【摘要】本文在回顾和分析国内外农业机器系统研究成果的基础上，阐述了农业机器系统研究中优化目标的确定方法、优化技术的主要手段。通过比较分析，提出了我国农业机器系统研究中应解决的主要问题，并指出了今后我国农业机器系统优化研究应突出的四个方面的重点，即（1）要对农业机器系统研究所需数据进行充分的挖掘。（2）通过加强气候、适时性损失的研究来提高优化模型的精度（3）探索新技术、新方法在农业机器系统研究中的应用（4）加快形成决策支持系统的应用性成果。
关键词：农业机器系统 优化种植业展望
1 引言
农业生产的效益如何，是由成本和收入决定的。生产成本决定于农业生产过程的各种要素，如种子、化肥、农药、劳动力、农业机械等，而农业机械在农业生产过程中起着基础的作用，它参与了一列系的田间作业过程，从最初的土壤耕种到最后的收获，它的作业成本一般在总生产成本中要占有很大的比重。在发达国家，一般要占50%左右[1]，在我国以种植业为主的机械化水平较高的农场，农业机器成本一般要占30－50%[2]，它在生产成本中比重最大，因此要给予特别的关注。根据国内外的管理经验，农业机器系统配置水平的不同，将使农业生产的经济效益产生显著差异，因此，农业机器优化系统研究的具有十分重要的现实意义。
2 农业机器优化系统的研究现状
2．1 农业机器系统研究的优化目标
农业机器优化系统的研究，主要是通过合理配置农业机器来降低作业成本，从而获得较高的农业生产效益，在以往的研究中，主要确定了以下几种不同的优化目标。
1）农业机器作业成本最低
在保证农业生产任务按计划完成的前堤下，投入的农业机器作业成本最低是投资者经常考虑的原则，这种方法可以不考虑机组选择和作物轮作方式的相互影响，一般仅能在人工完成配置的机组中进行选择，也不能处理拖拉机和农机具的合理配置问题，它把没能按农时要求完成作业而产生的适时性损失作为惩罚因子计入总成本中。如文献[3]从最小成本角度来选择合适的动力配置水平，种植作物为三种不同品种水稻、黄麻、小麦，输入变量为种植面积、轮作方式、田间作业次序、作物产量、产值、机器购买价格等，优化结果表明，动力配置水平将随着种植面积、轮作方式的变化而产生显著变化。文献[4 ~ 10] 都以农业机器作业成本最低作为优化的目标。
2） 农业生产收益最大
投资者进行决策，总是希望获取最大收益，这种方法主要考虑了农业机器成本，也考虑了土地、产量、种子、化肥、农药、劳动力等成本要素，因而以农业生产效益最大化为目标比较符合实际决策背景，能直接指导投资者进行决策，决策结果也容易被用户接受。如文献[8]设计了种植作物为大豆、花生的农业机器系统比较和成本分析模型，输入变量为种植作物产量、产值、备选机器参数、田间作业次序、各项作业的起止日期等，通过计算农业机器成本、适时性损失等，可获得纯农业收入，比较得到最大的收益方案，可优化出相应的农业机器配置方案。文献[11]也是以最大收益作为决策目标来研究的。
3） 动力资源配置最少
有的学者基于能量的观点，以整个农业生产系统消耗的能量最低为优化目标，这种方法符合系统工程的思想，但在测算能量消耗时比较困难，也不直观，一般仅适合研究人员使用。
文献[12]设计了一个决策支持系统，用来优化农业机器系统配置，它建立了田间作业和运输的移动式作业的能量消耗方程，以及灌溉和脱粒的固定式作业能量消耗方程，最后优化出了相应的动力资源配备。其它相关的研究有文献[13,14]。
2．2 农业机器系统优化的主要方法
1） 作业量法
作业量法也称生产率法。这是历史悠久而且目前还被广泛应用的一种确定农业机器系统配备量的方法。它是根据全年中间作业高峰阶段的工作量来配备拖拉机的数量，只要满足了高峰作业阶段对拖拉机数量的要求，其它作业阶段所需的拖拉机台数都可用满足，作业量法受到普遍欢迎的原因在于它不需要高深的数学知识和复杂的计算工具，而计算结果既能够满足农业机械化生产过程中各个环节对机器的需要，又能在一定程度上实现经济优化的目的。它一般不考虑适时性损失的影响。作业量法又分为生产率法、能量法和时间约束法。这些方法计算方便，但精度较低，随着计算机技术的发展，现在已很少单独使用。
