一種結(jié)合作物虛擬生長模型的水稻株型定量控制方法
【專利摘要】結(jié)合作物虛擬模型的水稻株型定量化設(shè)計(jì)方法，構(gòu)建作物虛擬生長模型，并實(shí)現(xiàn)植物主要生理過程、形態(tài)結(jié)構(gòu)和光環(huán)境模型的有效關(guān)聯(lián)和結(jié)合，可實(shí)現(xiàn)作物植株的可視化虛擬生長；在虛擬作物模型中，通過結(jié)構(gòu)模型建立作物在不同生長期的形態(tài)，通過生理模型實(shí)現(xiàn)對(duì)作物同化物的生產(chǎn)、分配和最終產(chǎn)量的動(dòng)態(tài)預(yù)測，通過光環(huán)境模型運(yùn)算作物冠層光輻射量和作物個(gè)體有效光合輻射截獲量；運(yùn)用優(yōu)化算法不斷改變作物株型結(jié)構(gòu)，從而得到不同的適應(yīng)度模擬結(jié)果，并能獲得基于不同目標(biāo)的作物最優(yōu)株型；將不同適應(yīng)度作為目標(biāo)的優(yōu)化結(jié)果設(shè)置為虛擬模型的形態(tài)參數(shù)，進(jìn)行模擬運(yùn)算并進(jìn)行橫向和縱向比較，驗(yàn)證并確立該作物的最優(yōu)株型數(shù)據(jù)。
【專利說明】一種結(jié)合作物虛擬生長模型的水稻株型定量控制方法

【技術(shù)領(lǐng)域】
[0001] 本
【發(fā)明內(nèi)容】
涉及植物虛擬建模，植物生理生態(tài)學(xué)以及優(yōu)化算法設(shè)計(jì)領(lǐng)域，是一種 能夠?qū)崿F(xiàn)作物株型自動(dòng)優(yōu)化的作物株型控制方法，可運(yùn)用于作物株型的定量化控制與設(shè) 計(jì)。

【背景技術(shù)】
[0002] 傳統(tǒng)育種經(jīng)過長時(shí)間的發(fā)展，已形成了一整套較為完善的育種理論和技術(shù)體系， 并在實(shí)踐中取得了巨大的成就。尤其是80年代以來，現(xiàn)代生物技術(shù)的迅猛發(fā)展及其與傳統(tǒng) 育種技術(shù)的結(jié)合，在分子層面上促進(jìn)了傳統(tǒng)育種的發(fā)展。然而，以分子生物學(xué)技術(shù)為手段輔 助傳統(tǒng)育種設(shè)計(jì)優(yōu)良株型在目前并不現(xiàn)實(shí)。因此目前的作物高產(chǎn)育種研究需要研究人員不 斷進(jìn)行田間栽培試驗(yàn)來獲取經(jīng)驗(yàn)和數(shù)據(jù)，并以此為主要手段來確認(rèn)和評(píng)價(jià)育成的品種、品 系在生產(chǎn)上的價(jià)值。因此，作物理想株型的選擇和獲取需要較長周期的田間試驗(yàn)，尤其是在 不確定的培育目標(biāo)的情況下，導(dǎo)致培育出的株型缺乏針對(duì)性，從而增加了育種成本。
[0003] 作為數(shù)字農(nóng)業(yè)的核心和關(guān)鍵技術(shù)之一，虛擬植物生長建模的研究和應(yīng)用在國內(nèi)外 都受到了廣泛的重視。虛擬植物可以在計(jì)算機(jī)上以三維圖形的形式可視化展現(xiàn)植物的形態(tài) 形成及生長過程，并結(jié)合作物生理生態(tài)過程，實(shí)現(xiàn)作物特定生理過程及器官的生長動(dòng)態(tài)特 征的調(diào)控和研究，從而對(duì)作物的空間結(jié)構(gòu)、主要生產(chǎn)環(huán)節(jié)的管理方案進(jìn)行動(dòng)態(tài)調(diào)控，為農(nóng)林 業(yè)生產(chǎn)服務(wù)。
[0004] 以虛擬作物為基礎(chǔ)的作物株型優(yōu)化方法，結(jié)合了作物功能結(jié)構(gòu)模型與遺傳算法優(yōu) 化思想，能夠?qū)崿F(xiàn)優(yōu)化培育目標(biāo)的定量控制，確定最優(yōu)株型特征參數(shù)，從而利用現(xiàn)代計(jì)算 機(jī)技術(shù)輔助傳統(tǒng)育種手段，實(shí)現(xiàn)節(jié)約資源、降低成本和提高作物產(chǎn)量的目的。


