因個(gè)數(shù)與編碼長(zhǎng)度的比值高于某個(gè)閾值時(shí)，認(rèn)為2個(gè)抗體相似。若抗體與抗體相似，則抗體必與抗體相似，故抗體相似具有對(duì)稱性?；诖?，本文采用一種基于相似濃度矩陣的抗體濃度計(jì)算方法[30]，可有效減少計(jì)算量，其具體方法為：

定義一個(gè)大小為×的相似濃度矩陣，C代表抗體和抗體的相似度，C為1則代表抗體和抗體相似，為0則不相似，如公式（4）；相似濃度矩陣的第行表示抗體與群體中所有抗體（包括自身）的相似關(guān)系，抗體的濃度con()可通過(guò)公式（5）計(jì)算得到。由于抗體相似具有對(duì)稱性，因此C=C=1。

式中為預(yù)先設(shè)定的一個(gè)閾值，本文設(shè)計(jì)為一個(gè)變量，與抗體編碼長(zhǎng)度有關(guān)，由公式（6）計(jì)算得到。

分析可知，對(duì)于的2個(gè)元素來(lái)說(shuō)，只需計(jì)算(?1)/2個(gè)元素就可完成的計(jì)算，即抗體濃度的計(jì)算量減少，算法的運(yùn)行速度提高。

3）保留精英路徑。為了避免與抗原親和度最高的抗體因其濃度高受到抑制，導(dǎo)致最優(yōu)解丟失，采用精英保留策略，選取與抗原親和度最高的個(gè)抗體放入記憶細(xì)胞庫(kù)。然后按照抗體的期望繁殖率，選取(2?)個(gè)抗體放入記憶細(xì)胞庫(kù)。

4）以式（2）計(jì)算出的期望繁殖率為依據(jù)，采用輪盤賭選擇法對(duì)抗體進(jìn)行單點(diǎn)交叉和變異操作，并針對(duì)移缽路徑的特殊性進(jìn)行去重和替換操作[6]，得到新抗體；新抗體與記憶庫(kù)中的精英抗體合并，形成新種群。

該模型的實(shí)現(xiàn)流程如圖4所示。

圖4 免疫遺傳算法模型流程圖

3 仿真試驗(yàn)與結(jié)果分析

為了測(cè)試本文設(shè)計(jì)的2種優(yōu)化模型的有效性和工作性能，進(jìn)行移缽路徑規(guī)劃仿真試驗(yàn)，仿真環(huán)境為MATLAB R2013b。通過(guò)預(yù)試驗(yàn)對(duì)一些關(guān)鍵參數(shù)進(jìn)行確定，設(shè)定克隆選擇算法模型中種群規(guī)模為40，迭代次數(shù)為50，變異概率為0.4，克隆個(gè)數(shù)為10個(gè)；免疫遺傳算法模型中種群總規(guī)模為40（其中記憶細(xì)胞庫(kù)容量為10個(gè)），迭代次數(shù)為50，交叉概率為0.5，變異概率為0.4，參考文獻(xiàn)[27]，多樣性評(píng)價(jià)參數(shù)為0.95。參考文獻(xiàn)[6]，移栽穴盤和目的穴盤的間距設(shè)定為100 mm。

3.1 試驗(yàn)方案

3.1.1 有效性驗(yàn)證試驗(yàn)

為驗(yàn)證本文設(shè)計(jì)的2種優(yōu)化模型的有效性，以文獻(xiàn)[6]、文獻(xiàn)[10]和文獻(xiàn)[11]中的1組經(jīng)典移缽實(shí)例進(jìn)行路徑規(guī)劃對(duì)比試驗(yàn)，目的穴盤和移栽穴盤均為50穴孔穴盤，目的穴盤中劣質(zhì)缽苗的數(shù)量為4株，移栽穴盤中健康缽苗的數(shù)量為36株，目的穴盤和移栽穴盤中缽苗分布如圖5a所示。文獻(xiàn)[6]、文獻(xiàn)[10]和文獻(xiàn)[11]分別采用遺傳算法、蟻群算法和蛙跳算法。

3.1.2 隨機(jī)對(duì)比試驗(yàn)

