流域农业面源污染控制的最佳管理措施优化方法及装置与流程

本发明涉及遗传算法与农业面源污染控制相耦合的技术领域，特别涉及一种流域农业面源污染控制的最佳管理措施优化方法及装置。

背景技术：

面源污染，专业解释为：通过降雨和地表径流冲刷，将大气和地表中的污染物带入受纳水体，使受纳水体遭受污染的现象。点源污染，专业解释为：由可识别的单污染源引起的空气，水，热，噪声或光污染。

面源污染是目前造成流域水质下降的重要因素。由于面源污染发生具有随机性，来源和传输过程具有间歇性和不确定性，使得气候、水文、地形、土壤、土地利用等自然地理要素对其影响较为显著。同时受到农田管理方式差异的影响，空间变异性强，不同景观单元的污染负荷差异显著对其进行监测和治理相对比较困难，需要投入大量的人力、物力和财力。因此，如何从流域整体开展面源污染的管理与控制已经成为国内外关注的热点和难点。推广实施“最佳管理措施”(Best Management Practices，BMPs)是进行农业面源污染控制的有效手段。

最佳管理措施是对流域水文、土壤侵蚀、生态及养分循环等自然过程产生有益于环境，以及保护流域水环境免受农业生产活动导致的污染的一系列措施。BMPs主要有工程型措施和非工程型措施两大类。其中，工程型措施主要指用于减污、减沙、洪水排控等具有一定物理结构的措施，如沉沙池、过滤带，湿地缓冲区，植物篱等；非工程型措施是一些新管理措施的操作程序或现有管理措施的改进，如耕作管理、养分管理、景观管理等。

面源污染过程具有高度的时空异质性，这使得BMPs的实施效果亦受到空间尺度效应的影响。在实现污染物最大削减效率的同时保证经济成本的最小化，对于流域面源污染的控制管理具有非常重要的意义。

研究表明，流域内可能会有多种不同的BMPs及其空间组合方式以满足非点源污染的控制管理要求，这使得基于BMPs及其组合的非点源污染控制问题实际可转化为多目标决策问题。通过水文模型和最优化数学方法相耦合的方式来构建决策支持系统则是解决此类问题的良好途径，其主要包括以下几个部分：a)有效的非点源污染评估工具，通常为机制性模型，其能够对流域内特定点位不同BMPs及其污染物削减效率进行较好的模拟表征；b)经济评估模型或经济评估公式，其能够有效的对不同空间位置的BMPs的成本进行分析；c)最优化算法程序，其能够有效通过广泛的、非线性的以及非连续性的解空间的寻优运算来解决流域非点源污染的最优化求解问题。基于遗传算法衍生的多目标进化算法能够有效解决多种目标的决策优化问题，同时还能够获取全局性的帕累托最优解。以次方法为优化方法，可以为流域非点源污染最佳管理措施的成本-效益最优化决策提供理论和数据支持。

Hector等2011年在美国的阿肯萨斯州林肯湖流域建立了以水土控制模型、经济评价模块以及进化算法为主要组成部分的综合模型，以水土控制模型作为所选BMPs及其组合污染物削减效率的模拟工具，经济评价模块作为所选BMPs的总成本的模拟工具，同时以这两个模块的模拟结果作为进化算法多目标决策函数的输入数据。对林肯湖流域内所设置的35种不同的BMPs空间配置组合(牧场管理、植被缓冲带、畜禽垃圾使用措施)进行了污染物削减效率最大化和成本-效益最优化的模拟。

Cheng-Daw Hsieh等在翡翠水库流域以水库水质(TP、TSS)达标作为约束条件，构建了包括零维水库水质模型和离散微分动态规划算法为组件的流域降雨径流BMPs控制措施空间配置优化模型。以零维水库水质模型作为实施BMPs之后水库水质面源污染物削减效率的模拟工具，以离散微分动态规划模型作为BMPs空间配置和组合规划优选的工具。将翡翠水库流域划分为14个子流域，分别在每个子流域配置滞留池、植草水道和植被缓冲带等工程性措施。用BMPs空间配置优化综合模型对各个子流域采取BMPs措施后的污染物削减效果和成本进行最优化模拟，结果表明植草水道和植被缓冲带的设置可在短期内使得水库水质达到中度营养状态，滞留池的设置则可使翡翠水库流域的水质达到贫营养状态。

