ReLU Surrogates in Mixed-Integer MPC for Irrigation Scheduling

📄 arXiv: 2409.12082v1 📥 PDF

作者: Bernard T. Agyeman, Jinfeng Liu, Sirish L. Shah

分类: eess.SY, math.OC

发布日期: 2024-09-18

💡 一句话要点

提出基于ReLU代理模型的混合整数MPC灌溉调度方法，显著提升计算效率。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 混合整数规划 模型预测控制 ReLU网络 灌溉调度 农业节水

📋 核心要点

  1. 混合整数MPC在农业灌溉调度中面临计算复杂度高的挑战，尤其是在大规模应用中。
  2. 利用ReLU代理模型描述土壤湿度动态，将原问题转化为混合整数二次规划，降低求解难度。
  3. 实验表明，该方法在保证灌溉性能的同时，显著降低了计算时间，优于传统方法。

📝 摘要（中文）

本文针对农业灌溉中日益严重的水资源短缺问题，提出了一种提高混合整数模型预测控制(MPC)计算效率的方法。该方法利用ReLU代理模型描述农田土壤湿度动态，将带有二次成本函数的混合整数MPC调度器转换为混合整数二次规划问题，从而可以使用全局优化求解器高效求解。通过在大型农田上进行的跨两个生长季的对比研究，验证了该方法的有效性。实验结果表明，与LSTM网络等其他机器学习代理模型以及广泛使用的触发式灌溉调度方法相比，基于ReLU的方法在节水和灌溉用水效率(IWUE)方面表现相当，同时将求解时间缩短了高达99.5%。此外，与触发式灌溉调度方法相比，基于ReLU的方法在总灌溉量和IWUE方面保持了更高的性能。

🔬 方法详解

问题定义：论文旨在解决大规模农业灌溉调度中，传统混合整数MPC计算复杂度高、求解时间长的问题。现有方法，如基于复杂非线性模型的MPC，计算负担重，难以实时应用。触发式灌溉调度方法虽然简单，但灌溉效率较低，无法实现精准用水。

核心思路：论文的核心思路是使用ReLU神经网络作为土壤湿度动态的代理模型，替代原有的复杂非线性模型。ReLU具有分段线性的特性，可以转化为混合整数线性约束，从而将原有的混合整数非线性规划问题转化为混合整数二次规划问题。

技术框架：整体框架包括以下几个阶段：1) 建立农田土壤湿度动态的非线性模型；2) 使用ReLU神经网络训练并拟合该非线性模型，得到ReLU代理模型；3) 将ReLU代理模型嵌入到混合整数MPC框架中，构建基于ReLU的混合整数二次规划灌溉调度器；4) 使用全局优化求解器求解该混合整数二次规划问题，得到最优灌溉策略。

关键创新：最重要的技术创新点在于使用ReLU代理模型简化了土壤湿度动态的描述，将复杂的混合整数非线性规划问题转化为相对简单的混合整数二次规划问题。与直接使用非线性模型或LSTM等复杂模型相比，ReLU模型具有更好的可解释性和更低的计算复杂度。

关键设计：ReLU网络的结构（层数、神经元个数）需要根据具体的土壤湿度动态进行调整。损失函数通常采用均方误差，以最小化ReLU代理模型与真实土壤湿度动态之间的差异。混合整数MPC框架中的目标函数通常包含灌溉成本和缺水惩罚项，需要根据实际情况进行权衡。约束条件包括灌溉量的上下限、土壤湿度的上下限等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于ReLU的混合整数MPC灌溉调度方法在节水和灌溉用水效率(IWUE)方面与LSTM方法相当，同时将求解时间缩短了高达99.5%。与广泛使用的触发式灌溉调度方法相比，基于ReLU的方法在总灌溉量和IWUE方面均表现出更高的性能。

🎯 应用场景

该研究成果可应用于精准农业领域，帮助农民实现高效节水的灌溉管理。通过优化灌溉策略，可以提高农作物产量和质量，同时减少水资源浪费，缓解水资源短缺问题。该方法还可推广到其他农业资源管理领域，例如施肥、农药喷洒等。

📄 摘要（原文）

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.