2） 机器－时间系统配备法
该方法的创始人HUNT提出将每种农具的年度成本表示为农具的有效幅宽的函数，拖拉机的年度成本写成最大牵引功率的函数，对函数进行求导，并令其为0，就可得出最经济的幅宽或牵引功率。同时HUNT还考虑了作业的适时性损失，并考察其与农业机器成本相加构成的总成本，从而得出优化配备方案[15]。但这种方法一般不考虑作业时间顺序，并且一次计算只以一种机型为对象，不便对若干机型进行优选。
3） 专家调查法
专家调查法主要是考虑到农机性能评价是一个多指标、多层次的复杂系统，许多指标不易直接量化，因此充分重视专家的经验来解决问题，它有时比数学模型更有效，但要求专家的经验比较可靠。如文献[16]设计了农业机械性能评价与选型的专家系统，为用户提供了科学决策的依据和手段。文献[17]用德尔菲法预测湖南双峰县农机配备趋向，对31种农业机械给给予模糊评审，再按规定的评审因子来打分，达到了模糊概念数量化的目的。
4） 线性规划法
线性规划可以处理未知数量很多的问题，同时从许多个可行方案中找出一个最优的方案，这是线性规划法的突出有点，但是运用线性规划法必须有一个前提条件，它要求全部必要的经济条件和农艺条件都能用线性不等式方程列出来，而且作为最优化的目标函数也应用线性方程式列出。这种方法的主要不足是计算结果会产生小数，尤其是劳动力和农业机器数量产生小数，难以直接指导生产实践，因此最后的结果必须在优化的结果上再作调整。文献[18]以效益最大化为目标，以机器、劳动力、作业量等为限制条件，建立了线性规划模型。文献[19]根据我国农业机器田间作业的基本要求和特点，分析了现行农业机器线性规划配备模型在实际应用中存在的问题和缺点，并提出了两种改进模型，模型能较好地满足生产实际的需要。文献[20]对江苏省国营机械化小农场机器系统进行了优化。文献[21]建立了华北一年两熟地区农田机器系统线性规划模型。还有许多学者根据具体情况，为某生产单位农业机器系统建立了线性规划模型[22 ~ 24]，并将优化结果指导农业生产。
5） 非线性规划法
非线性规划法可以分为有约束和无约束条件两种情况，都属于求一个多元高阶函数极大值或极小值的问题，它已经成为最优化技术中一门独立的学科。同线性规划一样，非线性规划也能求解十分庞大复杂的农业机器优化问题。非线性规划的缺点是它的解往往是局部的最优解，为了求出全局最优解，只能从多个初始点出发进行迭代运算，再从中挑选最优者。
文献[25]利用非线性规划方法对友谊农场五分场一队田间作业机器进行了选型配备优化设计，以机器费用、劳力工资、适时性损失最小为目标建立非线性规划数学模型，应用计算机求得了最佳田间作业机器系统。文献[26]利用非线性规划法建立了黑龙江省收获机器系统配备的模拟优化模型，并通过对不同作业面积、种植比例和收获作业天数模拟得出对机器系统成本影响因素的主次关系。文献[27]以最小作业成本为目标，拖拉机、农机具可作业小时数，劳动力、农时要求、作业次序、作业生产率等为限制条件，建立了非线性规划模型，模型输出为合适的拖拉机动力、拖拉机数量以及配套的农机具。
6） 混合整数线性规划
文献[28]用混合整数线性规划法来进行优化，它处理过程较长，在有条件的优化过程中，用户必须不断调整输入的农业机器等参数，直到找到合适的农业机器配置方案。
7） 计算机模拟