【發(fā)明內(nèi)容】

[0005] 為了進(jìn)一步對(duì)傳統(tǒng)作物育種和現(xiàn)代生物工程結(jié)合的育種方法進(jìn)行輔助，彌補(bǔ)一般 作物株型設(shè)計(jì)流程中實(shí)驗(yàn)周期長、針對(duì)性差、人工操作繁瑣等的不足，本發(fā)明提供一種水稻 株型定量控制方法，該方法能夠自動(dòng)而快速地對(duì)作物的理想株型作出選擇，從而實(shí)現(xiàn)針對(duì) 性地對(duì)株型進(jìn)行優(yōu)化，在育種過程中起到輔助作用。
[0006] 本發(fā)明解決株型優(yōu)化與控制的技術(shù)問題所采用的技術(shù)方案是：
[0007] -種結(jié)合作物虛擬生長模型的株型定量控制方法，其特征在于，將虛擬植物模型 和計(jì)算機(jī)優(yōu)化算法有機(jī)整合，并包含以下步驟：
[0008] 步驟1，作物模型構(gòu)建
[0009] I. 1首先，進(jìn)行綜合數(shù)據(jù)采集：實(shí)驗(yàn)記錄目標(biāo)作物整個(gè)生長期的形態(tài)動(dòng)態(tài)，包括從 器官到個(gè)體以及整個(gè)作物群體的幾何形態(tài)特征性狀數(shù)據(jù)，以及作物模型構(gòu)建所需的生理數(shù) 據(jù)和環(huán)境數(shù)據(jù)（如光照量等）；
[0010] 1. 2其次，構(gòu)建作物生長模型：基于計(jì)算機(jī)圖形學(xué)技術(shù)，以作物生長原理為規(guī)則基 礎(chǔ)，采用擴(kuò)展的L系統(tǒng)建模語言XUJava編程語言以及可進(jìn)行圖形替換的RGG(Relational Growth Grammar)技術(shù)，對(duì)作物器官形態(tài)和生長過程進(jìn)行模擬，建立作物拓?fù)浣Y(jié)構(gòu)模型（以 水稻為例，即包含莖、葉、穗、籽粒等器官形態(tài)建成的結(jié)構(gòu)模型）；在結(jié)構(gòu)模型的基礎(chǔ)上，力口 入作物生理過程的模擬，運(yùn)用LEAFC3光合作用模型模擬作物通過葉片光合作用產(chǎn)生同化 物，根據(jù)生長模型結(jié)合源庫模型模擬同化物的分配，基于beta生長函數(shù)及各器官庫強(qiáng)度大 小、獲得的同化物量和所處的生長階段計(jì)算出該器官的生長速率，從而實(shí)現(xiàn)整個(gè)植株在整 個(gè)生長周期的發(fā)育動(dòng)態(tài)；進(jìn)而建立光模型，模擬太陽光源的位置和輻射度變化；虛擬的太 陽光在天空中被分為直射光和散射光，包括他們?cè)谌S空間中的分布，以及在到達(dá)作物冠 層后被冠層空間的遮擋等，從而實(shí)現(xiàn)葉片光合作用中光通量的大??；最終運(yùn)用功能-結(jié)構(gòu) 建模技術(shù)，結(jié)合作物結(jié)構(gòu)模型、生理模型和環(huán)境模型，以時(shí)間為軸線，通過基于擴(kuò)展L系統(tǒng) 建模語言和RGG的語法規(guī)則對(duì)作物器官的形成和生長做規(guī)則化解釋，并實(shí)現(xiàn)規(guī)則之間的迭 代、替換，結(jié)合虛擬作物的同化物形成與分配，從而在結(jié)合生理功能、拓?fù)浣Y(jié)構(gòu)及光環(huán)境條 件的基礎(chǔ)上實(shí)現(xiàn)虛擬作物生長動(dòng)態(tài)可視化，獲得指定生育期的作物植株；
[0011] 1.3最后，建立優(yōu)化算法模型，并在作物模型中加入優(yōu)化算法模型，優(yōu)化算法的一 般步驟如下：
[0012] a)確定作物一般株型特征；
[0013] b)編碼作物個(gè)體；
[0014] c)選取優(yōu)化算法適應(yīng)度；
