基于任務單元的運糧車響應調度優化

曹光喬 南 風，2 陳 聰 張慶凱

(1.農業農村部 南京農業機械化研究所，南京 210014；2.中國農業科學院 研究生院，北京 463000；3.西北農林科技大學 機械與電子工程學院，陜西 楊凌 712100)

目前我國新興經營主體和適度規模的田間收獲作業服務需求不斷增長[1]，對農機配置與路徑規劃的要求也在不斷提高，除了收割機單獨的調度模式以外，服務組織也迫切需要精確合理的運糧車響應方案。研究多約束環境的復雜調度問題，擺脫依靠傳統的人為經驗，獲得科學合理的運糧車響應路徑優化方案，對節約農機資源以及提升糧食收獲和運輸整體效率具有重要意義[2-3]。

國內外大型農場的集中收獲作業，收割機與運糧車調度有3種響應方式：運糧車田間跟隨收割機進行作業；收割機專門配備固定數量的運糧車進行卸糧作業；收割機選擇定點卸糧的位置，運糧車及時到達[4-5]。這3種方式均不需要考慮多臺收割機與運糧車的復雜響應，很少針對運糧車制定精確路徑規劃。對于適度規模的新興經營主體，服務組織無法為1臺收割機專門配備 2 輛以上的運糧車，尤其在農忙時節，收割機與運糧車數量不匹配情況普遍存在。因此，類似大型農場的冗余運糧車與收割機響應調度模式和方法并不可取，服務組織缺乏運輸設備不足環境下的調度規劃方案。

隨著我國農村勞動力大量轉移，土地流轉和作業服務托管加速，適度規模經營成為現代農業發展的必然趨勢[6-9]。農作物收割和運輸作業，具有很強的時效性，收割機和運糧車作業調度缺乏詳細規劃和技術手段，其效率很大程度依賴于人工操作的經驗性[10]。家庭農場、綜合農事服務中心等模式興盛發展，其擁有的農田數量和經營規模不斷增加，但仍然具有小規模和零散化的特點[11]，主要依靠農機服務組織提供生產性農事服務[12-14]。農業環境小規模、零散化的特點也決定了收運響應需要更加靈活、科學的匹配機制，以及對運糧車詳細、精確的調度規劃。

國內外針對農業機械調度問題多集中于田間農機資源的調配和路徑優化問題，圍繞聯合收割機和大型農田任務等2個對象進行資源調度，重點研究聯合收割機的路徑轉移。圍繞不同類型的農機調度問題，張璠等[15]提出了兩種基于優先策略的多機多任務緊急調配算法，建立了以調配成本和損失最小化為目標的緊急調配模型；吳才聰等[16-17]建立了帶時間窗約束的農機資源調度數學模型，并以動態規劃的思想進行模型求解。圍繞農機調度算法問題，許多研究認為農機調度即為車輛調度，提出了一些相關算法，取得了良好的成效。例如 Bochtis D D等[18]針對農業領域的車輛調度問題，使用 VRP 的方法解決農業車隊管理問題，增強傳統的農機管理系統；Guan S等[19]提出一種兩階段的農機調度方案，首先對農機資源進行分配，然后利用遺傳算法與模擬退火算法相結合對調度模型進行求解，同時他們也將農業生產過程劃分為2個階段，采用優先級原則對農機資源進行合理分配，利用遺傳算法實現農機合理調度，提高資源利用率[20]。圍繞收割機與運糧車協同調度問題，He P F等[21]將收割機收獲和運糧車運輸問題考慮為兩級多行程問題，根據運糧車需要響應的具體位置動態變化，從而提出混合整數新型規劃模型，并提出一種啟發式算法進行求解，屬于概念性的調度響應問題[22]；Ali O等[4]將收割機和運糧車的響應問題轉化為內場物流的車輛路徑問題，模型適用于大面積農田的場內路徑規劃，無法解決運糧車的場外路徑規劃。圍繞農機具收獲和運輸協同調度的研究[23-27]，國內外更多的是集中于作業理論的系統分析和農機具數字化監控系統和信息平臺的設計開發，但是不能為用戶提供相關的調度決策。收割機和運糧車響應問題屬于比較復雜的多目標組合優化問題[28-29]，在已有的少數響應調度研究中，多將其轉化為帶時間窗的旅行商問題、帶時間窗的VPR問題或者運籌學的運輸問題，僅僅考慮作業隊行走路線，未結合時間因素和空間因素。

