ترجمه فارسی مقاله جایگزین های ReLU در MPC عدد صحیح مختلط برای برنامه ریزی آبیاری

چکیده

Efficient water management in agriculture is important for mitigating the growing freshwater scarcity crisis. Mixed-integer Model Predictive Control (MPC) has emerged as an effective approach for addressing the complex scheduling problems in agricultural irrigation. However, the computational complexity of mixed-integer MPC still poses a significant challenge, particularly in large-scale applications. This study proposes an approach to enhance the computational efficiency of mixed-integer MPC-based irrigation schedulers by employing ReLU surrogate models to describe the soil moisture dynamics of the agricultural field. By leveraging the mixed-integer linear representation of the ReLU operator, the proposed approach transforms the mixed-integer MPC-based scheduler with a quadratic cost function into a mixed-integer quadratic program, which is the simplest class of mixed-integer nonlinear programming problems that can be efficiently solved using global optimization solvers. The effectiveness of this approach is demonstrated through comparative studies conducted on a large-scale agricultural field across two growing seasons, involving other machine learning surrogate models, specifically Long Short-Term Memory (LSTM) networks, and the widely used triggered irrigation scheduling method. The ReLU-based approach significantly reduces solution times — by up to 99.5\% — while achieving comparable performance to the LSTM approach in terms of water savings and Irrigation Water Use Efficiency (IWUE). Moreover, the ReLU-based approach maintains enhanced performance in terms of total prescribed irrigation and IWUE compared to the widely-used triggered irrigation scheduling method.

چکیده به فارسی (ترجمه ماشینی)

مدیریت کارآمد آب در کشاورزی برای کاهش بحران در حال رشد کمبود آب شیرین مهم است.کنترل پیش بینی مدل مخلوط مخلوط (MPC) به عنوان یک رویکرد مؤثر برای پرداختن به مشکلات برنامه ریزی پیچیده در آبیاری کشاورزی ظاهر شده است.با این حال ، پیچیدگی محاسباتی MPC مخلوط مخلوط هنوز هم یک چالش مهم ، به ویژه در برنامه های در مقیاس بزرگ است.این مطالعه رویکردی را برای تقویت کارآیی محاسباتی برنامه ریزان آبیاری مبتنی بر MPC مخلوط با استفاده از مدل های جانشین RELU برای توصیف پویایی رطوبت خاک در زمینه کشاورزی ارائه می دهد.با استفاده از بازنمایی خطی مخلوط مخلوط از اپراتور RELU ، رویکرد پیشنهادی برنامه ریزی مبتنی بر MPC مخلوط مخلوط را با یک تابع هزینه درجه دوم به یک برنامه درجه دوم مخلوط مخلوط تبدیل می کند ، که ساده ترین کلاس از مشکلات برنامه نویسی غیرخطی مخلوط استکه می تواند با استفاده از حل کننده های بهینه سازی جهانی به طور مؤثر حل شود.اثربخشی این رویکرد از طریق مطالعات مقایسه ای انجام شده در یک میدان کشاورزی در مقیاس بزرگ در دو فصل در حال رشد ، شامل سایر مدل های جانشین یادگیری ماشین ، به ویژه شبکه های حافظه کوتاه مدت (LSTM) و روش برنامه ریزی آبیاری که به طور گسترده استفاده می شود ، نشان داده شده است.رویکرد مبتنی بر RELU به طور قابل توجهی زمان محلول را کاهش می دهد-تا حداکثر 99.5 \ ٪-ضمن دستیابی به عملکرد قابل مقایسه با رویکرد LSTM از نظر پس انداز آب و راندمان مصرف آب آبیاری (IWUE).علاوه بر این ، رویکرد مبتنی بر RELU عملکرد پیشرفته را از نظر آبیاری تجویز شده و IWUE در مقایسه با روش برنامه ریزی آبیاری که به طور گسترده استفاده می شود ، حفظ می کند.