本研究通过综合评价蚕豆品系产量性状在不同试点的丰产性、适应性和稳定性,筛选适应不同生态环境的产量性状稳定的优良品种(系)。同时评价各试点的区分力和代表性,为试点选择提供依据。2017年和2018年在甘肃和政县、康乐县、积石山县、...本研究通过综合评价蚕豆品系产量性状在不同试点的丰产性、适应性和稳定性,筛选适应不同生态环境的产量性状稳定的优良品种(系)。同时评价各试点的区分力和代表性,为试点选择提供依据。2017年和2018年在甘肃和政县、康乐县、积石山县、渭源县、临夏县和漳县6个试点分别种植5个蚕豆品系0215-1-4(L1)、0208-3-1(L2)、0208-3-2(L3)、0323-2-1(L4)、0161-1(L5)与1个对照品种和政尕蚕豆(L6),收获时记录株高、株粒数、小区产量、株荚数、分枝数、百粒重。采用联合方差和GGE(genotype+genotypes and environment interactions,GGE)双标图对产量性状进行基因型和基因型与环境互作分析。联合方差分析表明,6个农艺性状的基因型除小区产量和株高基因型与环境互作效应无显著差异外,其余性状的基因型与×环境互作效应均达到极显著水平(P<0.01);除株高和株粒数基因型×年份互作效应达到极显著水平外(P<0.01),其余农艺性状×年份互作效应无显著差异。相关性分析表明,小区产量与株荚数和株粒数正相关,与株荚数显著正相关(P<0.05),与百粒重负相关。GGE分析结果表明,品种(系)的适应性、丰产性和稳定性以及试点的区分力和代表性均具有较高的GGE变异值,变幅在78.54%~97.38%之间。蚕豆品系L3在康乐县、积石山县、渭源县和临夏县试点的产量适应性均较高,在和政县试点2018年产量适应性最高;丰产性高的品种(系)依次为L3>L2>L6>L4,稳定性最高的品种(系)依次为L4>L1>L5>L3。试点的区分力依次为康乐县2017年、积石山县2017年和2018年,试点的代表性依次为渭源县2017年、康乐县2018年、积石山县2018年。高产且稳定的品系是L3和L4,结合试点的区分力和代表性,最理想的生态区试点是积石山县。本研究利用GGE双标图对甘肃蚕豆参试品种进行产量组分性状分析,为蚕豆品种综合评价提供参考。展开更多
郊狼优化算法(Coyote optimization algorithm,COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法,具有独特的搜索机制和能较好解决全局优化问题等优势,但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足...郊狼优化算法(Coyote optimization algorithm,COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法,具有独特的搜索机制和能较好解决全局优化问题等优势,但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足.为弥补其不足,并借鉴灰狼优化算法(Grey wolf optimizer,GWO)的优势,提出了一种COA与GWO的混合算法(Hybrid COA with GWO,HCOAG).首先提出了一种改进的COA(Improved COA,ICOA),即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度,并提出一种动态调整组内郊狼数方案,使得算法的搜索能力和可操作性都得到增强;然后提出了一种简化操作的GWO(Simplified GWO,SGWO),以提高算法的可操作性和降低其计算复杂度;最后采用正弦交叉策略将ICOA与SGWO二者融合,进一步获得更好的优化性能.大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明,与COA相比,HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度,与其他先进的对比算法相比,HCOAG具有更好的优化性能,能更好地解决聚类优化问题.展开更多
郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on ...郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on Information sharing and Static greed selection,ISCOA)。首先,构建一种新型的信息共享模型,用于子群所有郊狼的成长,在郊狼成长前期,共享信息差异性大,以增加种群的多样性,在效狼成长后期,共享信息差异性小,以强化开采能力;其次,构建一种新的组内成长方式,即前期主要采用信息共享模型的成长方式,以郊狼的信息共享为主强化探索能力,后期主要采用原算法的成长方式,以alpha狼和文化趋势的引导为主强化开采能力;最后,将原算法的组内贪心算法改成组外贪心算法,即静态贪心算法,以便提高算法的稳定性和实现目标函数计算等的并行处理,提高运行速度。大量复杂的CEC2017函数优化实验结果表明,与COA相比,ISCOA在29个10维和30维函数上分别获得了23和24个函数的优势,其平均运行时间分别是COA的86.3%和85.7%,降低了运行时间;与7个最先进的算法相比,ISCOA在10维和30维函数上的平均排名分别是1.48和1.69,分别获得了17和18个第一,具有更好的优化效果。运用于实际工程问题的实验结果表明,ISCOA得到了最好的结果,证明了ISCOA有更强的搜索能力和竞争性以及更好的应用前景。展开更多
灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不...灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.展开更多