為了進(jìn)一步對(duì)比本文所設(shè)計(jì)2種模型與其他經(jīng)典算法之間的優(yōu)劣性，選擇固定順序法（Common Sequence Method，CSM）和遺傳算法（Genetic Algorithm，GA），以路徑規(guī)劃長(zhǎng)度和計(jì)算時(shí)間為指標(biāo)展開(kāi)對(duì)比試驗(yàn)，其中遺傳算法是指文獻(xiàn)[6]所用算法。遺傳算法涉及路徑優(yōu)化和計(jì)算時(shí)間，而固定順序法作為最基本的移缽方法，對(duì)于確定的移缽情況，其路徑是固定的，無(wú)需計(jì)算，不涉及計(jì)算時(shí)間，因此在進(jìn)行試驗(yàn)結(jié)果對(duì)比時(shí)，固定順序法只參與路徑規(guī)劃長(zhǎng)度對(duì)比，不參與計(jì)算時(shí)間對(duì)比。

穴盤苗補(bǔ)栽時(shí)，移栽穴盤和目的穴盤中的劣質(zhì)缽苗數(shù)量（空穴數(shù)）是隨機(jī)的，在穴盤規(guī)格的5%～20%范圍內(nèi)[6]，位置也是隨機(jī)分布在穴盤中的。選取50、72和128穴孔穴盤進(jìn)行移缽路徑規(guī)劃仿真試驗(yàn)，目的穴盤和移栽穴盤的規(guī)格一致，移缽數(shù)量人為設(shè)置，位置隨機(jī)，以移栽穴盤內(nèi)健康缽苗全部移完為1組試驗(yàn)，1個(gè)移栽穴盤約向5～10個(gè)目的穴盤進(jìn)行補(bǔ)栽，各組試驗(yàn)中均進(jìn)行多次路徑規(guī)劃，將多次路徑規(guī)劃長(zhǎng)度和計(jì)算時(shí)間累加作為各組試驗(yàn)的結(jié)果。3種規(guī)格的穴盤分別進(jìn)行5組試驗(yàn)，每組試驗(yàn)的移缽數(shù)量如表1所示。如表1所示，50穴孔穴盤的第1組試驗(yàn)中，移栽穴盤中健康缽苗的數(shù)量為41株，共向5個(gè)目的穴盤進(jìn)行了補(bǔ)栽；50穴孔穴盤的第2組試驗(yàn)中，移栽穴盤中健康缽苗的數(shù)量為43株，共向6個(gè)目的穴盤進(jìn)行了補(bǔ)栽。

因128穴孔穴盤含缽苗數(shù)量多，計(jì)算量大，迭代次數(shù)為50時(shí)2種優(yōu)化模型的收斂曲線不平穩(wěn)，路徑規(guī)劃長(zhǎng)度仍有較大優(yōu)化空間，故本試驗(yàn)中將迭代次數(shù)設(shè)置為80。

表1 隨機(jī)對(duì)比試驗(yàn)的移缽數(shù)量

注：“-”表示移栽穴盤中健康缽苗已被移完，目的穴盤補(bǔ)栽結(jié)束。

Note: “-” means that all healthy seedlings in transplant tray had been transplanted, and objective plug tray replanting had been done.

3.2 仿真試驗(yàn)結(jié)果與分析

3.2.1 有效性驗(yàn)證試驗(yàn)結(jié)果與分析

表2為有效性驗(yàn)證試驗(yàn)結(jié)果。由表2可知，2種模型得到的最優(yōu)路徑長(zhǎng)度均為2 914 mm，略優(yōu)于遺傳算法，與蟻群算法和蛙跳算法的規(guī)劃效果一致；克隆選擇算法、免疫遺傳算法、遺傳算法和蟻群算法的平均計(jì)算時(shí)間分別為0.61、0.24、0.65和0.54 s，克隆選擇算法與遺傳算法的計(jì)算時(shí)間相近，免疫遺傳算法明顯優(yōu)于遺傳算法和蟻群算法，且優(yōu)于基于克隆選擇算法，表明本文所設(shè)計(jì)的2種模型均能有效完成路徑規(guī)劃，且路徑規(guī)劃效果較好。圖5為本文設(shè)計(jì)的2種優(yōu)化模型的路徑規(guī)劃結(jié)果和收斂曲線，由圖5可知，在該組試驗(yàn)中，本文所設(shè)計(jì)的2種模型均能在50代內(nèi)快速收斂，規(guī)劃的路徑長(zhǎng)度較穩(wěn)定，表明2種模型性能穩(wěn)定。

表2 不同算法下經(jīng)典移缽實(shí)例的仿真結(jié)果對(duì)比

注：CSM指固定順序法，GA指文獻(xiàn)[6]的遺傳算法，ACO指文獻(xiàn)[10]的蟻群算法，SFLA指文獻(xiàn)[11]的蛙跳算法，CSA指本文的克隆選擇算法，IGA指本文的免疫遺傳算法，“*”指文獻(xiàn)中無(wú)此數(shù)據(jù)。

Note: CSM refers to the Common Sequence Method, GA refers to the Genetic Algorithm used in literature[6], ACO refers to the Ant Colony Algorithm used in literature[10], SFLA refers to the Leapfrog Algorithm used in literature[11], CSA refers to the Clone Selection Algorithm model designed in this paper, IGA refers to the Immune Genetic Algorithm model designed in this paper, “*” refers to the data not mentioned in the literatures.

