Show simple item record

dc.contributor.advisorΧατζηλάκος, Θανάσης
dc.contributor.authorΚαρατσιόλης, Σάββας
dc.contributor.otherKaratsiolis, Savvas
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2011-08-24
dc.date.accessioned2011-08-24T12:02:40Z
dc.date.available2011-08-24T12:02:40Z
dc.date.copyright2011-06
dc.date.issued2011-08-24
dc.identifier.otherΠΛΗ/2011/00004el_GR
dc.identifier.urihttp://hdl.handle.net/11128/184
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΗ χρήση αγροτικών ρομπότ για την εκτέλεση αγροτικών εργασιών έχει ωριμάσει τα τελευταία χρόνια και έχει επεκταθεί από τα πλαίσια του πρώιμου ερευνητικού πεδίου σε αυτό των επιχειρηματικών εφαρμογών. Οι πιο διαδεδομένες χρήσεις αγροτικών ρομπότ αφορούν τον ελεγχόμενο και στοχευόμενο ψεκασμό παρασίτων και το κλάδεμα καλλιεργειών. Τα πλεονεκτήματα δε της χρήσης των αγροτικών ρομπότ είναι η απρόσκοπτη εργασία, ο περιορισμός του κόστους εκτέλεσης, η ανώτερη μέση ποιότητα και η ανώτερη μέση ακρίβεια στην εκτέλεση των αγροτικών εργασιών που τους ανατίθενται. Στον αντίποδα σοβαρό μειονέκτημα αποτελεί η πιθανότητα λήψης μιας εντελώς λανθασμένης λειτουργικής απόφασης που ποτέ δεν θα έκανε ένας έμπειρος εργαζόμενος. Στην παρούσα εργασία μελετήθηκε η μείωση του κόστους της συγκομιδής καρπών ενός χωραφιού με τη χρήση αγροτικού ρομπότ. Στην υλοποίηση του αλγόριθμου λήφθηκε υπόψη το κόστος σε καύσιμο που υφίσταται από τη μετακίνηση του ρομπότ στο χωράφι καθώς και το επιπλέον κόστος μεταφοράς των μεταφερόμενων φρούτων στον χώρο εκφόρτωσης του χωραφιού, το οποίο αυξάνεται γραμμικά ανάλογα με το βάρος των φρούτων που μεταφέρονται ανά πάσα στιγμή. Ο χώρος αποθήκευσης του ρομπότ είναι συγκριτικά μικρός και αναμένεται να μην ξεπερνά τα τριάντα έως εβδομήντα κιλά. Αυτό αναγκάζει το ρομπότ να επιστρέφει για ξεφόρτωμα των φρούτων που περισυνέλεξε σε ένα σημείο που βρίσκεται στην αρχή του χωραφιού, κάθε φορά που η μέγιστη χωρητικότητα του αποθηκευτικού του χώρου δεν επιτρέπει τη περισυλλογή επιπρόσθετων φρούτων. Όσον αφορά το χωράφι, οι καρποί και κατά συνέπεια τα φυτά, αναμένεται να είναι διαταγμένοι σε παράλληλες σειρές με ίσες αποστάσεις μεταξύ των καρπών. Επίσης η απόσταση μεταξύ των σειρών είναι ίση με την απόσταση μεταξύ των καρπών. Τέλος, στον υπολογισμό της λύσης, προσθέτονται και οι περιορισμοί μέσης ολικής ωριμότητας των καρπών που συλλέχθηκαν, ολικού αριθμού καρπών και του μέσου ολικού βάρος των καρπών. Οι παραπάνω περιορισμοί οριοθετούν τις φυσικές ιδιότητες του τελικού φορτίου έτσι ώστε να ικανοποιούνται οι εμπορικές παράμετροι της διάθεσης συγκεκριμένου φορτίου φρούτων στην αγορά. Το συγκεκριμένο πρόβλημα λόγω της συνδυαστικής φύσης των πιθανών λύσεων – η βέλτιστη λύση δεν είναι παρά κάποιος από τους συνδυασμούς των φρούτων με τη σειρά συλλογής τους – πιθανότερο είναι να έχει περισσότερες από μια λύσεις. Για να εκτιμηθεί η ποιότητα μιας πιθανής λύσης αλλά και να υπάρξει μια καλύτερη κατανόηση του ερωτήματος ποια λύση μπορεί να θεωρηθεί ικανοποιητική, κρίθηκε αναγκαίο να αναπτυχθεί το μαθηματικό μοντέλο του κατώτατου ορίου κόστους μιας πιθανής λύσης. Η λύση κατώτατου ορίου κόστους έχει κατασκευαστεί χαλαρώνοντας τους περιορισμούς του προβλήματος και υπεραπλουστεύοντας την εξάρτηση μεταξύ των ταξιδιών συλλογής φρούτων σε