加拿大农业部自2004年以来，在全国范围内选取了9个典型流域分别实施流域BMPs评估规划(Watershed Evaluation of BMPs，WEBs)计划。目的在于开发地块和景观尺度的管理决策工具。针对各流域不同的特点采取不同的BMPs措施来治理流域内的面源污染。将生物物理监测(实地监测、历史数据对比)、经济评价分析(计量经济模型、财务报表、非线性规划、优化模型)、水文模拟和评价三部分构成综合评价模型，在考虑公众参与因素的情况下，对流域内BMPs及其组合的环境和经济效益进行评价。

洪倩在三峡库区长江流域采取“小流域推广法”来进行大尺度流域的面源污染的定量化研究。选取流域内的典型小流域运用SWAT模型进行面源污染的精细模拟、以工程性BMPs实施后的实地监测数据作为输入数据，并结合遗传算法作为流域BMPs措施的成本-效益优化算法。将工程性措施(人工湿地、滞留池、植被缓冲带、生态沟渠)与非工程性措施(土地利用方式改变、耕作管理、化肥施用管理)相结合，对不同的BMPs的组合配置方案进行成本-效益最优化的模拟。

美国学者所建立的SWAT-GA理论体系目前来看还具有可进一步优化完善的空间。如，Gitau等和Veith等的研究并没有解决多目标决策问题，且未提供最优化方案的成本-效益曲线。相比较而言，Bekele等和Muleta等的研究虽然有关于成本-效益曲线的相关描述，但是仅仅是针对于BMPs成本与泥沙负荷量之间的关系，因此其在BMPs的类型选择方面就具有较大的局限性。Arabi等的研究中虽然提供了不同污染物削减效率及其BMPs成本之间的成本-效益曲线，但是其环境目标是以污染物的加权负荷量来表示的，因此在其研究中并未对不同营养物质的削减效率进行较为明确的表示。Jha等和Rabotyagov等的研究工作与之前几位学者的工作之间体现了较大的不同，其以三个决策标准的最小化为基础，对不同营养物质的成本-效益进行评估。然而，以上所有研究的局限性就在于，每进行一次优化求解过程就需要对SWAT模型进行一次运行，需要耗费大量的时间。