3.2.2 隨機(jī)對(duì)比試驗(yàn)結(jié)果與分析

圖6為50、72和128穴孔穴盤仿真試驗(yàn)的路徑規(guī)劃長(zhǎng)度對(duì)比。由圖6可知，在3種規(guī)格穴盤的各組試驗(yàn)中，克隆選擇算法模型和免疫遺傳算法模型路徑規(guī)劃長(zhǎng)度相近，相比于固定順序法和遺傳算法模型明顯縮短。根據(jù)試驗(yàn)結(jié)果，進(jìn)一步計(jì)算得到固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型在50穴孔穴盤仿真試驗(yàn)的路徑規(guī)劃長(zhǎng)度總計(jì)分別為191 843、179 910、174 750和174 755 mm，在72穴孔穴盤仿真試驗(yàn)的路徑規(guī)劃長(zhǎng)度總計(jì)分別為265 065、249 880、241 433和243 419 mm，128穴孔穴盤仿真試驗(yàn)的路徑規(guī)劃長(zhǎng)度總計(jì)分別為460 623、436 155、416 053和416 310 mm。對(duì)比可知，在3種規(guī)格的穴盤仿真試驗(yàn)中，各算法模型按照路徑規(guī)劃長(zhǎng)度從小到大的順序均為：克隆選擇算法模型、免疫遺傳算法模型、遺傳算法模型、固定順序法，其中本文設(shè)計(jì)的2種模型的路徑規(guī)劃長(zhǎng)度相近，相比于另外2個(gè)模型明顯縮短，尤其是128穴孔穴盤，克隆選擇算法模型和免疫遺傳算法模型相比固定順序法分別最大可縮短9.68%和9.62%，相比遺傳算法模型分別最大可縮短4.61%和4.55%。

固定順序法并未對(duì)移缽路徑進(jìn)行比較選擇，故路徑長(zhǎng)度最長(zhǎng)；遺傳算法對(duì)特征信息利用不足，新生成的子代個(gè)體路徑編碼可能發(fā)生突變，性能劣于父代個(gè)體，因此移缽路徑優(yōu)化效果差；克隆選擇算法的克隆選擇和克隆抑制操作，保證了迭代過(guò)程是趨于向更短移缽路徑收斂的方向進(jìn)行的，故具有較好的路徑優(yōu)化能力；免疫遺傳算法模型將移缽路徑最短的抗體保留至記憶細(xì)胞庫(kù)，也保證了迭代是趨于向更短移缽路徑收斂的方向進(jìn)行的，且對(duì)路徑的產(chǎn)生進(jìn)行促進(jìn)或抑制操作，保證了抗體路徑編碼的多樣性，避免了局部收斂，因此也具有較好的路徑優(yōu)化能力。

圖5 經(jīng)典移缽實(shí)例的仿真結(jié)果及對(duì)比

圖6 不同規(guī)格穴盤仿真試驗(yàn)的規(guī)劃路徑長(zhǎng)度對(duì)比

圖7為50、72和128穴孔穴盤仿真試驗(yàn)的路徑規(guī)劃計(jì)算時(shí)間對(duì)比。由圖7可知，在3種規(guī)格穴盤的各組試驗(yàn)中，相比于遺傳算法模型，免疫遺傳算法模型的計(jì)算時(shí)間明顯減少，但克隆選擇算法模型的計(jì)算時(shí)間卻增加，免疫遺傳算法模型路徑規(guī)劃效率較高。根據(jù)試驗(yàn)結(jié)果，進(jìn)一步計(jì)算得到遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型在50穴孔穴盤仿真試驗(yàn)的計(jì)算時(shí)間總計(jì)分別為11.89、21.48和9.42 s，在72穴孔穴盤仿真試驗(yàn)的計(jì)算時(shí)間總計(jì)分別為15.64、27.93和12.13 s，128穴孔穴盤仿真試驗(yàn)的計(jì)算時(shí)間總計(jì)分別為48.27、84.00和34.04 s。對(duì)比可知，在3種規(guī)格穴盤仿真試驗(yàn)中，3種算法模型按照計(jì)算時(shí)間從小到大的順序?yàn)椋好庖哌z傳算法模型、遺傳算法模型、克隆選擇算法模型，本文設(shè)計(jì)的免疫遺傳算法模型的計(jì)算時(shí)間相比遺傳算法明顯減少，尤其是128穴孔穴盤，最大可減少29.48%，但克隆選擇算法模型的計(jì)算時(shí)間最長(zhǎng)，路徑規(guī)劃效率比免疫遺傳算法模型低。