τέτοιο βαθμό που στην πραγματικότητα η λύση αυτή καθίσταται μη ρεαλιστική. Αρκεί όμως το γεγονός ότι οριοθετεί ένα χαλαρό κατώτατο όριο που οποιαδήποτε λύση του προβλήματος δεν πρέπει να ξεπερνά παρά μόνο να προσεγγίζει στην καλύτερη περίπτωση. Πέραν της λύσης κατώτατου ορίου, για λόγους σύγκρισης μιας πιθανής λύσης με κάποια εύκολα αντιληπτή μεθοδολογία, αναπτύχθηκε και ένας πρώιμος αλγόριθμος μη αποδοτικής λειτουργίας. Ο αλγόριθμος αυτός λειτουργεί με την έννοια της άπληστης επιλογής, δηλαδή επιτρέπει στο ρομπότ να διασχίζει τις γραμμές του χωραφιού τη μια μετά την άλλη και να συλλέγει κάθε φρούτο που βρίσκει στην πορεία του εφόσον υπάρχει διαθέσιμος αποθηκευτικός χώρος, ενώ με την έξοδο του από κάθε γραμμή επιστρέφει στο χώρο εκφόρτωσης για να παραδώσει το φορτίο του.Η αρχική προσέγγιση στο πρόβλημα επέβαλε στο πρόβλημα τον περιορισμό της ελευθερίας κίνησης. Το ρομπότ είχε την δυνατότητα να κινηθεί μόνο σε μια κατεύθυνση μέσα στις γραμμές των καρπών του χωραφιού και κατά συνέπεια δεν είχε την δυνατότητα να κινηθεί «προς τα πίσω». Αυτός ο περιορισμός επέβαλλε την προσπέλαση ολόκληρης της γραμμής καρπών από τη στιγμή που το ρομπότ επέλεγε να εισέλθει σε κάποια συγκεκριμένη γραμμή. Για την επιλογή των φρούτων προς συλλογή ανά προσπέλαση γραμμής, χρησιμοποιήθηκε δυναμικός προγραμματισμός. Η προσέγγιση αυτή έδωσε λύσεις με πολύ βελτιωμένες αποδόσεις της εκτελούμενης εργασίας από το αγροτικό ρομπότ, σε σχέση με την προσέγγιση άπληστης επιλογής που επιλέγει αν θα συλλέξει το επόμενο φρούτο που βρίσκει στο δρόμο του βάση του κριτηρίου αν έχει διαθέσιμο χώρο μεταφοράς και μόνο.Η αρχική προσέγγιση στο πρόβλημα επέβαλε στο πρόβλημα τον περιορισμό της ελευθερίας κίνησης. Το ρομπότ είχε την δυνατότητα να κινηθεί μόνο σε μια κατεύθυνση μέσα στις γραμμές των καρπών του χωραφιού και κατά συνέπεια δεν είχε την δυνατότητα να κινηθεί «προς τα πίσω». Αυτός ο περιορισμός επέβαλλε την προσπέλαση ολόκληρης της γραμμής καρπών από τη στιγμή που το ρομπότ επέλεγε να εισέλθει σε κάποια συγκεκριμένη γραμμή. Για την επιλογή των φρούτων προς συλλογή ανά προσπέλαση γραμμής, χρησιμοποιήθηκε δυναμικός προγραμματισμός. Η προσέγγιση αυτή έδωσε λύσεις με πολύ βελτιωμένες αποδόσεις της εκτελούμενης εργασίας από το αγροτικό ρομπότ, σε σχέση με την προσέγγιση άπληστης επιλογής που επιλέγει αν θα συλλέξει το επόμενο φρούτο που βρίσκει στο δρόμο του βάση του κριτηρίου αν έχει διαθέσιμο χώρο μεταφοράς και μόνο.Παρόλο που ο αλγόριθμος δυναμικού προγραμματισμού βελτίωνε κατά πολύ τα αποτελέσματα του αλγόριθμου άπληστης επιλογής, οι λύσεις που ανέπτυσσε ήταν μακριά από το αποτέλεσμα του υπολογισμού της λύσης κατώτατου ορίου. Αυτό οδήγησε στην διερεύνηση του προβλήματος με κατάργηση του περιορισμού στην κίνηση του ρομπότ. Για την επίλυση αυτής της προσέγγισης έγινε χρήση γενετικών αλγορίθμων και παρόλο που οι χρόνοι εκτέλεσης αυξήθηκαν, οι προτεινόμενες λύσεις βελτιώθηκαν θεαματικά σε σημείο που σε ορισμένες περιπτώσεις προσέγγιζαν αρκετά τη λύση κατώτατου ορίου. Για την ενσωμάτωση των περιορισμών της μέσης ολικής ωριμότητας, του ολικού αριθμού φρούτων και του μέσου ολικού βάρους χρησιμοποιήθηκε και δεύτερος φωλιασμένος δυαδικός γενετικός αλγόριθμος, ο οποίος οδηγά στην επιλογή του υποσυνόλου του χωραφιού που ικανοποιεί