結合農業環境小規模零散化的特點，收割機與運糧車響應模式研究與科學合理的運糧車調度規劃研究較為薄弱，探究收割機與運糧車的協同響應成為啟動本項研究的依據。

本研究擬將任務單元作為收割機作業的界限，分析適度規模場景下的收、運響應作業模式，運用動態規劃思想去解決靜態規劃問題，以期為運糧車科學調度提供優化方案與決策依據，提高運輸裝備的利用效率。

1 運糧車與收割機響應模型的建立

1.1 任務單元

本研究將包含收割機的農作物收獲區域定義為任務單元，單臺收割機在一定規模的該區域獨立完成收獲作業。任務單元彼此間相互獨立，為同一主體所有。同一主體是指經營農田的種糧大戶或者家庭農場，為了方便收獲安排，將該主體經營的所有土地劃分為若干任務單元。同一主體能夠滿足運糧車進行往復循環使用的要求，承擔多個任務單元的糧食載運。任務單元作為收獲任務的分解，可以是零散分布的農田或者是大面積農田的某個劃分區域。

運糧車的響應對象是收割機，而收割機的純收割時間及運糧車響應次數又與農田產量息息相關，為了簡化收運響應機制，減少多種對象的復雜約束，本研究將收割機與農田區域逐一對應，即以任務單元作為收割機作業的界限，1個任務單元只由1臺收割機進行作業。經過實際調研，江蘇省 3.0～13.5 hm2(50～200畝)的家庭農場和種糧大戶等主體，80% 的單田面積為0.33～1.0 hm2，因此選取適度規模經營0.33～1.0 hm2為任務單元面積。

1.2 響應模式

收割機與運糧車響應調度描述為：農機服務組織為同一經營主體所屬的任務單元服務，如何實現較少運糧車匹配收割機從而完成收獲、運輸任務的調度規劃問題。

本研究選取當前時刻收割機在任務單元中的作業狀態(收割作業狀態、收割完成狀態、等待卸糧狀態)，進行模型建立和求解。由于任務單元面積較小，運糧車在單元內抵達響應位置時所行駛的路徑要遠小于運糧車在單元外的轉移路徑，故忽略收割機和運糧車在單元內的行走。若同時考慮收割機、運糧車兩者的路徑規劃，模式動態且復雜，同時需要大量實時性數據，故忽略收割機路徑規劃，簡化收割機與運糧車的響應復雜程度，實現運糧車整體的調度規劃。

對收割機已知收割效率、收割周期等作業參數信息進行新狀態的判斷和預測，以及利用傳感器等實時性傳輸設備的反饋和糾正獲取收割機已收割量、作業時間等實時性信息。每個任務單元對應1臺收割機，糧食滿倉后，進行完全卸糧，完成響應后再進行下一輪作業。所有運糧車先前往最近的任務單元進行響應，響應結束后再抵達下個任務單元，最大化減少收割機非生產性作業時間[4](收割機未收割情況下在田間的等待時間)。每個任務單元可以由多個運輛車同時到達，以保證收割機收滿后進行完全卸糧作業。

本研究基于任務單元的收、運響應調度模式，對模型做出如下假設：所有任務單元的機械設備作業參數相同，且作業過程中無故障發生；收割機連續作業至滿倉，完全卸糧后再進行下次作業；運糧車達到滿載，才能返回卸糧站，再進行下次分配；運糧車運輸抵達同一終點位置；忽略運糧車和收割機折舊費用、人工費用等生產性成本。

1.3 參數及變量說明

1)任務單元用集合U={Vi,ai} 表示，其中Vi={V1,V2,…,Vm}、ai={a1,a2,…,am} 分別表示任務單元位置、任務單元面積，i={1,2,…,m} 為任務單元編號，m為任務單元數量。

2)收割機與運糧車分別用集合Hi={H1,H2,…,Hm}、Tj={T1,T2,…,Tn} 表示，其中i={1,2,…,m} 為任務單元編號；n為運糧車數量，j={1,2,…,n} 為運糧車編號；令CH表示收割機容量，CT表示運糧車容量。

3)定義集合P={Vp,dgh} 表示路網中各路徑節點路徑信息。其中運糧車分配節點的位置Vp=V0∪Vi，V0表示卸糧站，Vi表示任務單元位置；dgh表示節點g到h之間的距離，g∈Vp,h∈Vp。