农业机器系统优化的一些问题有时很难用数学模型来描述的。在这种情况下利用计算机求解系统的最优化问题有许多优点，因此，这种方法日益受到人们的重视。文献[29]建立了海伦杂粮区少耕耕作系统模型和计算机模拟模型，模型包括作物、土壤、机器动力性等十个子模型和一个主体工艺模型，利用气象资料，对一种现存的和两种改进的少耕系统进行模拟，取得较好的效果。文献[30]以国营农场种植业机器作业系统为研究对象，在深入分析国内外农业机器配备理论、方法和模拟的基础上，针对优化配备在实际运用中存在建模复杂、求解困难、工作量大等主要问题，建立了计算机自动生成机器配备数学规划模型的一套完整的程序化软件。文献[31]用基于遗传算法的计算机模型来优化农业机器系统，以期获得最大效益，结果表明，遗传算法不仅减少了寻优时间，也改进了优化的质量。
3 我国农业机器系统研究要解决的主要问题
3．1 农业机器的基础数据不足
农业机器系统研究的基础数据匮乏一直是农业机器系统的障碍性问题，国内农业机器方面的研究一般数据来源非常窄，大多仅立足于农场现有的农业机器数据，有的学者则是在与国外学者进行合作研究的基础上形成成果的[32]。
3．2 耕作制度的科学性研究不足
农业机器的主要任务是完成农艺要求的作业过程，随着农业生产技术的发展，耕作方式发生了很大的变化，少耕法、免耕法、套种和直播技术的发展，使农业机器的任务有所转变，耕作制度的变化显著影响着农业生产的过程，尤其影响着农业机器配备成本、作物产量等，而我国学者在这方面缺乏专门的研究，现有的研究成果都立足于农场现有的作业流程，对耕作制度本身的科学性缺乏深入的研究，从而影响了机器配备的精度。
3．3 适时性损失的研究尚无应用性成果
在农业机器系统优化的研究中，适时性损失是要考虑的非常重要的因素，如果某项田间作业没能按农时要求完成，它会直接影响到作物的产量。农业机器配备过多，它会显著降低适时性损失，但农业机器的总成本会增加；如果农业机器的配备不足，则会降低农业机器总成本，但同时又会使适时性损失增加，因此在配备中必须考虑农业机器成本和适时性损失之间的相互影响。在实际研究中，由于实验数据的不充分，而且已有的研究结果也仅适合于在气候、土壤、作物种类、种植季节等种植条件相近的情况下应用，不能适于其它地区引用，因而在研究中适时性损失常被忽略，而代之以要求某项作业要在规定的时间段内完成，它成为农业机器系统优化研究中最难解决的问题之一[33]。但适时性损失的研究也已具备了一定的基础，文献[34]认为，在某一优化的作业期内，不会产生适时性损失，而提前或滞后这一优化的作业期，将按线性关系产生适时性损失。文献[35]认为，假定某一天为优化的作业日，则提前或滞后这一优化的作业日，都将按线性关系产生适时性损失。文献[6]在IOWA州通过实验数据得出适时性损失与作业分布日期的二次方程式，但结果也仅适于实验地区引用。国内也有不少学者对适时性损失进行了研究，文献[36]建立了数学模式，采用求极值的数学方法，使适时损失及农业机器成本的费用之和为最小，以确定合理的作业期限和农业机器配备量。文献[37]提出了适时性函数的概念，并根据这一函数，探讨了计算作业的适时性费用和确定作业期较佳分布的方法。文献[38]则在HUNT的基础上，提出了不同产量函数下适时作业限期合理延迟天数的确定方法，以及依据作物产量函数计算适时性损失的方法。
3．4 气候对农业机器配备影响的研究不充分
农业机器系统的配置，都受到天气这一自然因素的制约，农田作业中耕、耙、播、收等工作日期因每年的气候不同会有很大差异，只有科学测算气候对作业的影响，才能避免由于机器投资过量而引起总成本上升，或者因农业机器数量不足而引起适时性损失过大。文献[39]通过对影响机器不能下地作业的多因素分析，建立了包括降雨量、日均温度、蒸发、前期降雨、径流、渗漏和土壤性质等因素在内的计算机器可下地概率的模型，但模型尚不能普遍应用。文献[40，41]对多年的历史气象数据进行了模拟,使系统能较好地拟合实际情况,从而降低了农业机器配备的风险。
3．5 农业机器配备中折旧费用的计算问题不太科学
农业机器折旧费用在农业机器作业成本中占有很大的比重，在以往的研究中，大多采用直线折旧法，如[4，5，9，35]都以直线折旧来计算折旧费的。也有采用投资回收因子的计算办法[42]，文献[43]曾对不同的折旧方法进行了专门的比较研究，结果表明，不同折旧方法对各年提取的折旧费用产生较大的差异。因此，在研究中，要根据生产实际，选择农业机器价值转移规律与折旧费用变化规律一致的办法来计算，才能保证决策的科学性。