圖7 不同規(guī)格穴盤仿真試驗(yàn)的計(jì)算時(shí)間對(duì)比

本文在設(shè)計(jì)免疫遺傳算法模型時(shí)引用相似濃度矩陣的方式計(jì)算抗體濃度，避免了許多重復(fù)性的計(jì)算，因此能夠有效減少計(jì)算時(shí)間；克隆選擇算法模型的克隆復(fù)制和克隆抑制操作，相比于免疫遺傳算法和遺傳算法模型增大了計(jì)算量，故計(jì)算時(shí)間長(zhǎng)。

仿真試驗(yàn)表明：相比固定順序法和遺傳算法，本文設(shè)計(jì)的克隆選擇算法模型和免疫遺傳算法模型均具有較好的移缽路徑優(yōu)化能力，但免疫遺傳算法模型的路徑規(guī)劃效率更高。

4 驗(yàn)證試驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)的2種模型的實(shí)際工作效果，進(jìn)一步基于克隆選擇算法模型、免疫遺傳算法模型、固定順序法、遺傳算法模型開(kāi)展實(shí)際驗(yàn)證試驗(yàn)。缽苗移栽機(jī)和移栽穴盤如圖8所示，移栽穴盤中劣質(zhì)缽苗共有7株，位置見(jiàn)圖8b。本文以中農(nóng)富通公司培育的中華大椒苗開(kāi)展補(bǔ)栽試驗(yàn)，苗齡為20 d，穴盤規(guī)格為72穴孔，長(zhǎng)500 mm，寬250 mm。為避免環(huán)境光線對(duì)識(shí)別效果的影響，對(duì)缽苗移栽機(jī)的機(jī)器視覺(jué)識(shí)別系統(tǒng)進(jìn)行遮光處理，將移栽穴盤擺放在移栽穴盤固定臺(tái)上，移栽穴盤和目的穴盤的間距為100 mm。

選取9個(gè)穴盤，1個(gè)作為移栽穴盤，8個(gè)作為目的穴盤，試驗(yàn)前將穴盤中的劣質(zhì)缽苗剔除，移栽穴盤中的空穴數(shù)為7個(gè)，目的穴盤每盤的移缽數(shù)量如表3所示。試驗(yàn)時(shí)，首先由機(jī)器視覺(jué)識(shí)別系統(tǒng)獲取移栽穴盤中缽苗的坐標(biāo)，然后將此穴盤擺放在移栽穴盤固定臺(tái)上；目的穴盤在穴盤苗輸送系統(tǒng)的帶動(dòng)下，經(jīng)過(guò)機(jī)器視覺(jué)識(shí)別系統(tǒng)下方，獲取該穴盤中缽苗的坐標(biāo)后停留在移栽穴盤旁邊；機(jī)器視覺(jué)識(shí)別系統(tǒng)將獲取的缽苗坐標(biāo)提供給控制系統(tǒng)，控制系統(tǒng)依次利用3個(gè)算法模型進(jìn)行路徑規(guī)劃，并控制移缽系統(tǒng)進(jìn)行補(bǔ)栽作業(yè)；依次對(duì)8個(gè)目的穴盤進(jìn)行補(bǔ)栽，試驗(yàn)時(shí)記錄每次路徑規(guī)劃長(zhǎng)度和計(jì)算時(shí)間；根據(jù)預(yù)試驗(yàn)，設(shè)定移缽系統(tǒng)的移動(dòng)速度為100 mm/s，移栽機(jī)械手下降取苗和上升的時(shí)間各為1 s（此時(shí)移栽機(jī)的工作效果較穩(wěn)定）。記錄每個(gè)目的穴盤補(bǔ)栽完成所需的時(shí)間（簡(jiǎn)稱補(bǔ)栽時(shí)間），試驗(yàn)結(jié)果如表3所示。

1.穴盤苗輸送系統(tǒng) 2.機(jī)器視覺(jué)識(shí)別系統(tǒng) 3.移栽穴盤固定臺(tái) 4.移缽系統(tǒng)