[0015] d)遺傳操作的判定與實(shí)現(xiàn)；
[0016] 步驟2,以水稻為例的遺傳算法具體優(yōu)化
[0017] 2. 1遺傳操作的對(duì)象為水稻個(gè)體的株型，個(gè)體株型是所選株型對(duì)象特征因子的組 合；在對(duì)個(gè)體進(jìn)行編碼時(shí)，先將個(gè)體株型的所有對(duì)象特征，即所有基因按次序排成一行，然 后對(duì)每個(gè)基因進(jìn)行二進(jìn)制編碼；
[0018] 在水稻株型優(yōu)化中，選取不同葉位葉片的葉傾角、株高、最大分蘗數(shù)目及分蘗角度 作為待優(yōu)化的水稻株型對(duì)象特征，構(gòu)成水稻株型因子組合；在對(duì)個(gè)體株型R進(jìn)行編碼時(shí)，先 將該個(gè)體株型中所有株型因子按次序排成一行，記 gi為第i個(gè)株型因子；
[0019] 2. 2假設(shè)水稻個(gè)體R所含的株型個(gè)數(shù)為ng，基因gi的基因位長度記為< 則水稻 個(gè)體編碼的串長L為：
[0020]

【權(quán)利要求】
1. 一種結(jié)合作物虛擬生長模型的水稻株型定量控制方法，其特征在于，將虛擬植物模 型和計(jì)算機(jī)優(yōu)化算法有機(jī)整合，并包含以下步驟： 步驟1，作物模型構(gòu)建 1. 1首先，進(jìn)行綜合數(shù)據(jù)采集：實(shí)驗(yàn)記錄目標(biāo)作物整個(gè)生長期的形態(tài)動(dòng)態(tài)，包括從器官 到個(gè)體以及整個(gè)作物群體的幾何形態(tài)特征性狀數(shù)據(jù)，以及作物模型構(gòu)建所需的生理數(shù)據(jù)和 環(huán)境數(shù)據(jù)（如光照量等）； 1. 2其次，構(gòu)建作物生長模型：基于計(jì)算機(jī)圖形學(xué)技術(shù)，以作物生長原理為規(guī)則基礎(chǔ)， 采用擴(kuò)展的L系統(tǒng)建模語言XL、Java編程語言以及可進(jìn)行圖形替換的RGG(Relational Growth Grammar)技術(shù)，對(duì)作物器官形態(tài)和生長過程進(jìn)行模擬，建立作物拓?fù)浣Y(jié)構(gòu)模型（以 水稻為例，即包含莖、葉、穗、籽粒等器官形態(tài)建成的結(jié)構(gòu)模型）；在結(jié)構(gòu)模型的基礎(chǔ)上，力口 入作物生理過程的模擬，運(yùn)用LEAFC3光合作用模型模擬作物通過葉片光合作用產(chǎn)生同化 物，根據(jù)生長模型結(jié)合源庫模型模擬同化物的分配，基于beta生長函數(shù)及各器官庫強(qiáng)度大 小、獲得的同化物量和所處的生長階段計(jì)算出該器官的生長速率，從而實(shí)現(xiàn)整個(gè)植株在整 個(gè)生長周期的發(fā)育動(dòng)態(tài)；進(jìn)而建立光模型，模擬太陽光源的位置和輻射度變化；虛擬的太 陽光在天空中被分為直射光和散射光，包括他們?cè)谌S空間中的分布，以及在到達(dá)作物冠 層后被冠層空間的遮擋等，從而實(shí)現(xiàn)葉片光合作用中光通量的大?。蛔罱K運(yùn)用功能-結(jié)構(gòu) 建模技術(shù)，結(jié)合作物結(jié)構(gòu)模型、生理模型和環(huán)境模型，以時(shí)間為軸線，通過基于擴(kuò)展L系統(tǒng) 建模語言和RGG的語法規(guī)則對(duì)作物器官的形成和生長做規(guī)則化解釋，并實(shí)現(xiàn)規(guī)則之間的迭 代、替換，結(jié)合虛擬作物的同化物形成與分配，從而在結(jié)合生理功能、拓?fù)浣Y(jié)構(gòu)及光環(huán)境條 件的基礎(chǔ)上實(shí)現(xiàn)虛擬作物生長動(dòng)態(tài)可視化，獲得指定生育期的作物植株； 1. 