技术实现要素：

本发明实施例的主要目的在于构建一种流域农业面源污染控制的最佳管理措施优化方法及装置，在提高优化效益的基础上极大的缩短优化运算时间。

为实现上述目的，本发明提供了一种流域农业面源污染控制的最佳管理措施优化方法，包括：

获取种群；其中，所述种群为N条基因组成；N为目标区域内水文响应单元的个数，每条基因的信息表示目标区域内每个水文响应单元对应的最佳管理措施的编号；

利用所述最佳管理措施的优化动态数据库中的参数，根据目标函数对所述种群进行评估；

根据评估结果将满足所述目标函数的约束条件的基因信息遗传到下一代种群中，对下一代种群进行迭代评估；迭代次数达到最大迭代次数时评估结束；

根据最终评估结果获得最终种群，所述最终种群的每条基因信息对应的最佳管理措施构成目标区域内农业面源污染控制的最佳管理措施的最优化配置方案。

可选的，在本发明一实施例中，所述最佳管理措施的优化动态数据库的建立方法包括：

确定目标区域的农业面源污染控制的关键源区；

根据经验信息确定所述关键源区对应地最佳管理措施；

对所述水文响应单元的土地利用类型的代码进行识别，根据识别结果查找对应土地利用类型的所述关键源区的最佳管理措施的参数文件；

在所述参数文件中对模拟所述最佳管理措施时需要调整的参数进行自动修正；

SWAT模型利用修正后的参数文件中的参数对所述最佳管理措施的运行机制进行模拟，获得所述最佳管理措施的年度单位面积污染负荷数据；

根据所述最佳管理措施的生命周期确定所述最佳管理措施的单位面积总成本；

根据所述最佳管理措施的年度单位面积污染负荷数据和单位面积总成本构建最佳管理措施的优化动态数据库。

可选的，在本发明一实施例中，所述目标函数的表达式为：

其中，a_i,j表示目标区域内第i个水文响应单元所对应的编号为j的最佳管理措施；N为目标区域内水文响应单元的个数。

可选的，在本发明一实施例中，所述目标函数的约束条件为：

其中，AGRL、ORCD、PAST、OTHERS分别表示为土地利用类型的代码；x_i表示目标区域内每个水文响应单元的编号。

可选的，在本发明一实施例中，所述最佳管理措施的单位面积总成本的表达式为：

式中：C_td为措施总成本；单位为：元·hm^-2·a^-1，C₀为固定投资；单位为：元·a^-1，rm为维护成本；s为固定年利率，td为措施生命周期，单位为：年。

对应地，为实现上述目的，本发明还提供了一种流域农业面源污染控制的最佳管理措施优化装置，包括：

种群获取单元，用于获取种群；其中，所述种群为N条基因组成；N为目标区域内水文响应单元的个数，每条基因的信息表示目标区域内每个水文响应单元对应的最佳管理措施的编号；

评估单元，用于利用所述最佳管理措施的优化动态数据库中的参数，根据目标函数对所述种群进行评估；

遗传迭代运算单元，用于根据评估结果将满足所述目标函数的约束条件的基因信息遗传到下一代种群中，对下一代种群进行迭代评估；迭代次数达到最大迭代次数时评估结束；

优化结果确定单元，用于根据最终评估结果获得最终种群，所述最终种群的每条基因信息对应的最佳管理措施构成所述目标区域内农业面源污染控制的最佳管理措施的最优化配置方案。

可选的，在本发明一实施例中，所述优化装置还包括优化动态数据库构建单元；其中，所述优化动态数据库构建单元包括：

关键源区确定模块，用于确定目标区域的农业面源污染控制的关键源区；

最佳管理措施确定模块，用于根据经验信息确定所述关键源区对应地最佳管理措施；

最佳管理措施的参数确定模块，用于对所述水文响应单元的土地利用类型的代码进行识别，根据识别结果查找对应土地利用类型的所述关键源区的最佳管理措施的参数文件；

修正模块，用于在所述参数文件中对模拟所述最佳管理措施时需要调整的参数进行自动修正；

年度单位面积污染负荷数据确定模块，用于SWAT模型利用修正后的参数文件中的参数对所述最佳管理措施的运行机制进行模拟，获得所述最佳管理措施的年度单位面积污染负荷数据；

单位面积总成本确定模块，用于根据所述最佳管理措施的生命周期确定所述最佳管理措施的单位面积总成本；

构建模块，用于根据所述最佳管理措施的年度单位面积污染负荷数据和单位面积总成本构建最佳管理措施的优化动态数据库。

可选的，在本发明一实施例中，所述优化装置还包括目标函数单元；其中，所述目标函数单元构建的目标函数的表达式为：

其中，a_i,j表示目标区域内第i个水文响应单元所对应的编号为j的最佳管理措施；N为目标区域内水文响应单元的个数。

可选的，在本发明一实施例中，所述目标函数单元构建的目标函数的约束条件为：

其中，AGRL、ORCD、PAST、OTHERS分别表示为土地利用类型的代码；x_i表示目标区域内每个水文响应单元的编号。

可选的，在本发明一实施例中，所述单位面积总成本确定模块确定的最佳管理措施的单位面积总成本的表达式为：

式中：C_td为措施总成本；单位为：元·hm^-2·a^-1，C₀为固定投资；单位为：元·a^-1，rm为维护成本；s为固定年利率，td为措施生命周期，单位为：年。