表3 不同算法下穴盤苗補(bǔ)栽結(jié)果對(duì)比

由表3可知，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的路徑規(guī)劃長(zhǎng)度總計(jì)分別為52 998、50 807、48 977和48 945 mm，4種方法的路徑規(guī)劃長(zhǎng)度，從小到大的順序?yàn)椋好庖哌z傳算法模型、克隆選擇算法模型、遺傳算法模型、固定順序法，其中，免疫遺傳算法模型和克隆選擇算法模型的路徑規(guī)劃長(zhǎng)度相近，相比固定順序法分別縮短7.65%和7.59%，相比遺傳算法模型分別縮短3.66%和3.60%。遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的計(jì)算時(shí)間分別為3.23、5.86和2.72 s，免疫遺傳算法模型的計(jì)算時(shí)間相對(duì)遺傳算法減少15.79%，克隆選擇算法模型的計(jì)算時(shí)間最長(zhǎng)，路徑規(guī)劃效率較低。8個(gè)目的穴盤總計(jì)補(bǔ)栽65株健康缽苗，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的補(bǔ)栽時(shí)間總計(jì)分別為789.98、752.68、755.31和752.17 s，4種方法的補(bǔ)栽時(shí)間，從小到大的順序?yàn)椋好庖哌z傳算法模型、遺傳算法模型、克隆選擇算法模型、固定順序法，固定順序法雖然無(wú)需計(jì)算時(shí)間，但是其路徑規(guī)劃長(zhǎng)度最大，移栽機(jī)械手的執(zhí)行時(shí)間最長(zhǎng)，導(dǎo)致移栽時(shí)間最長(zhǎng)。使用免疫遺傳算法模型時(shí)，計(jì)算時(shí)間總計(jì)僅為2.72 s，路徑規(guī)劃效率較高。驗(yàn)證試驗(yàn)表明：本文設(shè)計(jì)的2種模型的實(shí)際工作效果與仿真試驗(yàn)結(jié)果基本一致，免疫遺傳算法模型具有較好的移缽路徑優(yōu)化能力，且路徑規(guī)劃效率更高。

本文進(jìn)行補(bǔ)栽試驗(yàn)時(shí)，設(shè)置移栽穴盤和目的穴盤的規(guī)格一致，在實(shí)際應(yīng)用中，存在移栽穴盤和目的穴盤的規(guī)格不一致的情況，本文設(shè)計(jì)的2種模型均可適用于這種情況，只需要缽苗移栽機(jī)的機(jī)器視覺(jué)識(shí)別系統(tǒng)分別獲取移栽穴盤和目的穴盤中缽苗的坐標(biāo)，控制系統(tǒng)即可利用本文設(shè)計(jì)的模型進(jìn)行路徑規(guī)劃。

5 結(jié) 論

為了改善移栽機(jī)進(jìn)行缽苗補(bǔ)栽時(shí)的路徑規(guī)劃效果，本文基于免疫算法設(shè)計(jì)了克隆選擇算法和免疫遺傳算法2種適合求解移缽路徑優(yōu)化問(wèn)題的模型，以固定順序法和遺傳算法為對(duì)比對(duì)象，選取50、72和128穴孔穴盤進(jìn)行移缽路徑規(guī)劃仿真試驗(yàn)，并選取72穴孔穴盤進(jìn)行實(shí)際驗(yàn)證試驗(yàn)，得到如下主要結(jié)論：

1）本文設(shè)計(jì)的克隆選擇算法模型和免疫遺傳算法模型均能有效優(yōu)化移缽路徑，該2種模型路徑規(guī)劃長(zhǎng)度相近，相比于固定順序法和遺傳算法模型明顯縮短，實(shí)際驗(yàn)證試驗(yàn)中1個(gè)移栽穴盤向8個(gè)目的穴盤進(jìn)行了實(shí)際補(bǔ)栽，固定順序法、遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的路徑規(guī)劃長(zhǎng)度分別為52 998、50 807、48 977和48 945 mm，克隆選擇算法模型和免疫遺傳算法模型相比固定順序法分別縮短7.59%和7.65%，相比遺傳算法模型分別縮短3.60%和3.66%。

2）免疫遺傳算法模型具有較高的路徑規(guī)劃效率，而克隆選擇算法模型的路徑規(guī)劃效率較低。實(shí)際驗(yàn)證試驗(yàn)中，遺傳算法模型、克隆選擇算法模型和免疫遺傳算法模型的計(jì)算時(shí)間分別為3.23、5.86和2.72 s，免疫遺傳算法模型的計(jì)算時(shí)間相對(duì)遺傳算法減少15.79%。