3最后，建立優(yōu)化算法模型，并在作物模型中加入優(yōu)化算法模型，優(yōu)化算法的一般步 驟如下： a) 確定作物一般株型特征； b) 編碼作物個(gè)體； c) 選取優(yōu)化算法適應(yīng)度； d) 遺傳操作的判定與實(shí)現(xiàn)； 步驟2,以水稻為例的遺傳算法具體優(yōu)化 2. 1遺傳操作的對(duì)象為水稻個(gè)體的株型，個(gè)體株型是所選株型對(duì)象特征因子的組合； 在對(duì)個(gè)體進(jìn)行編碼時(shí)，先將個(gè)體株型的所有對(duì)象特征，即所有基因按次序排成一行，然后對(duì) 每個(gè)基因進(jìn)行二進(jìn)制編碼； 在水稻株型優(yōu)化中，選取不同葉位葉片的葉傾角、株高、最大分蘗數(shù)目及分蘗角度作為 待優(yōu)化的水稻株型對(duì)象特征，構(gòu)成水稻株型因子組合；在對(duì)個(gè)體株型R進(jìn)行編碼時(shí)，先將該 個(gè)體株型中所有株型因子按次序排成一行，記 gi為第i個(gè)株型因子； 2. 2假設(shè)水稻個(gè)體R所含的株型個(gè)數(shù)為ng，基因 gi的基因位長度記為4，則水稻個(gè)體編 碼的串長L為：
記1 =也，於,…，，& =涔灰，·.·，￥); gi為第i個(gè)株型因子，每個(gè)株型因子gi由 二進(jìn)制編碼信息位組成，每個(gè)信息位均為O或1 ; Ai為該株型因子第]_個(gè)信息位的取值；4 為該株型因子的二進(jìn)制碼的串長，其取值由該株型因子的取值范圍[Ui, Vi]和取值精度S共 同決定；每個(gè)基因的取值范圍可根據(jù)實(shí)驗(yàn)需求進(jìn)行預(yù)設(shè)定，并根據(jù)其取值范圍分別計(jì)算基 因&的基因位長度 需要設(shè)置go、gl、g2和g3的取值范圍，并根據(jù)取值范圍分別計(jì)算四個(gè)基因位長度，水稻 個(gè)體基因位串長度L為g(l、gl、g2和g3的基因位長度之和； 2. 3在進(jìn)行初始化種群Ptl時(shí)，為了提高種群的多樣性，采用完全隨機(jī)的方法生成初始化 種群中的個(gè)體，種群個(gè)體數(shù)為η。；設(shè)置最大優(yōu)化代數(shù)t max = 100 ;對(duì)于一個(gè)長度為Lk的個(gè)體 株型二進(jìn)制碼串，個(gè)體株型二進(jìn)制碼串上的每一信息位在{〇，1}上隨機(jī)均勻選擇，所以種 群規(guī)模為η。的種群初始化至少需要L KXn。次隨機(jī)取值；該過程的具體步驟為： Stepl:從種群中第一個(gè)個(gè)體開始直到第η。個(gè)個(gè)體為止，對(duì)于每個(gè)個(gè)體執(zhí)行Step2 ; Step2:從所選個(gè)體的第1個(gè)信息位開始到第Lk個(gè)信息位為止，在每一個(gè)信息位上執(zhí)行 Step3 ； St印3:在所選信息位上，隨機(jī)生成一個(gè)[0, 1]空間內(nèi)的隨機(jī)數(shù)，并判斷該隨機(jī)數(shù)是否 小于〇. 5,若是，則在該信息位上賦值0 ;否則，在該信息位上賦值1 ; 下面給出初始化種群過程INITIALIZE (n。，Lk)的偽代碼：
2. 4在水稻模型中，對(duì)處于選定生長期的模擬個(gè)體二進(jìn)制碼串進(jìn)行解碼，獲得水稻株型 特征的參數(shù)組合，應(yīng)用于優(yōu)化過程水稻群體中各個(gè)體的參數(shù)設(shè)定；水稻個(gè)體染色體攜帶水 稻株型特征參數(shù)值信息，不同的特征參數(shù)可以在虛擬模型中得到不同的個(gè)體形態(tài)結(jié)構(gòu)；選 取水稻冠層光截獲量、最終產(chǎn)量分別作為優(yōu)化過程的適應(yīng)度值（水稻模型中，個(gè)體的形態(tài) 結(jié)構(gòu)對(duì)水稻冠層的光截獲量及最終產(chǎn)量有顯著影響），進(jìn)行優(yōu)化運(yùn)算； 并以適應(yīng)度值為度量標(biāo)準(zhǔn)，對(duì)當(dāng)前優(yōu)化種群中的個(gè)體進(jìn)行升序排列； 2. 