τις τιμές του χρήστη για τους παραπάνω περιορισμούς και ταυτόχρονα έχει το λιγότερο κόστος συγκομιδής από το ρομπότ. Για την υιοθέτηση μιας καλύτερης αντίληψης της παραγόμενης από τον αλγόριθμο λύσης, αναπτύχθηκε λογισμικό που προσομοιώνει τη συγκομιδή των καρπών από το ρομπότ με την χρήση γραφικών και κίνησης. Τα αποτελέσματα της επίλυσης του προβλήματος με τη χρήση γενετικών αλγορίθμων κατέδειξαν την ικανότητα των συγκεκριμένων αλγορίθμων να επιλύουν προβλήματα μη ντετερμινιστικής φύσεως κατασκευάζοντας πολύ καλές λύσεις οι οποίες προσεγγίζουν κατά το δυνατό τις ιδανικές λύσεις. Ειδικά όσον αφορά το συγκεκριμένο πρόβλημα της χρήσης αγροτικών ρομπότ για τη συλλογή καρπών από χωράφι, τα αποτελέσματα κατέδειξαν ότι η ανάπτυξη ενός τέτοιου γεωργικού μηχανήματος τοποθετεί στα χέρια του γεωργικού παραγωγού ένα πολύ υποσχόμενο και χρήσιμο εργαλείο, αφού μειώνει τα έξοδα συλλογής καρπών ενώ ταυτόχρονα εφαρμόζει τις απαιτήσεις του παραγωγού που αφορούν στις φυσικές ιδιότητες του τελικού φορτίου προς διάθεση στην αγορά.el_GR
dc.format.extent119 σ. πιν., 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.subjectnon-deterministicel_GR
dc.subjectgenetic algorithmsel_GR
dc.subjectdynamic programmingel_GR
dc.subjectΓενετικοί αλγόριθμοιel_GR
dc.subjectΔυναμικός προγραμματισμόςel_GR
dc.titleΒελτιστοποίηση απόδοσης αγροτικού ρομπότ συλλογής καρπών απο χωράφιel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractThe idea of using agricultural robots for the execution of agricultural operations has matured during the past years in such extend that it has escaped the boundaries of the pure research field, to the commercial application area. Mostly, agricultural robots nowadays are used to collect fruits, perform targeted pesticide spraying and plant pruning. The advantages of using agricultural robots include uninterrupted operation, cost reduction, superior quality of scheduled tasks and performance precision. On the other hand, the main disadvantage is the lack of having in control a trusted human mind, which assures that no terrible decisions may be taken regarding the carrying tasks. The present project studies the task of cost optimizing the collection of fruits from a field performed by an agricultural robot. The problem parameters include the cost in fuel for the robot to move around the field and the extra fuel cost for moving around fruits that are temporarily stored in the robot’s carrying case. The latter cost is linearly increased in respect to the weight of the fruits that are carried at a specific time. The robot’s carrying case is comparatively small and is considered to have a capacity between thirty and seventy kilos. This fact inserts a forced problem requirement, that the robot returns and delivers its load to a defined fruit collection pile every time it reaches its capacity load. As far as the field is concerned, the fruits-and consequently the plants- are provisioned in parallel equally distanced lines inside the field with the fruits equally distributed on the lines. Finally, in the calculation of the optimized solution some criteria are inserted that restrict the total mean maturity, the total number and the total mean weight of the final load to a specific range of