本文設(shè)計(jì)的免疫遺傳算法模型不僅能有效優(yōu)化移缽路徑，而且規(guī)劃效率更高，可作為后續(xù)溫室穴盤苗機(jī)械化批量補(bǔ)栽的路徑規(guī)劃控制基礎(chǔ)。本文仿真和實(shí)際試驗(yàn)中均以同規(guī)格的穴盤苗為補(bǔ)栽對(duì)象，對(duì)于其他規(guī)格的溫室穴盤苗移缽路徑優(yōu)化，使用本文模型時(shí)，只需根據(jù)實(shí)際需要傳入缽苗的坐標(biāo)即可。

[1] 李其昀. 機(jī)械化育苗移栽的現(xiàn)狀與展望[J]. 農(nóng)機(jī)化研究，2006，28(3)：26-27.

Li Qiyun. The present status and development tendency of bowl-rear transplanting mechanization[J]. Journal of Agricultural Mechanization Research, 2006, 28(3): 26-27. (in Chinese with English abstract)

[2] Ryu K H, Kim G, Han J S. Development of a robotic transplanter for bedding plants[J]. Journal of Agricultural Engineering Research, 2001, 78(2): 141-146.

[3] 張麗華，邱立春，田素博. 穴盤苗自動(dòng)移栽機(jī)的研究進(jìn)展[J]. 農(nóng)業(yè)科技與裝備，2009，185(5)：28-31.

Zhang Lihua, Qiu Lichun, Tian Subo. Progress in the research of manipulator of transplanting potted tray seedlings[J]. Agricultural Science & Technology and Equipment, 2009, 185(5): 28-31. (in Chinese with English abstract)

[4] 馮青春，王秀，姜?jiǎng)P，等. 花卉幼苗自動(dòng)移栽機(jī)關(guān)鍵部件設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(6)：21-27. Feng Qingchun, Wang Xiu, Jiang Kai, et al. Design and test of key parts on automatic transplanter for flower seedling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 21-27. (in Chinese with English abstract)

[5] 張振國(guó)，曹衛(wèi)彬，王僑，等. 穴盤苗自動(dòng)移栽機(jī)的發(fā)展現(xiàn)狀與展望[J]. 農(nóng)機(jī)化研究，2013，35(5)：237-241.

Zhang Zhenguo, Cao Weibin, Wang Qiao, et al. Development status and prospect of plug seedlings automatic transplanting machine[J]. Journal of Agricultural Mechanization Research, 2013, 35(5): 237-241. (in Chinese with English abstract)

[6] 童俊華，蔣煥煜，周鳴川. 基于遺傳算法的穴盤苗自動(dòng)移缽路徑優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(4)：45-49，26.

Tong Junhua, Jiang Huanyu, Zhou Mingchuan. Optimization of seedling transplanting path based on genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4): 45-49, 26. (in Chinese with English abstract)

[7] 童俊華，蔣煥煜，武傳宇. 基于貪心算法的溫室缽苗稀植移栽路徑優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(3)：8-13.

Tong Junhua, Jiang Huanyu, Wu Chuanyu. Optimization of seedlings lower density transplanting path based on greedy algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 8-13. (in Chinese with English abstract)

[8] 賀磊盈，楊太瑋，武傳宇，等. 基于貪心遺傳算法的穴盤苗補(bǔ)栽路徑優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(5)：36-43.

He Leiying, Yang Taiwei, Wu Chuanyu, et al. Optimization of replugging tour planning based on greedy genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 36-43. (in Chinese with English abstract)

[9] Tong Junhua, Wu Chuanyu, Jiang Huanyu, et al. Optimizing the path of seedling low-density transplanting by using greedy genetic algorithm[J]. Computers and Electronics in Agriculture, 2017, 142(A): 356-368.

[10] 徐守江. 基于蟻群算法的穴盤苗自動(dòng)移缽路徑優(yōu)化[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43(12)：475-477.

[11] 徐守江，羅竹青. 基于鄰域搜索的穴盤苗移缽路徑優(yōu)化蛙跳算法[J]. 農(nóng)機(jī)化研究，2018，40(11)：208-212.

Xu Shoujiang, Luo Zhuqing. Shuffled frog leaping algorithm for seedling transplanting path optimization based on neighbor search strategy[J]. Journal of Agricultural Mechanization Research, 2018, 40(11): 208-212. (in Chinese with English abstract)

[12] 廖玲，謝紅薇，袁倩倩. 基于TSP問(wèn)題的免疫算法研究[J]. 電腦開(kāi)發(fā)與應(yīng)用，2010，23(4)：20-22.