上述技术方案具有如下有益效果：

本技术方案能够在特定区域气候、土地利用、土壤类型以及地形因素的影响下，针对流域农业面源污染的关键源区来布设最佳管理措施以实现成本效益最优化，提高流域水环境管理的成效。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提出一种流域农业面源污染控制的最佳管理措施优化方法流程图；

图2为本实施例中所采用的基因编码方式的示例图；

图3为本发明实施例的最佳管理措施的优化动态数据库的建立流程图；

图4为本实施例的建立最佳管理措施的优化动态数据库的程序流程图；

图5为本发明实施例提出一种流域农业面源污染控制的最佳管理措施优化装置功能框图；

图6为本发明实施例中优化装置的优化动态数据库构建单元的功能框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种流域农业面源污染控制的最佳管理措施优化方法及装置。

此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

本技术方案的工作原理为：本技术方案在流域农业面源污染控制中，考虑污染发生的尺度效应，针对适合研究区域的污染特征的最佳管理措施，采用SWAT模型构建动态评估数据库，并结合遗传算法，基于不同最佳管理措施的费用-效益的多目标优化，筛选目标区域的流域农业面源污染控制的成本-效益最优组合方案，为构建适用于我国人多地少现状国情的流域农业面源污染控制的最佳管理措施体系的提供切实可行的思路，同时在技术层面，相较于其他算法，能够大量的缩减优化算法的运行时间，具有较高的应用价值。

基于上述工作原理，本发明提出一种流域农业面源污染控制的最佳管理措施优化方法，如图1所示。包括：

步骤101)：获取种群；其中，所述种群为N条基因组成；N为目标区域内的水文响应单元的个数，每条基因的信息表示目标区域内每个水文响应单元对应的最佳管理措施的编号；

实施最佳管理措施(BMPs)是实现流域农业面源污染控制的有效手段，本技术方案需要对基于特定关键源区的最佳管理措施的效率进行模拟，SWAT模型作为一种较为成熟的半分布式水文模型，在世界各地的流域农业面源污染控制的最佳管理措施的配置工作中得到了广泛的应用，并取得了不错的结果。本案在通过SWAT模型模拟实施最佳管理措施时，基于最佳管理措施的运行机制在目标区域模拟运行时调整与之相对应的参数来进行模拟。经过世界各地的流域农业面源的统计可知，单一的管理措施的运行机制及SWAT模型模拟参数汇总表见表1。由表1可知，土地利用类型分为：耕地(A1)、耕地(A2)、耕地(A3)、耕地(A4)、耕地(A5)、耕地(A6)、果园(O1)、果园(O2)、果园(O3)、养殖场(L1)、养殖场(L2)、养殖场(L3)、养殖场(L4)。土地利用类型为耕地时可有6种控制措施类型，土地利用类型为果园时可有3种控制措施类型，土地利用类型为养殖场时可有4种控制措施类型。根据土地利用类型为耕地的6种管理措施类型的排列组合获得土地利用类型的代码为AGRL的最佳管理措施的种类的个数是63种，从而得到63种最佳管理措施的代码。根据土地利用类型为果园的3种管理措施类型的排列组合获得土地利用类型的代码为ORCD的最佳管理措施的种类的个数是7，从而得到7种最佳管理措施的代码。根据土地利用类型为养殖场的4种管理措施类型的排列组合获得土地利用类型的代码为PAST的最佳管理措施的种类的个数是15，从而得到15种最佳管理措施的代码。土地利用类型的代码为AGRL、土地利用类型的代码为ORCD、土地利用类型的代码为PAST均不实施任何管理措施，这时最佳管理措施的代码为baseline。在土地利用类型除耕地、果园、养殖场之外的其他类型的代码为OTHERS，这种情况下不实施任何管理措施，这时最佳管理措施的代码为NO BMP，请见下表2。由表2可知，最佳管理措施可以是单一的一种管理措施，可以是多种管理措施组合在一起，也可以不采用管理措施，共获得89种最佳管理措施的代码。