4 今后的研究方向
农业机器系统优化是非常繁琐和耗时的过程,今后的研究中要突出下面四个方面重点，
1） 农业机器系统有效数据的获取。
农业机器系统的研究，需要大量的数据，而且随着新机器的不断出现，新的耕作方式的不断变化，这些数据都要及时更新。农业机器系统研究所需的相应数据都要进行大量的调研工作，有些数据要通过田间实际测量才能得到。
2） 气候、适时性损失的研究要进一步深入。
农业机器系统研究的目标是为了应用，这就要求提高农业机器系统优化模型的精度。因此对气候、适时性损失的研究一定要有较好积累，才能加快成果应用的步伐。
3） 新技术，新方法的应用
随着计算机技术的发展，我们已能方便地用LINDO，LINGO软件来处理线性规划和非线性规划问题[44，45]。计算机摸拟技术发展很快，人工神经网络等技术会有较快的发展和应用，它是由多个神元连接而成，可以用来摸拟人脑思维行为，作出科学的决策[46，47]。
4） 决策支持系统成果会有越来越多的应用。
在国外，已有一些比较成熟、方便用户使用的应用性成果，这些成果大都以决策支持系统的形式出现，方便用户使用，在生产实际中产生了积极的影响。在加拿大，Murray等也开发了一个决策支持系统，该系统用于管理加拿大主要农作物生产过程的多个方面，如作物种类选择、作业机器选择、种植计划、作物轮作、施肥、病虫害管理、残余物管理、收获、土壤保护等过程，以获得最佳的经济效益[48]。在意大利，Massimo Lazzari 等开发了一个“农业机械系统评测”的模型，从战略和管理的角度分析了意大利农场的农业机械化问题，输入作物品种、轮作时间和每一种作物的田间作业过程，模型能给出农业机器系统的配套方案[49]。在丹麦，Sorensen 开发了决策支持系统，重点用于制订作物田间种植计划和作业计划[50]；在澳大利亚，E.Li和其它研究人员也为农户开发了决策支持系统，以利于做出更好的决策[51]。Butani等也开发了一优化的决策支持系统，能根据作物地区差异性、作物作业次序、农场特点、农机设备拥有量和型号、资源成本等因素直接为农户提供决策意见，最后输出优化的农业机器系统[12] 。美国在这方面更是积累了一系列的成果，如McKinion 等已开发了用于支持棉花生产的精确农业生产过程的决策支持系统，它能利用产量分布图、土壤分布图、土壤肥料分布图，决策支持系统能直接控制农机进行变量播种、施肥和施药等过程[52]。
我国在这方面研究起步较晚，研究基础薄弱，目前尚无广泛应用的应用性成果，今后这方面的研究有着广阔的发展空间。
[参考文献]
[1] Machinery Management [M]. John Deere Publishing, 1992. (3).
[2]农业机械统计报表[R]，江苏省农垦集团总公司, 2002.
[3] M. Alam, M.M. Hossain and M.A. Awal. Selection of farm power by using a computer programme[J]. Agricultural mechanization in Asia, Africa and Latin America. 2001, 32(1): 65 ~ 68.
[4] Gajendra Singh, B K Pathak. A decision support system for mechanical harvesting and transportation of sugarcane in Thailand [J]. Computers and Electronics in Agriculture, 1994(11): 173 ~ 182.