Liao Ling, Xie Hongwei, Yuan Qianqian. Research on immune algonrithm based on TSP problem[J]. Computer Development & Applications, 2010, 23(4): 20-22. (in Chinese with English abstract)

[13] 劉克勝，曹先彬，鄭浩然，等. 基于免疫算法的TSP問(wèn)題求解[J]. 計(jì)算機(jī)工程，2000，26(1)：1-2.

Liu Kesheng, Cao Xianbin, Zheng Haoran, et al. Solving TSP based on immune algorithm[J]. Computer Engineering, 2000, 26(1): 1-2. (in Chinese with English abstract)

[14] 田素博，王榮華，邱立春. 溫室穴盤苗自動(dòng)移栽輸送系統(tǒng)設(shè)計(jì)[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40(5)：620-622.

Tian Subo, Wang Ronghua, Qiu Lichun. Design on conveyor system of automatic transplanting for plug seedling in greenhouse[J]. Journal of Shenyang Agricultural University, 2009, 40(5): 620-622. (in Chinese with English abstract)

[15] Tong Junhua, Jiang Huanyu, Zhou Wei. Development of automatic system for the seedling transplanter based on machine vision technology[J]. Proceedings of the 2012 IEEE International Conference on Computer Science and Automation Engineering (CSAE), 2012: 742-746.

[16] 蔣煥煜，施經(jīng)揮，任燁，等. 機(jī)器視覺(jué)在幼苗自動(dòng)移缽作業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25(5)：127-131.

Jiang Huanyu, Shi Jinghui, Ren Ye, et al. Application of machine vision on automatic seedling transplanting[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(5): 127-131. (in Chinese with English abstract)

[17] 田素博，邱立春，張?jiān)? 基于PLC的穴盤苗移栽機(jī)械手控制系統(tǒng)設(shè)計(jì)[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，38(1)：122-124.

Tian Subo, Qiu Lichun, Zhang Shi. Control system of transplanting potted seedlings manipulator based on PLC[J]. Journal of Shenyang Agricultural University, 2007, 38(1): 122-124. (in Chinese with English abstract)

[18] 孫國(guó)祥，汪小旵，何國(guó)敏，等. 穴盤苗移栽機(jī)末端執(zhí)行器設(shè)計(jì)與虛擬樣機(jī)分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(10)：48-53.

Sun Guoxiang, Wang Xiaochan, He Guomin, et al. Design of the end-effector for plug seedlings transplanter and analysis on virtual prototype[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(10): 48-53. (in Chinese with English abstract)

[19] 李月. 基于遺傳算法的免疫算法對(duì)TSP問(wèn)題的改進(jìn)與研究[J]. 中國(guó)傳媒大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，24(4)：58-63.

Li Yue. Improvement and research on TSP problem by immune algorithm based on genetic algorithm[J]. Journal of Communication University of China: Science and Technology, 2017, 24(4): 58-63. (in Chinese with English abstract)

[20] 王磊，潘進(jìn)，焦李成. 免疫算法[J]. 電子學(xué)報(bào)，2000，28(7)：74-78.

Wang Lei, Pan Jin, Jiao Licheng. The immune algorithm[J]. Acta Electronica Sinica, 2000, 28(7): 74-78. (in Chinese with English abstract)

[21] De Castro L N, Von Zuben F J, Learning and optimization using the clonal selection principle[J]. Ieee Transactions on Evolutionary Computation, 2002, 6(2): 239-251.

[22] 高輝，徐光輝，王哲人，等. 克隆選擇算法在一類有競(jìng)爭(zhēng)的物流配送中心選址問(wèn)題中的應(yīng)用[J]. 公路交通科技，2007，24(6)：144-147.

Gao Hui, Xu Guanghui, Wang Zheren, et al. Application of clonal selection algorithm on competitive location model of logistics distribution center[J]. Journal of Highway and Transportation Research and Development, 2007, 24(6): 144-147. (in Chinese with English abstract)

[23] Wang Lei, Pan Jin, Jiao Li-Cheng. The immune programming[J]. Chinese Journal of Computers, 2000, 23(8): 806-812.

[24] 王磊. 免疫進(jìn)化計(jì)算理論及應(yīng)用[D]. 西安：西安電子科技大學(xué)，2001.

Wang Lei. Immune Evolutionary Computation and its Application[D]. Xi’an: Xi Dian University, 2001. (in Chinese with English abstract)

[25] 王瓊，呂微，任偉建. 免疫遺傳算法及在優(yōu)化問(wèn)題中的應(yīng)用綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2009，26(12)：4428-4431.

