2.7 本章小结

（1）在考虑降雨量、作物缺水减产敏感指数、作物种植比例、粮食和灌溉用水的市场价格等因素的基础上，建立了多作物、多约束、非线性灌溉-收益模型，该模型把土壤水平衡、作物生长函数很巧妙地与作物的收益函数进行了结合，建立了一套符合我国当前农业灌溉实践的单（多）作物灌溉模型。

（2）利用当前先进的全局优化搜索算法-遗传算法来求解该灌溉模型，克服了以往动态规划渐近（DPSA）法和非线性规划（NLP）不能收敛到真正最优解的缺陷，使遗传算法在这类不确定性、非线形模型的求解中取得了非常好的效果。

（3）求解结果表明，模型不仅很好地解决了有限水量在多作物之间的分配问题，能快速地求解出模型最优解，而且能对每种作物所分配的水量在作物不同生育期进行优化分配。在非充分灌溉条件下，水量最优分配在满足多约束条件下，尽量取灌水上限，作物缺水敏感指数大的生育期灌水比例也大，作物产量与净收益随着灌水量的增加而增加，但单位灌水的净利润下降，这些定性的结论与定量的计算结果表明该模型以及遗传算法在求解灌水量优化分配方面的应用将有很好的应用前景。

（4）用最优保留策略遗传算法对优化灌溉模型进行求解，最优个体不会在后代的遗传操作中丢失，从而保证了遗传算法能搜索到最优解。在此前提下优选群体规模、交叉概率和变异概率参数。

（5）在灌水量为240mm和260mm时，分别求群体规模n=5、10、15和20对应的模型最优解，通过寻优结果确定最佳群体规模。通过两种灌溉水平对应的寻优过程对比，得到群体规模为20时，寻优速度最快。

（6）通过对优化灌溉模型在240mm灌水量条件下，对比交叉概率在P_c=0.3、0.4、0.5、0.6、0.7和0.8的寻优过程，得到对本模型最佳的交叉概率P_c=0.5；对优化灌溉模型在280mm灌水量下，对应变异概率P_m=0.01、0.03、0.05、0.07、0.09和0.1分别进行搜索模型的最优解，通过对比遗传算法的寻优过程，得到本模型的最优变异概率为P_m=0.01。

（7）通过不同参数的优选，得到一组最优的遗传算法参数，即群体规模n=20，交叉概率P_c=0.5，变异概率P_m=0.01，在该组最优组合参数下，在灌水量为250mm、280mm、310mm、340mm和370mm 5种灌溉水平下，求得了模型的最优解。

（8）本章作物种植比例取固定值，近一步的研究可以根据有限水资源，求解最大收益下的作物种植比例，在此基础上，再进行水量的优化分配。