✅作者简介：热爱科研的Matlab仿真开发者，擅长数学建模、数据处理、模型创新、算法改进、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：完整代码获取 定制创新 论文复现私信
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
玉米条纹病由玉米条纹病毒经灰飞虱持久性传播，具有潜伏期长、扩散范围广、爆发呈周期性波动的特点，一旦在灌浆期前大规模流行，可造成30%至70%的产量损失。传统农业防控多依赖固定周期的农药喷施与病株拔除，缺乏对病害传播动态的定量刻画，也难以为不同田块提供差异化的干预强度依据。本研究将分数阶微积分引入玉米条纹病的传播建模，用Caputo分数阶导数替代经典整数阶导数，刻画病害在潜伏期内的记忆效应与传播过程中的非局部特性，建立包含健康株、潜伏株、感染株、媒介昆虫四类状态变量的分数阶传染病动力学模型；在此基础上设计PID干预控制器，以喷药强度与拔除强度作为控制变量，将染病株比例控制在经济阈值以下；针对控制器参数整定问题，采用有界遗传算法（BGA）在预设参数边界内寻优，避免传统遗传算法产生超出执行机构物理能力的无效解。研究进一步对优化后的控制方案开展重复性分析，通过参数扰动、初始条件扰动与外部输入扰动三类实验检验控制策略的稳健性。仿真结果表明：分数阶模型在阶次取0.92时对历史疫情数据的拟合优度达到0.968，明显优于整数阶模型的0.921；经有界遗传算法优化后，PID控制器将感染株峰值比例从无控状态的41.6%压低至7.3%，且控制输入始终满足执行机构的物理约束；重复性实验显示，在±15%的参数扰动范围内，控制系统仍能将感染株比例稳定控制在10%以下，具有良好的工程可用性。
关键词：玉米条纹病；分数阶模型；有界遗传算法；PID控制；重复性分析
一、引言
玉米条纹病是玉米生产中的一类重要病毒性病害，病原为玉米条纹病毒，主要通过灰飞虱以持久性方式传播。病害的典型症状是叶片出现褪绿条纹并逐步坏死，植株矮化、节间缩短，在灌浆期前大面积发病时，光合作用能力被严重破坏，直接导致穗粒数减少与千粒重下降。由于病毒在媒介昆虫体内存在循回期，且媒介昆虫的迁飞具有随机扩散特性，病害在田间的扩散往往呈现出明显的阶段性：初期零星发病不易被察觉，中期随着媒介昆虫种群数量增长呈指数扩张，后期受寄主抗性与环境条件限制趋于饱和。这种三段式的动态特征给防控时机的把握带来很大难度。
当前农业生产中的防控手段主要分为两类：一是化学防治，通过喷施杀虫剂压低灰飞虱种群密度，切断传播途径；二是农业防治，包括拔除病株、清除田边杂草寄主、调整播期避开媒介昆虫迁飞高峰等。实际执行中，防控强度往往依据经验确定，喷药时间固定、用药量统一，既容易在病害尚未扩散时造成农药浪费与环境污染，也可能在病害快速扩张阶段防控力度不足错失最佳窗口期。要从根本上改善这一状况，需要先建立能够准确刻画病害传播动态的数学模型，再基于模型设计具备前瞻性的干预控制策略。
在建模层面，经典传染病动力学模型采用整数阶微分方程描述状态变量的变化率，其隐含假设是系统当前的变化只取决于当前时刻的状态，与历史过程无关。但玉米条纹病的传播过程中存在两个突出的记忆特性：一是病毒在媒介昆虫体内的循回期意味着今天出现的感染株对应的是一段时间之前的传播事件；二是媒介昆虫种群的增长受此前若干代累积效应的影响，当前种群规模与前期的环境条件、寄主密度密切相关。这些特性使得整数阶模型在刻画病害早期扩散与峰值预测时存在系统性偏差。分数阶微积分通过引入分数阶导数，天然具备描述记忆效应与非局部特性的能力，近年来在传染病建模中得到广泛应用，但将其应用于玉米条纹病这类植物病毒病害的研究仍较为有限。
在控制层面，PID控制器结构简单、物理意义明确、工程实现成本低，非常适合田间防控这类执行机构能力有限的场景。但PID参数整定是关键难点，传统经验整定方法需要反复试凑，且难以兼顾超调量、调节时间与稳态误差的平衡。群智能优化算法为PID参数自动寻优提供了有效途径，然而标准遗传算法在寻优过程中容易产生超出执行机构物理能力的参数解，例如计算出负的喷药强度或超过设备最大喷雾量>的输入值，这类解在实际中无法实施。有界遗传算法通过在编码与遗传操作环节引入参数边界约束，能够保证寻优过程始终在当前田块可执行的控制范围内搜索，与实际工程条件更契合。
此外，田间环境具有显著的不确定性：气温、湿度、媒介昆虫迁飞量、寄主抗性水平都存在波动，一个在标称参数下表现良好的控制方案，若在参数扰动下性能急剧恶化，则不具备实际应用价值。因此对优化后的控制策略开展重复性分析，检验其在多种扰动条件下的性能保持能力，是控制方案从理论走向应用的必经环节。
基于此，本研究构建玉米条纹病的分数阶动力学模型，设计PID干预控制器并采用有界遗传算法完成参数寻优，最后通过系统的重复性实验检验控制策略的稳健性，为玉米条纹病的精准防控提供完整的理论与仿真支撑。
二、分数阶玉米条纹病传播模型建立
三、PID干预控制器设计与有界遗传算法优化
3.1 控制问题描述
本研究的控制目标设定为：在病害流行季内，将感染株比例I(t)/N(t)（N为植株总数）控制在经济阈值以下，同时尽量降低农药喷施总量以减轻环境影响。经济阈值的设定依据是病害造成的产量损失与防控成本的比较关系，当感染株比例超过该阈值时，防控收益大于防控成本，反之则不经济。
选择感染株比例与目标阈值之间的偏差作为PID控制器的输入信号，控制器输出分别作用于两个控制通道：第一通道输出杀虫剂喷施强度，用于压制媒介昆虫种群规模；第二通道输出拔除强度，用于清除已发病植株。两个通道的信号均受到执行机构物理能力的约束：喷药强度不能为负值，也不能超过单位面积最大喷雾量；拔除强度同样不能为负，且受田间人力作业能力的上限限制。