1.4 時間槽定義

本研究基于每個任務單元的整體起止時間，進行時間槽劃分。時間槽是指單個任務單元收割作業周期，該周期包含收割機滿倉前的收割狀態和滿倉后的卸糧響應狀態，是2個狀態時間段的總合。劃分依據是任務單元中收割機的作業周期，數目與收割機的收割總次數Ki相同，計算公式為：

(1)

式中：ai表示i任務單元的收獲面積；λ是作物面積轉化為產量的單位系數；λai表示該任務單元總產量。i任務單元含有Ki個時間槽表示該任務單元必須被收割λai/CH(向上取整)次，才能完全收獲完畢。任務單元最后一次收割時需完全卸糧，保證離開該任務單元的收割機糧倉處于全空狀態，能夠滿足任務單元作業結束后自由轉移的需要。

(2)

分別表示收割機的開始收割時間、滿倉時間、卸糧結束時間，分別表示運糧車到達時間、開始時間、結束時間；為收割機收割作業時間，為運糧車卸糧響應時間；k,i,j分別為時間槽、收割機、運糧車序號。 is time for unloading of grain by grain truck； k, i and j are the serial numbers of time slot, harvester and grain truck, respectively.圖1 運糧車與收割機響應時間狀態Fig.1 Response time status of grain trucks and harvester

(3)

1.5 響應模型的建立

1.5.1主要目標

基于任務單元的響應模式及相關影響因素分析，收運響應調度的非生產性總成本包含收割機等待時間成本、運糧車轉移距離成本2部分。因此將模型分為2種具體目標，分別為收割機非生產性作業時間(等待時間)成本最小化和運糧車的轉移距離成本最小化。

1)收割機非生產性作業時間成本最小化。模型目標數學表達式為：

(4)

2)運糧車轉移距離成本最小化。模型目標數學表達式為：

(5)

式中：f2代表運糧車轉移成本最小值；c2為運糧車單位距離成本。轉移成本等于所有運糧車轉移總距離與單位距離成本之積。

1.5.2主要約束條件

對運糧車收割機響應調度過程分析，工作量約束條件如下：

(6)

時間狀態約束條件為：

(7)

2 運糧車與收割機響應模型的解算

2.1 解算基本原理

本研究首先考慮時間約束，在時間約束下完成有限次的調度決策。在作業期間內，將單個任務單元的整體起始時間切割成有限時間槽，每個時間槽根據當前狀態完成1次調度決策。所有任務單元并行計算，最終完成所有單元的調度安排，獲得完整的運糧車調度方案。

按照時間順序依次完成各個時間槽的決策，最終完成整體解算，從而順利解決時間和工作量約束的問題。每個時間槽在單獨決策時，事先確定目標之間的相對重要程度，以此為依據將重要目標進行優先決策，次要目標隨后決策，即多目標問題轉化為2個單目標問題進行順序求解。本研究將基于收割機非生產性時間為首要目標的動態時間槽算法記為 A，將基于運糧車運輸距離為首要目標的動態時間槽算法記為 B。

2.2 算法構建

動態時間槽算法 A 中運糧車運輸距離和收割機等待時間同時作為優化目標，決策中收割機等待時間處于更高優先級。具體分為針對單個任務單元的決策算法 A1和并行計算多個任務單元的算法 A2，簡化步驟如下：

1)算法 A1。

步驟1：所有任務單元同時開始計算，每次迭代需更新時間集合T。每個任務單元都從第一個時間槽開始計算(k=1)。

步驟2：判斷運糧車狀態。將所有運糧車劃分為等待分配和已分配狀態。只有等待分配的運糧車才能參與各個任務單元的匹配。

步驟3：判斷收割機狀態。若該任務單元第k個時間槽下收割機處于卸糧未完成狀態，直接執行算法A2；若收割機對應收割狀態，進入下一步。

步驟4：優化分配。計算當前任務單元第k個時間槽剩余的收割作業時間，計算所有未分配運糧車到該任務單元的距離。執行算法A2。

步驟5：按照算法A2指定結果分配。若未能分配，則轉入步驟3。

步驟6：判斷該任務單元作業是否全部完成(k≥Ki)。若未完成，令k增加1后轉入步驟1，再次循環。若完成，記錄并結束該任務單元。

步驟7：若所有任務單元都被記錄，結束算法A1。

2)算法A2。

步驟1：優先按時間分配。匯總當前所有單元收割機剩余收割時間，按照從小到大的順序依次分配即將結束收割的任務單元。

步驟2：尋找運糧車。預算所有單元當前第k個時間槽需要的卸糧量，并與所有運糧車剩余載量比較，找出滿足條件的運糧車。

步驟3：再次按距離分配。對步驟2滿足載量條件的運糧車，取距離該任務單元位置最近的1個運糧車，直接執行步驟5。

步驟4：組合判斷。步驟2中若無滿足載重條件的運糧車，則將未參與的運糧車多個組合，直到滿足；若全部不滿足，則所有運糧車共同派往，并將該任務單元標記為分配優先級最高。