表1

表2

在优化过程始于种群的生成。在本实施例中，可以通过Matlab自动生成种群和人工输入种群数量两种方式实现。每一组单独的种群由N个基因组成。对于本实施例的流域农业面源来说，采用浮点型的基因编码方式，所有最佳管理措施均采用1～89的顺序编码的方式实现。因此，种群的染色体中所包含的每条基因均以1～89之间的任一数字来表示水文响应单元对应所采用的最佳管理措施，图2为本实施例中所采用的基因编码方式的示例。据统计，流域农业面源的水文响应单元的个数最大值为564，那么种群的染色体的长度为564，染色体中每个基因信息表示目标区域内每个水文响应单元对应的最佳管理措施的编号。

步骤102)：利用最佳管理措施的优化动态数据库中的参数，根据目标函数对所述种群进行评估；

本研究的优化目标为多目标优化，即筛选费用成本低、污染物负荷去除率高的最佳管理措施。因此，本研究中将多目标的最佳管理措施优化设计问题转化为非线性离散系统的优化求解问题。因此，总氮、总磷及成本的最小化目标函数分别可表示为：

上式中：a_i,j表示目标区域内第i个水文响应单元所对应的编号为j的最佳管理措施。N为目标区域内水文响应单元的个数，在本实施例中，N取值为564，由于j为最佳管理措施的编号，j取得最大值为89。

将以式(1)、式(2)、式(3)相结合构建流域不同地块的多目标最佳管理措施的空间优化配置目标函数，该函数可表达为：

如图3所示，为最佳管理措施的优化动态数据库的建立流程图。包括：

步骤1)：确定目标区域的农业面源污染控制的关键源区；

就流域整体而言，少数区域的农业面源污染物输出量通常占据全流域负荷总量的绝大比例。农业面源污染关键源区是指对流域内水环境整体状况有决定性影响的污染敏感区域。从流域整体的角度来对面源污染进行控制，应首先明确不同空间尺度内污染源的时空分布特征，并在此基础上识别出农业面源污染的关键源区，这已经成为当前流域农业面源污染控制的核心理念和关键所在。

本方案拟采用SWAT(Soil and Water Assessment Tool)模型作为流域农业面源污染关键源区的识别工具，对目标区域的地表径流、土壤侵蚀、污染物质流失情况进行评估，并基于GIS技术，对流域尺度的污染物流失高风险区进行识别，划定流域农业面源污染控制的关键源区。

步骤2)：根据经验信息确定所述关键源区对应地最佳管理措施；

步骤3)：对所述水文响应单元的土地利用类型的代码进行识别，根据识别结果查找对应土地利用类型的所述关键源区的最佳管理措施的参数文件；

步骤4)：在所述参数文件中对模拟所述最佳管理措施时需要调整的参数进行自动修正；

步骤5)：SWAT模型利用修正后的参数文件中的参数对所述最佳管理措施的运行机制进行模拟，获得所述最佳管理措施的年度单位面积污染负荷数据；

步骤6)：根据所述最佳管理措施的生命周期确定所述最佳管理措施的单位面积总成本；

最佳管理措施的成本主要包括固定投资和生命周期内的运行维护成本两部分。其中，固定投资反映建造工程措施的一次性固定资产投入水平，主要包括人力成本、土地成本及建设费用三项费用内容。人力成本是指措施在建设实施过程中所需投入的劳动力支出成本，土地成本是措施实施的场地使用费，由于人力成本和土地成本会随着政府政策调控措施以及区域经济发展水平产生较大的差异。因此，本技术方案中的人力成本和土地成本的计算考虑以措施的生命周期为时间期限的经济净现值来表示。建设费用主要包括材料费(如植被缓冲带中植草造林植株购买费用)、机械使用费、其他间接费、现场经费、间接费、企业利润以及税金等。管理类措施的成本则主要包括化肥减施导致花费成本降低、农作物产量的变化折合市价后的损失或收益、畜禽养殖数量变化导致的收益的降低以及粪肥回田措施导致的化肥施用量的降低进而导致化肥施用成本的降低等。措施的管理维护成本包括维护成本和管理需求成本两部分，维护成本反应了最佳管理措施建设实施后进行维护的资金和人力投入。管理需求则表示最佳管理措施在实施后所需要的维护管理上的要求，如：清淤、除草等。为了考虑措施实施过程中通货膨胀等经济因素对总成本的影响，通过将管理维护成本折算成等价的经济净现值以进行下一步的优化模拟工作。在本实施例中，为了便于下一步最佳管理措施的配置多目标优化决策方案的实施，本文中各项措施的费用均采用单位面积加权平均的方式来表示。所述最佳管理措施的单位面积总成本的表达式为：