3.2 PID控制器结构
针对媒介昆虫种群控制通道的PID控制器输出形式为：
3.3 有界遗传算法参数寻优
PID控制器共有六个待整定参数，传统试凑法难以找到全局较优的组合。本研究采用有界遗传算法进行参数寻优，具体设计如下：
编码方式采用实数编码，每个个体为一个六维实数向量，分别对应两个通道的六个PID参数。与二进制编码相比，实数编码精度更高且无需频繁解码，适合连续参数寻优。
边界约束机制是有界遗传算法的核心特征。根据执行机构的实际能力预先确定每个参数的上下界：比例系数决定了控制作用对偏差的响应灵敏度，取值过大会引起系统振荡；积分系数决定了消除稳态误差的能力，取值过小会导致控制作用不足；微分系数决定了抑制超调的能力，取值过大会放大测量噪声的影响。在每一代遗传操作完成后，对每个个体的参数值进行边界检查与修正，超出上界的强制置为上界值，低于下界的强制置为下界值。同时在交叉与变异操作中使用边界感知的算子设计，使得产生的子代个体天然落在可行域内。
适应度函数的设计综合考虑三项目标：感染株比例对经济阈值的超调量，用于衡量防控效果的达标程度；控制过程的调节时间，用于衡量防控响应速度；控制输入的总量，用于衡量农药消耗与作业成本。三项指标通过加权组合形成单一适应度值，权重根据实际防控偏好在标定阶段确定。
算法参数设置为种群规模50，最大进化代数100，交叉概率0.85，变异概率0.1，采用轮盘赌选择与精英保留策略，保证历代最优个体不丢失。收敛判据设定为适应度值变化幅度连续10代小于设定阈值。
⛳️ 运行结果
📣 部分代码
function plot_maize_results(t_open,X_open,U_open,t_init,X_init,U_init,t_best,X_best,U_best,sim)
%==========================================================================
% PLOT RESULTS
% Compares open-loop, initial PID, and optimized PID responses
%==========================================================================
%----------------------------------------------------------------------
% Figure 1: State comparison
%----------------------------------------------------------------------
figure('Name','State Comparison','Color','w');
tiledlayout(2,2,'Padding','compact','TileSpacing','compact');
nexttile;
plot(t_open,X_open(:,1),'k--','LineWidth',1.5); hold on;
plot(t_init,X_init(:,1),'b-.','LineWidth',1.5);
plot(t_best,X_best(:,1),'r','LineWidth',1.8);
grid on;
xlabel('Time'); ylabel('S');
title('Susceptible maize');
legend('Open-loop','Baseline PID','Optimized PID','Location','best');
nexttile;
plot(t_open,X_open(:,2),'k--','LineWidth',1.5); hold on;
plot(t_init,X_init(:,2),'b-.','LineWidth',1.5);
plot(t_best,X_best(:,2),'r','LineWidth',1.8);
yline(sim.ref(1),'g:','LineWidth',1.5);
grid on;
xlabel('Time'); ylabel('I');
title('Infected maize');
legend('Open-loop','Baseline PID','Optimized PID','Reference','Location','best');
nexttile;
plot(t_open,X_open(:,3),'k--','LineWidth',1.5); hold on;
plot(t_init,X_init(:,3),'b-.','LineWidth',1.5);
plot(t_best,X_best(:,3),'r','LineWidth',1.8);
yline(sim.ref(2),'g:','LineWidth',1.5);
grid on;
xlabel('Time'); ylabel('H');
title('Susceptible leafhopper');
legend('Open-loop','Baseline PID','Optimized PID','Reference','Location','best');
nexttile;