步驟5：結束A2，輸出分配結果。

此外，本研究在算法A的基礎上提出算法B，運糧車運輸距離和收割機等待時間同時作為優化目標，決策中運糧車轉移距離處于更高優先級。將算法A2中步驟1、3的優先分配規則互換，即可得算法 B。

3 運算分析

國家統計局2018年主要農作物產量統計年鑒數據顯示，江蘇省鹽城市谷物小麥每1 hm2產糧5.827 t，即λ=5.827 t/hm2。根據江蘇省常用品牌的收割機和運糧車參數，收割機糧容積為1.05～4.8 m3，本研究選用雷沃谷神GE80(4LZ-8E2)輪式谷物聯合收割機，糧箱容積2.0 m3，容量1.6 t，即CH=1.6，收割效率0.533 hm2/h，數量為6輛。運糧車一般為拖拉機自帶5～7 t容量的拖斗，本研究取值5 t，即CT=5，轉移速率為30 km/h，數量為4輛。設置收割機單位等待時間成本為70 元/h(c1=70)；運糧車單位轉移成本為4 元/h(c2=4)；響應卸糧速率為38 t/h。本次研究選取鹽城市大有縣6個農田作業點實際數據進行模擬，具體信息見表1。

表1 任務單元實際作業信息與時間槽數目Table 1 Actual operating data and number of time slots for work units

3.1 目標優化結果

3.1.1實際算例方案

算法A與算法B分別計算鹽城大有縣6個農田作業點的實際算例，得到2種不同結果的優化調度方案。方案呈現的收割機等待時間、運糧車轉移距離及整體非生產性作業成本等目標優化結果見表2。

表2 算法A、B對實際案例的目標優化結果Table 2 Algorithm A and algorithm B optimize the objective results of the actual case

算法A得到此案例的方案在收割機等待時間上較少，算法 B得到運糧車轉移距離較短，優化結果符合不同策略算法A、B的預期?；诙嗄繕藙討B分割求解算法 A 產生方案中非生產性作業總成本較低，對該調度模型求解結果較好。因此本研究選擇算法 A 作為該實例的求解算法，獲得優化方案的調度響應甘特圖(圖2)與運糧車到訪任務單元的路徑順序(表3)。

紅色線框為收割機與運糧車實際卸糧響應時間,右側數值表示到訪的運糧車編號。The red line represents the unloading status. The value represents the number of the grain truck responding.圖2 任務單元調度響應甘特圖Fig.2 The scheduling response Gantt diagram for work units

表3 運糧車最佳路徑順序Table 3 Optimal path scheme for grain trucks to visit work units

3.1.2仿真算例運算分析

為比較不同優先決策順序的算法A、B性能差異，本研究隨機生成8 組仿真算例，對非生產性作業總成本、運糧車轉移距離和收割機等待時間進行對比分析。每組算例包含6 個任務單元，每個任務單元面積范圍為0.33～1 hm2，單元間節點距離范圍為0.3～2 km。算法A、B計算每組算例得到的目標優化結果見表4?？梢? 算法 A 求解的目標優化結果中非生產性作業成本比B低2%～18%，收割機等待時間比B低10%～40%；算法A、B中運糧車轉移距離值的差異范圍在10%以內。算法B求解的某些轉移距離大于A的原因是：算法B優先考慮運糧車轉移距離，會使運糧車集中于較近單元，最后完成距離較遠單元任務時，容量已無法滿足卸糧需要，需多輛共同前往，導致運糧車轉移總距離反而增加。

表4 算法A、B對仿真算例的目標優化結果Table 4 Comparison between two algorithms with 8 sets of work units