values.. There are a lot of similarities of the current problem to the well known travelling salesman problem, in which the salesman has to visit a number of towns starting at a given point and return to the starting point completing a minimum distance journey. The problem of optimizing the fruit collection by a robot advances the complexity of the travelling salesman problem in the sense that the robot has to return to the starting point every time it reaches its maximum fruit carrying capacity and in the sense that carrying around a collected fruit adds an extra fuel cost to the whole task. Initially, the problem is approached under a strategy that differentiates it from the travelling salesman problem, by adding a restriction in the movement of the robot so that it is not allowed to move backwards. This restriction forces the robot to moving in a single direction and consequently once it entered a row of plants, it should cross the whole row to its end. For the selection of the collected fruits during each crossing, dynamic programming is used. This approach derives solutions of increased performance over the best effort strategy which decides whether to pick up or not a specific fruit that occurs in its path based purely on the criteria of available carrying space. In spite dynamic programming’s solution improvement over primitive and simplistic algorithms, the performance of the solutions is still far from the indicative ideal solutions of the problem. This led to the strategy of investigating the problem as a classic non deterministic polynomial complete problem (NP-complete) and so the abolishing of the robot’s movement restrictions. For solving such a problem genetic algorithms are used and although execution time is exponentially increased, the performance of the solutions is improved drastically in a grade that in some cases the cost of the ideal solutions is approached. In order to encapsulate the restrictions of total mean maturity, total fruit number and total mean fruit weight, a second nested binary genetic algorithm is used that leads to the selection of a subset of the field that satisfies the values for the above restrictions as are defined by the user, optimizing in the meanwhile the processes’ collection cost. Furthermore, animation software simulates the derived solution by graphically showing the solution’s fruit collection so as to promote the understanding of the mechanics behind the algorithm. The performance of genetic algorithms in solving the specific problem shows their ability to handle non deterministic polynomial problems and to derive well accepted solutions of increased performance that can approximate their ideal solutions. Specifically, the problem of optimizing the cost of an agricultural robot’s fruit collection operation seems to be well handled by genetic algorithms. As a matter of fact, the results show that developing such an agricultural robot puts in the hands of the producer a very promising and useful tool, that reduces fruit collection expenses and at the meantime it makes sure that the collected commodity satisfies the producer’s physical requirements.el_GR
dc.format.typepdfel_GR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record