文摘本研究通过综合评价蚕豆品系产量性状在不同试点的丰产性、适应性和稳定性,筛选适应不同生态环境的产量性状稳定的优良品种(系)。同时评价各试点的区分力和代表性,为试点选择提供依据。2017年和2018年在甘肃和政县、康乐县、积石山县、渭源县、临夏县和漳县6个试点分别种植5个蚕豆品系0215-1-4(L1)、0208-3-1(L2)、0208-3-2(L3)、0323-2-1(L4)、0161-1(L5)与1个对照品种和政尕蚕豆(L6),收获时记录株高、株粒数、小区产量、株荚数、分枝数、百粒重。采用联合方差和GGE(genotype+genotypes and environment interactions,GGE)双标图对产量性状进行基因型和基因型与环境互作分析。联合方差分析表明,6个农艺性状的基因型除小区产量和株高基因型与环境互作效应无显著差异外,其余性状的基因型与×环境互作效应均达到极显著水平(P<0.01);除株高和株粒数基因型×年份互作效应达到极显著水平外(P<0.01),其余农艺性状×年份互作效应无显著差异。相关性分析表明,小区产量与株荚数和株粒数正相关,与株荚数显著正相关(P<0.05),与百粒重负相关。GGE分析结果表明,品种(系)的适应性、丰产性和稳定性以及试点的区分力和代表性均具有较高的GGE变异值,变幅在78.54%~97.38%之间。蚕豆品系L3在康乐县、积石山县、渭源县和临夏县试点的产量适应性均较高,在和政县试点2018年产量适应性最高;丰产性高的品种(系)依次为L3>L2>L6>L4,稳定性最高的品种(系)依次为L4>L1>L5>L3。试点的区分力依次为康乐县2017年、积石山县2017年和2018年,试点的代表性依次为渭源县2017年、康乐县2018年、积石山县2018年。高产且稳定的品系是L3和L4,结合试点的区分力和代表性,最理想的生态区试点是积石山县。本研究利用GGE双标图对甘肃蚕豆参试品种进行产量组分性状分析,为蚕豆品种综合评价提供参考。
基金Project(52001140) supported by the National Natural Science Foundation of ChinaProjects(GY2021003, GY2021020) supported by the Key Research and Development Program of Zhenjiang City,China+1 种基金Project(SJCX23_2186) supported by Postgraduate Research&Practice Innovation Program of Jiangsu Province,ChinaProject(202310289013H) supported by Undergaduate Innovation and Entrepreneurship Training Program of Jiangsu Province,China。
文摘郊狼优化算法(Coyote optimization algorithm,COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法,具有独特的搜索机制和能较好解决全局优化问题等优势,但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足.为弥补其不足,并借鉴灰狼优化算法(Grey wolf optimizer,GWO)的优势,提出了一种COA与GWO的混合算法(Hybrid COA with GWO,HCOAG).首先提出了一种改进的COA(Improved COA,ICOA),即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度,并提出一种动态调整组内郊狼数方案,使得算法的搜索能力和可操作性都得到增强;然后提出了一种简化操作的GWO(Simplified GWO,SGWO),以提高算法的可操作性和降低其计算复杂度;最后采用正弦交叉策略将ICOA与SGWO二者融合,进一步获得更好的优化性能.大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明,与COA相比,HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度,与其他先进的对比算法相比,HCOAG具有更好的优化性能,能更好地解决聚类优化问题.
文摘郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on Information sharing and Static greed selection,ISCOA)。首先,构建一种新型的信息共享模型,用于子群所有郊狼的成长,在郊狼成长前期,共享信息差异性大,以增加种群的多样性,在效狼成长后期,共享信息差异性小,以强化开采能力;其次,构建一种新的组内成长方式,即前期主要采用信息共享模型的成长方式,以郊狼的信息共享为主强化探索能力,后期主要采用原算法的成长方式,以alpha狼和文化趋势的引导为主强化开采能力;最后,将原算法的组内贪心算法改成组外贪心算法,即静态贪心算法,以便提高算法的稳定性和实现目标函数计算等的并行处理,提高运行速度。大量复杂的CEC2017函数优化实验结果表明,与COA相比,ISCOA在29个10维和30维函数上分别获得了23和24个函数的优势,其平均运行时间分别是COA的86.3%和85.7%,降低了运行时间;与7个最先进的算法相比,ISCOA在10维和30维函数上的平均排名分别是1.48和1.69,分别获得了17和18个第一,具有更好的优化效果。运用于实际工程问题的实验结果表明,ISCOA得到了最好的结果,证明了ISCOA有更强的搜索能力和竞争性以及更好的应用前景。
文摘灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.