因此，決策優先考慮等待時間的算法A總體上優于優先考慮轉移距離的算法B。

3.2 影響因素分析

以算法 A 為運糧車和收割機響應調度模型的優化算法，進行影響因素仿真試驗。

除了任務單元和運糧車數量以外，響應調度模型還包括收割效率、卸糧速率以及收割機糧倉容量和運糧車載量等作業參數。收割機卸糧較快，卸糧時間相對于收割作業周期可以忽略；收割機糧倉容積與收割效率均通過影響收割機收割作業周期長短進而影響優化結果，作用效果相似。因此本研究選擇收割機、運糧車數量配比以及收割效率作業參數，探究其對模型性能的影響。

3.2.1運糧車與收割機數量配比的影響

本研究固定6臺收割機(任務單元)，選擇運糧車數量為1～6輛(收運數量配比1∶1～6∶1)。對每組任務單元算例(隨機生成6 個任務單元數據，單元面積范圍為0.33～1 hm2，單元間節點距離范圍為0.3～2 km)進行求解，運行結果見圖3。

由圖3可知，在收割機數量固定且多于運糧車的情況下，隨著運糧車數量不斷增加，收割機非生產性作業平均成本、平均等待時間以及單個運糧車的平均轉移路程均不斷下降，總成本、總等待時間都隨著運糧車增加而不斷下降。當運糧車數量為4～6輛(收運配比范圍在1∶1～2∶1)時，每臺收割機非生產性平均等待時間均在0.05 h以內，優化效果良好(圖3(b))。固定6個任務單元情況下，服務組織配置6輛運糧車與配置1輛運糧車相比，非生產性總成本、平均等待時間和轉移距離減少較為顯著，增益較大。服務組織配置6輛運糧車與配置4輛運糧車相比，減少的平均等待時間與轉移距離減少幅度不明顯，運糧車數量增加對非生產性總成本的降低不明顯，增大了對運輸設備資源的占用，即收、運數量相近時提高運糧車數量帶來增益減小。

圖3 運糧車數量變化對目標優化結果的影響Fig.3 Influence of the quantity change of grain cart on the optimization results

因此在實際情況下服務組織選擇4輛運糧車能取得較好的優化結果，并節約運糧車數量。尤其是對比當前大型農場運糧車冗余配置的情況，本研究內容對節約運糧車資源具有一定的指導意義。

同時，固定運糧車4輛，任務單元(或收割機)數量變化(4～20)，得到如下結論：在運糧車數輛固定且少于收割機的情況下，隨著收割機數量增加，平均非生產性作業成本和平均等待時間呈上升趨勢，總路程、等待時間和非生產性總成本也隨之增加，趨勢明顯。即當運糧車數量不足時，盲目增加收割機數量，會導致單個收割機的平均等待時間、非生產性作業成本和運糧車平均轉移路程增加，且收割機數量越多，各指標增加趨勢更加顯著。

3.2.2收割效率對模型的影響

研究模型以收割機等待時間、運糧車轉移距離為目標。為證明該目標模型的有效性，設計1種常見的單目標(僅考慮最優等待時間)模型，產生方案與多目標模型方案優化結果進行對比。選擇收割效率0.13～0.80 hm2/h，固定其他參數，探究收運配比為3∶2(收割機6輛，運糧車4輛)條件下收割效率對2種調度模型的影響，結果見圖4。

由圖4可知，當收割效率小于0.53 hm2/h，2種模式下數據重合，即方案規劃相同，等待時間、轉移路徑相同。當效率大于0.53 hm2/h，2種模式呈現差異：同時考慮等待時間與轉移距離的多目標模型產生方案中，隨著收割效率增加，運糧車轉移路徑不再變化(圖4(b))；單目標傳統模型產生方案中，等待時間、轉移距離、非生產性成本均隨收割效率增加而增大?？梢耘袛?，多目標模型在收割效率大于0.53 hm2/h后優于傳統單目標模型，本研究建立多目標模型的有效性得以證實。

收割效率小于0.53 hm2/h時，等待時間最短和轉移路程最小(圖4(a)、(b))；當收割效率小于0.40 hm2/h 時，2種模式下收割機等待時間與運糧車轉移距離均可以達到最優(圖4(c))，使得非生產性成本最低。收割效率超過0.53 hm2/h時，最優等待時間逐漸增加，原因是隨著收割效率增加，收割作業完成較快，留給運糧車自由支配的轉移時間相對減少，因此總體上收割機等待時間增加。運糧車總轉移距離在0.40 hm2/h效率時開始增加，達到0.53 hm2/h以后，最優轉移距離保持不變，原因是收割效率增加，但模型受運糧車數量制約，為降低收割機少量等待時間而造成運糧車轉移距離顯著增大，不符合最優非生產性成本的要求，即收割效率超過0.53 hm2/h，非生產性作業成本最優結果取決于轉移距離是否最優，不再是等待時間。