5若當(dāng)前優(yōu)化代數(shù)t = 0,選擇適應(yīng)度值最大的個(gè)體作為精英個(gè)體； 2. 6精英個(gè)體和當(dāng)前種群個(gè)體競爭，若當(dāng)前種群最優(yōu)個(gè)體適應(yīng)度值不大于精英個(gè)體適 應(yīng)度值，則用此精英個(gè)體替代當(dāng)前種群中的最差個(gè)體，產(chǎn)生第t+Ι代水稻種群；否則，用當(dāng) 前種群中的最優(yōu)個(gè)體替代精英個(gè)體，同時(shí)當(dāng)前種群為第t+1代水稻種群； 2. 7若當(dāng)前優(yōu)化代數(shù)大于最大優(yōu)化代數(shù)，轉(zhuǎn)到2. 12 ; 2. 8采用輪盤賭方法從第t代水稻個(gè)體中選擇出適當(dāng)個(gè)體進(jìn)行遺傳操作： St印1:對(duì)于第η代個(gè)體株型種群氧，}，個(gè)體& e P，計(jì)算其適應(yīng)度值為 f(Rj)； Step2:對(duì)于個(gè)體&，計(jì)算該個(gè)體的適應(yīng)度值在群體適應(yīng)度值總和中所占的比例作為其 選擇概率Ps (Rj)為：
Step3:對(duì)于個(gè)體&，計(jì)算該個(gè)體及其之前個(gè)體的選擇概率之和作為該個(gè)體的累積概率 Pa(Rj)為：
Step4:在O到1范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)概率值。從群體中第一個(gè)個(gè)體開始，將隨機(jī)概率 與群體中個(gè)體的累積概率進(jìn)行順序比較，選擇出個(gè)體累積概率小于或等于該隨機(jī)概率的最 后一個(gè)個(gè)體； 2. 9采用相異位交叉策略，根據(jù)兩個(gè)父個(gè)體基因位值相異的位數(shù)決定是否發(fā)生交叉操 作，一般分為以下三個(gè)步驟： Stepl:計(jì)算兩個(gè)父個(gè)體株型上信息位值相異的位數(shù)m ; Step2:從父個(gè)體株型上相異信息位中隨機(jī)選擇m/2個(gè)位置； Step3:從所選擇位置中的第一個(gè)位置開始，在O到1范圍內(nèi)產(chǎn)生一個(gè)隨機(jī)概率，判斷該 隨機(jī)概率是否大于交叉概率P。，若是，進(jìn)行父個(gè)體株型上該位置信息位的互換；否則，循環(huán) 此過程直到第m/2個(gè)位置完成。最終得到新的一對(duì)個(gè)體株型； 下面給出交叉操作CROSS(Chrosome cl，Chrosome c2)的偽代碼：
2. 10采用分層變異策略，將變異操作劃分為兩個(gè)層次（個(gè)體層和信息位層）：首先，進(jìn) 行個(gè)體層變異發(fā)生概率判斷，從種群中選擇出需要發(fā)生變異的個(gè)體；其次，在所選個(gè)體上進(jìn) 行信息位層變異發(fā)生概率判斷，從個(gè)體中選擇出需要發(fā)生變異的基因位，在基因位上進(jìn)行 變異操作；設(shè)置個(gè)體發(fā)生變異概率Pm，分別計(jì)算水稻個(gè)體層變異概率Pi和水稻信息位層變 異概率 St印1:計(jì)算出個(gè)體層上個(gè)體株型發(fā)生變異的概率A1w為：
Step2:計(jì)算出基因位層上信息位發(fā)生變異的概率為：
Step3:從種群中的第一個(gè)個(gè)體開始，在0到1范圍內(nèi)產(chǎn)生一個(gè)隨機(jī)概率，判斷該隨機(jī)概 率是否小于等于個(gè)體株型變異概率pi，若是，轉(zhuǎn)入Step4 ;否則，循環(huán)此過程環(huán)此過程直到 最后一個(gè)個(gè)體； Step4:從該株型因子中的第一個(gè)信息位開始，在0到1范圍內(nèi)產(chǎn)生一個(gè)隨機(jī)概率，判斷 該隨機(jī)概率是否小于等于信息位變異概率，若是，在此信息位上進(jìn)行變異操作，即將〇替 換為1或?qū)?替換為〇 ;否則，循環(huán)此過程環(huán)此過程直到該株型因子的最后一個(gè)信息位； 下面給出變異操作 Mutation (Chrosome []c, int nc, int ng, int ?I )的偽代碼：