式中：C_td为措施总成本，单位：元·hm^-2·a^-1；C₀为固定投资，单位：元·a^-1；rm为维护成本，一般以所占总成本的比例表示，如缓冲带为1％，s为固定年利率，本案参考中国人民银行一年期年利率为5.56％，在本实施例中为简化计算以6％代替，td为措施生命周期，单位：年。

步骤7)：根据所述最佳管理措施的年度单位面积污染负荷数据和单位面积总成本构建最佳管理措施的优化动态数据库。

传统地最佳管理措施的优化配置动态数据库的构建方式，每运行一次优化模拟时，就需要SWAT模型在修改相关的最佳管理措施模拟参数后相应的运行一次，这会耗费大量的时间同时对计算机的硬件要求较高，不利于进行大种群和多代次的优化模拟进程。由图3中的步骤1～步骤7可知，本案为了改进这一缺陷，以Matlab2013a为平台，编写了自动化的最佳管理措施模拟及数据储存脚本程序，该程序对土地利用类型代码进行识别，然后通过SWAT模型的输出文件“*.mgt”对模拟最佳管理措施需要调整的参数进行自动修正，进而驱动SWAT模型的再模拟并将输出结果储存为EXCEL文件，便于下一步优化模拟工作的开展，脚本程序的运行流程见图4。例如：对农业种植用地实施缓冲带措施，该脚本程序所对应的土地利用类型为农业种植用地，对应的最佳管理措施的编号为“5”，该脚本程序利用最佳管理措施的编号会自动识别SWAT模型的输出文件中所有土地利用类型为“AGRL”的*.mgt文件，并自动的将“filter strip value”设置为10m，然后再自动使SWAT模型再运行一次，并将所获取的年度单位面积污染负荷数据进行自动储存，只需手工将单位面积污染负荷数据进行面积加权计算后即可获得相应水文特征的年度污染负荷数据，采用该程序后最佳管理措施的动态数据库构建过程所用时间减少为28.5小时。

步骤103)：根据评估结果将满足所述目标函数的约束条件的基因信息遗传到下一代种群中，对下一代种群进行迭代评估；迭代次数达到最大迭代次数时评估结束；

由前述工作原理可知，本案采用遗传算法确定目标区域的流域农业面源污染控制的成本-效益最优组合方案。遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。遗传算法也是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优。遗传算法的基本运算过程如下：

a)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

b)个体评价：计算群体P(t)中各个个体的适应度。

c)选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。

e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。

群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

f)终止条件判断：若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

对于本实施例来说，为了保证遗传算法的解的有效性，需设定约束条件来限制算法在寻优过程中的取值，约束条件规定遗传算法将从最佳管理措施的优化动态数据库中的1～64列随机选取可能的最佳管理措施在土地利用类型为AGRL的地块上实施模拟，进而从64～73列中选择最佳管理措施在土地利用类型为ORCD的地块上实施模拟，最后在74～88列中选择最佳管理措施在土地利用类型为PAST的地块上实施模拟，其余土地类型则选择89列措施进行模拟。在表2中，在遗传运算过程中虽然编号为89表示不配置措施但是仍需要在优化运算过程中进行模拟，因为优化模拟的结果是针对流域整体地块的组合，而不是特指某种地类的地块。因此，目标函数的约束条件可表示为：