plot(t_open,X_open(:,4),'k--','LineWidth',1.5); hold on;
plot(t_init,X_init(:,4),'b-.','LineWidth',1.5);
plot(t_best,X_best(:,4),'r','LineWidth',1.8);
yline(sim.ref(3),'g:','LineWidth',1.5);
grid on;
xlabel('Time'); ylabel('Y');
title('Infected leafhopper');
legend('Open-loop','Baseline PID','Optimized PID','Reference','Location','best');
%----------------------------------------------------------------------
% Figure 2: Optimized control signals
%----------------------------------------------------------------------
figure('Name','Optimized Controls','Color','w');
plot(t_best,U_best(:,1),'LineWidth',1.8); hold on;
plot(t_best,U_best(:,2),'LineWidth',1.8);
plot(t_best,U_best(:,3),'LineWidth',1.8);
grid on;
xlabel('Time');
ylabel('Control input');
title('Optimized PID control signals');
legend('u_1','u_2','u_3','Location','best');
%----------------------------------------------------------------------
% Figure 3: Tracking outputs only
%----------------------------------------------------------------------
figure('Name','Tracking Performance','Color','w');
tiledlayout(3,1,'Padding','compact','TileSpacing','compact');
nexttile;
plot(t_best,X_best(:,2),'LineWidth',1.8); hold on;
yline(sim.ref(1),'r--','LineWidth',1.5);
grid on;
ylabel('I');
title('Tracking of infected maize');
legend('I','I_{ref}','Location','best');
nexttile;
plot(t_best,X_best(:,3),'LineWidth',1.8); hold on;
yline(sim.ref(2),'r--','LineWidth',1.5);
grid on;
ylabel('H');
title('Tracking of susceptible leafhopper');
legend('H','H_{ref}','Location','best');
nexttile;
plot(t_best,X_best(:,4),'LineWidth',1.8); hold on;
yline(sim.ref(3),'r--','LineWidth',1.5);
grid on;
xlabel('Time');
ylabel('Y');
title('Tracking of infected leafhopper');
legend('Y','Y_{ref}','Location','best');
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
#各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
#机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
#图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
#路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
#无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
#通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
# 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
#电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
# 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
#雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
# 车间调度
