第2章 作物优化灌溉遗传算法模型
当前，在水资源日益短缺，农业灌溉用水不能增加，而粮食需增收的背景下，如何将有限的灌溉用水在作物不同生育期优化配置，以及对作物进行精量灌溉控制，使灌溉效益最高，成为农业灌溉工程的研究热点。从可持续农业的观点来看，国内外学者对农业灌溉的研究逐渐从灌溉产量最大到灌溉效益最大转变，但国内学者多以产量最大作为目标函数。从模型的建立来看，国内学者一般是基于作物水分需求与作物产出的关系来建立模型，而国外学者所建立的灌溉模型则由于国情的不同而无法应用到我国的灌溉实践中去。
灌溉模型具有多因素不确定性和非线性，以往对模型采用动态优化技术来求解一直是个难点。国内外对最优灌溉模型的求解多采用动态规划渐近（DPSA）法和非线性规划（NLP），即将有限灌溉水量在作物各生育阶段进行合理分配的多阶段决策过程，但是DPSA法并不能保证在任何情况下都收敛到真正的最优解；而NLP法求解要将非线性目标线性化，因而应用难度较大。
遗传算法（Genetic Algorithm，GA）作为一种新的全局优化搜索算法，具有鲁棒性强、适于并行处理以及高效适用等显著特点，有效地解决了最优化问题的求解。遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，源于生物遗传学和适者生存的自然规律，具有“生存+检测”的迭代搜索算法。遗传算法以群体中的个体为对象，并利用随机化技术对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的基本操作；参数编码、初始化群体的设定、适应度函数的设计、遗传操作的设计和控制参数的设定5个要素组成了遗传算法的核心内容。
国内外应用二进制编码遗传算法来求解灌溉模型的实例不多，Necati Canpolat在其博士论文中应用遗传算法求解了全生育期以天为单位的灌水计划，该模型以灌溉净收益最大来建立灌溉模型，利用遗传算法对2250个解空间进行了求解，成功地求出在作物250d生育期内的灌溉计划（即灌溉时间和灌水量），同时通过设定不同遗传参数对结果进行对比，得到了一组最佳的遗传参数。但该模型只考虑了作物产量与灌水量，没有考虑必要的约束条件，且每次灌水量一定，在实际应用中要考虑更多的因素才能应用。付强等（2003）采用实码加速遗传算法（RAGA）与多维动态规划（DP）相结合，对三江平原井灌水稻非充分灌溉条件下的灌溉制度进行了研究，取得了满意的效果。Jose Fernando Ortega Alvarez等应用二进制编码遗传算法对不同作物间的灌水计划进行了研究，得到了不同作物的最优灌水量分配。K.Srinivasa Raju和D.Nagesh Kumar应用遗传算法对基于多作物净收益最大的灌溉模型进行了研究，发现遗传算法是一种有效的求解优化灌溉模型的工具，得到了一组最优的灌溉计划，同时获得了一组最优的遗传算法参数。