其中，AGRL、ORCD、PAST、OTHERS分别表示为土地利用类型的代码；x_i表示目标区域内每个水文响应单元的编号。

遗传算法在运行过程中根据目标函数对所产生的种群进行评估。其中，评估值的计算是基于最佳管理措施实施后各个水文响应单元所产生的污染物的负荷量之和以及成本之和进行，所有这些参数均来自于前文所述的最佳管理措施的动态数据库，该数据库在整个优化模拟运算中扮演属性表角色，以此来代替现有技术中所采用的SWAT-GA的动态链接过程，可以极大的缩短优化运算时间。本案采用最大迭代次数作为优化运算终止的条件。一般情况下种群越大，迭代次数越多会获得更接近最有条件的解集，但是相应的运算时间也会增加很多。这种情况下所花费的运算时间仍然比现有技术所花费的时间要少很多，我们大致可以节约时间消耗的10-50倍。

步骤104)：根据最终评估结果获得最终种群，所述最终种群的每条基因信息对应的最佳管理措施构成目标区域内农业面源污染控制的最佳管理措施的最优化配置方案。

本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如图1所述的对农业面源污染控制的最佳管理措施的优化方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如图1所述的对农业面源污染控制的最佳管理措施的优化方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

如图5所示，为本发明提出的一种流域农业面源污染控制的最佳管理措施优化装置功能框图。包括：

种群获取单元501，用于获取种群；其中，所述种群为N条基因组成；N为目标区域内水文响应单元的个数，每条基因的信息表示目标区域内每个水文响应单元对应的最佳管理措施的编号；

评估单元502，用于利用最佳管理措施的优化动态数据库中的参数，根据目标函数对所述种群进行评估；

遗传迭代运算单元503，用于根据评估结果将满足所述目标函数的约束条件的基因信息遗传到下一代种群中，对下一代种群进行迭代评估；迭代次数达到最大迭代次数时评估结束；

优化结果确定单元504，用于根据最终评估结果获得最终种群，所述最终种群的每条基因信息对应的最佳管理措施构成目标区域内农业面源污染控制的最佳管理措施的最优化配置方案。

如图6所示，为本发明中优化装置的优化动态数据库构建单元的功能框图。所述优化动态数据库构建单元包括：

关键源区确定模块601，用于确定目标区域的农业面源污染控制的关键源区；

最佳管理措施确定模块602，用于根据经验信息确定所述关键源区对应地最佳管理措施；

最佳管理措施的参数确定模块603，用于对所述水文响应单元的土地利用类型的代码进行识别，根据识别结果查找对应土地利用类型的所述关键源区的最佳管理措施的参数文件；

修正模块604，用于在所述参数文件中对模拟所述最佳管理措施时需要调整的参数进行自动修正；

年度单位面积污染负荷数据确定模块605，用于SWAT模型利用修正后的参数文件中的参数对所述最佳管理措施的运行机制进行模拟，获得所述最佳管理措施的年度单位面积污染负荷数据；

单位面积总成本确定模块606，用于根据所述最佳管理措施的生命周期确定所述最佳管理措施的单位面积总成本；其中，所述单位面积总成本确定模块确定的最佳管理措施的单位面积总成本的表达式为：

式中：C_td为措施总成本；单位为：元·hm^-2·a^-1，C₀为固定投资；单位为：元·a^-1，rm为维护成本；s为固定年利率，td为措施生命周期，单位为：年。

构建模块607，用于根据所述最佳管理措施的年度单位面积污染负荷数据和单位面积总成本构建最佳管理措施的优化动态数据库。

在本实施例中，所述优化装置还包括目标函数单元；其中，所述目标函数单元构建的目标函数的表达式为：

其中，a_i,j表示目标区域内第i个水文响应单元所对应的编号为j的最佳管理措施。

所述目标函数单元构建的目标函数的约束条件为：

其中，AGRL、ORCD、PAST、OTHERS分别表示为土地利用类型的代码；x_i表示目标区域内每个水文响应单元的编号。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，比如，本技术方案中的种群获取单元501、评估单元502、遗传迭代运算单元503、优化结果确定单元504、优化动态数据库构建单元均可以通过FPGA实现，但这种实现不应被理解为超出本发明实施例保护的范围。

此外，尽管在上文详细描述中提及了装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。

以上具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。