2. 11通過遺傳操作得到臨時(shí)種群，轉(zhuǎn)到2. 4 ; 2. 12輸出當(dāng)前種群中最優(yōu)個(gè)體的染色體，獲取該個(gè)體的水稻株型特征參數(shù)； 步驟3,最優(yōu)株型的比較和驗(yàn)證 在以光截獲量、籽粒數(shù)目和最終產(chǎn)量分別作為適應(yīng)度的優(yōu)化過程中，選取了三個(gè)不同 的生長期（拔節(jié)期、灌漿期和成熟期）的虛擬個(gè)體作為初始種群；首先，將其優(yōu)化結(jié)果分別 進(jìn)行縱向?qū)Ρ龋贸龌谏L期的水稻株型特征株型參數(shù)組合；其次，在構(gòu)建的水稻虛擬生 長模型中運(yùn)用該參數(shù)組合，在其生長過程實(shí)現(xiàn)可視化模擬的基礎(chǔ)上，對(duì)最終產(chǎn)量進(jìn)行預(yù)測； 同時(shí)，結(jié)合水稻模型中的同化物生產(chǎn)及分配算法，將前述參數(shù)組合、預(yù)測的最終產(chǎn)量和以產(chǎn) 量為適應(yīng)度值的優(yōu)化結(jié)果進(jìn)行橫向?qū)Ρ?；最終得出包含生長時(shí)間及空間維度的水稻株型優(yōu) 化結(jié)果，從而實(shí)現(xiàn)最優(yōu)株型的定量控制。
2. 如權(quán)利要求1所述的結(jié)合作物虛擬模型的水稻株型定量化設(shè)計(jì)方法，其特征在于： 所述步驟1中，基于作物株型結(jié)構(gòu)的形態(tài)一生理一環(huán)境的相互關(guān)聯(lián)，能夠通過數(shù)值改變作 物株型結(jié)構(gòu)，進(jìn)而實(shí)現(xiàn)對(duì)目標(biāo)適應(yīng)度值的模擬。
3. 如權(quán)利要求1所述的結(jié)合作物虛擬模型的水稻株型定量化設(shè)計(jì)方法，其特征在于： 所述步驟2中，將作物株型設(shè)計(jì)問題轉(zhuǎn)化為數(shù)值優(yōu)化問題，在計(jì)算機(jī)優(yōu)化方法內(nèi)改變作物 株型結(jié)構(gòu)特征值，并將其在虛擬模型中實(shí)現(xiàn)可視化模擬，以模擬植株的不同輸出為目標(biāo)進(jìn) 行數(shù)值比較。
4. 如權(quán)利要求1所述的結(jié)合作物虛擬模型的水稻株型定量化設(shè)計(jì)方法，其特征在于： 所述步驟2中，運(yùn)用相應(yīng)的方法對(duì)優(yōu)化群體進(jìn)行特征相關(guān)的遺傳操作：用輪盤賭方法進(jìn)行 選擇操作；用相異位交叉策略實(shí)現(xiàn)交叉操作；用分層變異策略實(shí)現(xiàn)變異操作，從而增加優(yōu) 化群體的多態(tài)性。
5. 如權(quán)利要求1所述的結(jié)合作物虛擬模型的株型定量化設(shè)計(jì)方法，其特征在于：所述 步驟3中，先運(yùn)用優(yōu)化算法以不同的目標(biāo)適應(yīng)度值計(jì)算不同時(shí)間、空間及不同模擬目標(biāo)的 最優(yōu)株型特征參數(shù)；然后將這些參數(shù)組合返回設(shè)定為虛擬模型的參數(shù)值并重新進(jìn)行可視化 模擬；最后將模擬結(jié)果進(jìn)行對(duì)比，得到包含時(shí)間、空間維度的優(yōu)化結(jié)果。
【文檔編號(hào)】G06T17/00GK104376142SQ201410357630
【公開日】2015年2月25日 申請(qǐng)日期:2014年7月25日 優(yōu)先權(quán)日:2014年7月25日
【發(fā)明者】徐利鋒, 丁維龍, 危揚(yáng), 陳淑嬌, 劉洋, 鄭蕾, 程志君 申請(qǐng)人:浙江工業(yè)大學(xué)