[5] Edmundo J. HETZ. et al. Optimization of Machinery System [J]. Agricultural mechanization in Asia, Africa and Latin America, 1986, 17(1): 68 ~ 76.
[6] Edwards, W. and M. Boehlje. Machinery selection considering timeliness losses[J]. Transactions of the ASAE, 1980, 23(4): 810 ~ 815. 821.
[7] Singh, Dvindar, and J.B. Holtman. An heuristic agricultural field machinery selection algorithm for multi-crop farms[J]. Transactions of the ASAE, 1979, 22(4): 763 ~ 770.
[8] Rotz, C.A., H.A. Muhtar and J.R. Black. A multiple crop machinery selection algorithm[J]. Transactions of ASAE , 1983, 26(6): 1644-1649.
[9] D.A. Bender, D.E. Kline and B.A. McCarl. Postoptimal liner programming analysis of farm machinery[J]. Transactions of ASAE,1990, 33(1): 15 ~ 20.
[10] 郭风祥, 温英莲, 孙福辉. 内蒙古东部垄作地区农业机器系统配备方案的探讨[J]. 内蒙古农牧学院学报, 1993, 14(4): 20 ~ 30.
[11] Chen, L.H. Microcomputer model for budgeting and scheduling crop production operations[J]. Transactions of the ASAE, 1986, 29(4): 908 ~911.
[12] Kishor M Butani, Gajendra Singh. Decision support system for selection of agricultural machinery with a case study in India[J]. Computers and Electronics in Agriculture, 1994(10): 91 ~ 104.
[13] Aderoba,A. Farm power/ machinery selection model for mechanized farms in developing countries[J]. Agricultural Mechanization in Asia, Africa and Latin America, 1989, 20(3):69 ~ 72.
[14] Khan, S., Chaudhry, M.S. and Sherif, S.M. A computer program for agricultural machinery management-Selection of a particular tractor size[J]. Agricultural Machanization in Asia, Africa and Latin America, 1984, 15(3):11 ~ 13.
[15] Donnel Hunt. Farm Power and Machinery Management[M]. The Iowa State University Press. 1983: 255~273.
[16] 叶继昌, 王登峰, 杨印生, 等. 农业机械性能评价与选型专家系统的设计[J]. 农业机械学报，1995, 26（1）:11 ~ 14.
[17] 戴有忠, 脱宝珍. 用特尔菲法预测湖南双峰县农机配备趋向[J]. 东北农业大学学报, 1983 (4): 57 ~65.
[18] D.A. Bender, D.E. Kline and B.A. McCarl. Postoptimal liner programming analysis of farm machinery[J]. Transactions of ASAE, 1990, 33(1): 15-20.
[19] 张清华, 李玉生, 西亮. 农业机器配备模型的进一步改进研究[J]. 黑龙江八一农垦大学学报，1996, 8（4）: 57 ~ 63.
[20] 张东兴. 江苏省国营机械化小农场机器系统优化[D]. 北京农业工程大学, 1988.
[21] 周应朝. 华北一年两熟地区农田机器系统优化配备研究[D]. 北京农业工程大学, 1987.
[22] M Q F Barata, S A Tatizana. Economic optimisation of harvest and crop renewal of sugarcane[C]. Seventh International Conference on Computers In Agriculture: 117 ~ 122.
[23] Bahattin Cetin. Optimal farm plans for tractor capacity and analysis of tractor use in vegetable farms, Bursa province, Turkiye[J]. Agricultural mechanization in Asia, Africa and Latin America. 2000, 31( 4): 72 ~ 74.
[24] Krutz, G.W., R.F. Combs and S.D. Parsons. Equipment analysis with farm management models[J]. Transactions of the ASAE, 1980, 23(1): 25 ~ 28.
[25] 程耀. 友谊农场五分场一队田间作业机器选型配备优化设计[J]. 东北农学院, 1984.
[26] 王福林. 黑龙江省国营农场麦豆收获的机械化系统分析[J]. 东北农学院, 1988.
[27] H T Sogaard, C G Sorensen. A model for optimal selection of machinery sizes within the farm machinery system[C]. Sixth International Conference on Computers in Agriculture: 588 ~ 596.