Wang Qiong, Lv Wei, Ren Weijian. Immune genetic algorithm and applications in optimization[J]. Application Research of Computers, 2009, 26(12): 4428-4431. (in Chinese with English abstract)

[26] 莫宏偉，金鴻章. 免疫算法原理與應(yīng)用[J]. 航空計(jì)算技術(shù)，2002，32(4)：49-51.

Mo Hongwei, Jin Hongzhang. The principle and application of immune algorithm[J]. Aeronautical Computer Technique, 2002, 32(4): 49-51. (in Chinese with English abstract)

[27] 郁磊. MATLAB智能算法30個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2015.

[28] 李菁，王宗軍，鄒彤. 求解車輛路徑問(wèn)題的免疫算法[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2005，35(7)：178-183.

Li Jing, Wang Zongjun, Zou Tong. Immune algorithm for vehicle routing problem[J]. Mathematics in Pracrice and Theory, 2005, 35(7): 178-183. (in Chinese with English abstract)

[29] Forrest Stephanie, Javornik Brenda, Smith Robert E, et al. Using genetic algorithms to explore pattern recognition in the immune system[J]. Evolutionary Computation, 1993, 1(3): 191-211.

[30] 鄭日榮，毛宗源，羅欣賢. 基于歐氏距離和精英交叉的免疫算法研究[J]. 控制與決策，2005，20(2)：161-164，169.

Zheng Rirong, Mao Zongyuan, Luo Xinxian. Artificial immune algorithm based on euclidean distance and king-crossover[J]. Control and Decision, 2005, 20(2): 161-164, 169. (in Chinese with English abstract)

Optimization of automatic transplanting path for plug seedlings in greenhouse

Zhang Lina, Tan Yu, Lyu Haotun※, Li Baosheng, Jiang Yiyu, Wang Shuo

(,,100083,)

In mechanized plug seedling production, it is necessary to eliminate inferior plug seedlings and replant healthy plug seedlings with transplanter. In order to improve the plug seedling transplanting efficiency, plug seedling transplanting path would be planned. In this paper, the Clone Selection Algorithm(CSA) model and Immune Genetic Algorithm(IGA) model were constructed to solve the problem of transplanting path optimization of plug seedlings in greenhouse. Compared with the common sequence method and the Genetic Algorithm(GA), the simulation and verification tests of the transplanting path planning were carried out with 50-hole, 72-hole, and 128-hole plug trays. Set the population size in the CSA model to 40, the mutation probability to 0.4, and the number of clones to 10. Set the total population size in the IGA model to 40 (of which the memory cell bank capacity was 10), and the crossover probability to 0.5, the mutation probability was 0.4, and the diversity evaluation parameter was 0.95. The results showed that CSA and IGA model designed in this paper could achieve the purpose of optimizing the plug seedling transplanting path. The planned path length of the two models was similar, and the planned path length of two models was significantly shortened compared with the common sequence method and the GA. In the verification tests, the planned path length of common sequence method, GA model, CSA model and IGA model were 52 998, 50 807, 48 977 and 48 945 mm respectively. Compared with the common sequence method and the GA, the planned path length of CSA model and IGA model were shortened by 7.59% and 7.65%, and shortened by 3.60% and 3.66% compared with the GA model. The path planning efficiency of IGA model was higher than that of the CSA model, the calculation time of GA model, CSA model and IGA model was 3.23, 5.86 and 2.72 s respectively, the calculation time of IGA model was 15.79% less than that of the GA model. The models designed in this paper were suitable for path optimization of various-size plug seedlings automatic transplanting in greenhouse, it only needed to get the coordinates of plug seedlings according to the actual needs.

greenhouse; plug seedling; optimization; automatic transplanting; path planning; Clone Selection Algorithm; Immune Genetic Algorithm

張麗娜，譚彧，呂昊暾，等.溫室穴盤苗自動(dòng)移缽路徑優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(15)：65-72.doi：10.11975/j.issn.1002-6819.2020.15.008 http://www.tcsae.org

Zhang Lina, Tan Yu, Lyu Haotun, et al. Optimization of automatic transplanting path for plug seedlings in greenhouse [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 65-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.008 http://www.tcsae.org

2020-03-11

2020-07-22

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2016YFD0700302）

張麗娜，博士生，主要從事機(jī)電一體化研究。Email：2271426674@qq.com

呂昊暾，博士，講師，主要從事機(jī)電一體化研究。Email：lvhaotun@cau.edu.cn

10.11975/j.issn.1002-6819.2020.15.008

S24

A

1002-6819(2020)-15-0065-08