圖4 不同模型收割效率變化對目標優化結果的影響Fig.4 Influence of harvesting efficiency change on the target optimization results under different models

實際收獲作業中，將收割效率控制在0.53 hm2/h以內，使得該配置下的收運響應效率最高，此范圍內收割機等待時間最短，運糧車轉移距離產生的影響最小。若考慮完工時間，選擇0.53 hm2/h收割效率，能達到較佳作業狀態；若不考慮完工時間，選擇0.40 hm2/h收割效率，達到最優作業狀態。

4 討論與結論

實際收獲作業過程中收割機與運糧車響應方式較多，如模式一：收、運響應過程中，收割機先裝滿糧倉，再完全卸出收取的糧食。模式二：收、運響應過程中，收割機裝滿糧倉，隨后不用全部卸出，攜帶部分糧食進行下次作業。模式三：收、運響應過程中，收割機不用裝滿糧倉，但必須完全卸出所收糧食。模式四：收、運響應過程中，收割機不必裝滿糧倉，隨后也不必完全卸出所收糧食。模式二適合于運糧車較少的場景；模式三適用于運糧車量冗余的場景；模式四中收割機能夠自由根據運糧車剩余容量收割或卸載糧食，在運糧車抵達時直接卸糧，無論剩余直接返回作業，使運糧車和收割機減少等待時間、運糧車載量充分，達到了收割機與運糧車最佳狀態。但是實現這種復雜的動態響應，全靠人工經驗，難度較大，目前沒有合適模型和算法進行實現。這3種模式共同點是收割機可以自由根據實際約束改變每次作業的收割量，在已知產量的作業區域中收割次數動態變化，增大了模型構建和解算難度。相比之下模式一更適合于規模數量稍大的收獲任務，在1個任務單元內收割機收割次數固定，為模型和算法構建提供了便利，同時也比較符合實際生產場景。因此本研究以模式一構建收、運響應模型，定義任務單元，憑借單元產量獲得收割次數，并根據收割頻率劃分時間槽，設計算法進行求解。

本研究提出基于任務單元的多目標規劃模型，共同考慮收割機田間等待時間及運糧車距離遠近的目標，以動態規劃的思想劃分時間槽，根據目標不同優先級順序設計了算法 A 和算法 B，選擇非生產性作業成本、運糧車調配路程和收割機非生產性等待時間等目標優化結果進行對比發現，優先考慮等待時間的算法 A 在非生產性總成本和等待時間等方面，均優于優先考慮運糧車距離的調度算法 B，因此采用算法 A 作為該調度模型的求解算法。該算法為解決運糧車不足和提高資源配置效率提供了一種解決方案。同時，具體探究了特定型號(收、運容量分別為1.6和5.0 t；收、運數量配比為3∶2；收割效率為0.53 hm2/h)收割機與運糧車響應調度，獲得該場景下任務單元響應甘特圖與運糧車精確路徑順序(圖2，表3)。

運糧車資源不足的情況下，運糧車數量與收割機數量相差顯著時，運糧車轉移距離和收割機等待時間顯著增加。兩者數量相近時，運糧車數量變化產生的總成本基本不變，增益減小，與配置6 輛運糧車相比，服務組織配置4 輛運糧車也能取得較好響應結果，同時節約運糧車設備資源。進一步研究發現，收、運數量配比為3∶2情況下，應保持0.40 hm2/h，獲得該配置下最優響應作業效率，使等待時間最短、轉移距離最小、非生產性成本最低。對于其他型號的收割機和運糧車，若提供收、運的容量以及數量配比等參數，能得出對應條件下的具體結論，獲得最優響應方案和作業效率。因此該模型和算法能夠為運糧車不足問題提供一定的指導意義。

本研究模型創新之處在于引入了收、運響應機制，更符合田間實際作業情況。但由于運糧車到達時間、載量不斷變化，設計算法在處理更大規模數據時無法收斂，適用算法需進一步研究；同時模型僅考慮運糧車，未涉及收割機精確調度規劃，針對收割機與運糧車的兩級調度研究和增加對任務單元改變的動態規劃研究是未來智能農機調度領域的重要研究方向。