[28] Ghassan AL-Soboh, A.K. Srivastava, T.H. Burkhardt and J.D. Kelly. A mixed-integer liner programming (MILP) machinery selection model for navybean production systems[J]. Transactions of the ASAE, 1986, 29(1): 81 ~ 89.
[29] 李智广. 海伦杂粮区少耕体系机械化作业工艺鹤机器系统的研究[D]. 东北农学院, 1984.
[30] 韩宽襟. 国营农场种植业机器作业系统的优化与模拟[D]. 北京农业工程大学, 1990.
[31] R.S. Parmar, R.W., McClendon and W.D. Potter. Farm machinery selection using simulation and genetic algorithms[J]. Transactions of the ASAE, 1996, 39(5): 1905 ~ 1909.
[32] 陈建, 陈忠慧. 农场作物及机器设备选择系统的研究[J]. 农业机械学报，1997，28（3）：65 ~ 70.
[33] Hunt, D.R Machinery management in areas of labor surplus. IN International Conference on System Theory and applications Proceedings[C]. Punjab Agricultural University, Ludhiana India, 1981.
[34] Chancellor, W.J. and V. cervinka. Timeliness coefficients for rice and and factors affecting their value[J]. Transactions of ASAE, 1979, 22(2): 810 ~ 815,821.
[35] Huan-wen, G. and D.R.Hunt. Optimum combine fleet selection with power-based models[J]. Transactions of ASAE , 1985, 28(2): 364 ~ 368.
[36] 孟繁琪, 万鹤群. 农田作业适时性对农机配备的影响[J]. 农业机械学报, 1983（1）: 97 ~ 103.
[37] 李振卿，作业的适时性函数及作业期较佳分布的确定[J]. 农业机械学报，1986（4）: 69 ~ 76.
[38] 曹锐. 农机配备中适时作业期限合理延迟天数的确定方法[J]. 农业机械学报，1986（1）:92 ~ 98.
[39] 张东兴，高焕文. 一个确定机器可下地概率的实用模型[J]. 北京农业工程大学学报，1990，10（4）: 7 ~ 15.
[40] McClendon, R.W., M.E. Wetzstein, D.M. Edwards and L.H. Chen. Risk efficiency of machinery selection for double cropping via simulation[J]. Transactions of the ASAE, 1987, 30(5): 1259 ~ 1265.
[41] Whitson, R.E, R.D. Kay, A.W. Lepori and E.M. Rister. Machinery and crop selection with weather risk[J]. Transactions of the ASAE, 1981, 24(2): 288 ~ 291, 195.
[42] Wan Ishak Wan Ismail. Cost analysis model for crop production machinery system[J]. Agricultural mechanization in Asia, Africa and Latin America, 1998, 29(4): 56 ~ 60.
[43]王福林. 农业机器经济寿命和更新换代经济效果及其评价问题的研究[D]. 东北农学院，1993.
[44] http://www.lindo.com.
[45] http://www.lingo.com.
[46] 张际先. 神经网络在农业工程中的应用[J]. 农业工程学报，1995，11（1）, 28 ~ 34.
[47] 张际先，神经网络在农业工程中的应用[M]. 机械工业出版社，1996.
[48] Murray J Bentham. Farm smart 2000: A multi - agent decision support system for crop production[C]. Seventh International Conference on Computers In Agriculture: 469 ~ 478.
[49] Massimo Lazzari, Fabrizio Mazzetto. A PC model for selecting muticropping farm machinery systems[J]. Computers and Electronics in Agriculture, 1996(14): 43 ~ 59.
[50] C G Sorensen. A decision support system for planning field operations[J]. Seventh International Conference on Computers In Agriculture: 446 ~ 454.
[51] E. Li, I.J. Moncrieff, A. Ariyaratnam. Decision Support software for On-Farm Application: Views from a Panel of Australian Professionals[C]. Fifth International Conference on Computers In Agriculture: 507~512.
[52] McKinion – JM, Olson – RL. Model – based Decision Support Systems for Precision Agriculture in Cotton Production[J]. Precision Agricultural’97. Volume Ⅱ. Technology, IT and management: 769 ~ 775.
3/24/2005
|
