基于改進魚群算法的草莓光環境智能調控管理模型

趙 瑜

(江蘇食品藥品職業技術學院，江蘇 淮安 223003)

?

基于改進魚群算法的草莓光環境智能調控管理模型

趙 瑜

(江蘇食品藥品職業技術學院，江蘇 淮安 223003)

草莓的產量與質量與其光合作用的效率有重大關系，而作物的光合效率主要由環境溫度和光子通量密度決定，如何實現在不同環境溫度測量光飽和點值，是農作物光環境智能調控發展必須決定的問題。為了解決上述問題，采用非線性回歸方法，提出了基于改進魚群算法的草莓光環境智能調控管理模型，通過自動調整魚群個體視野和步長狀態，提高該算法全局尋優性能和搜索精度，并實現不同溫度環境下植物光飽和值的精確尋優。試驗結果表明：模型計算值與實測值關聯性非常高，兩者最大相對誤差在6%以內，精度值較高，能夠較好地滿足光合速率調控需要。

光合作用；魚群算法；草莓；光環境；智能調控

0 引言

植物的光合作用是一個光生物化學反應，其隨著光照強度的增加而加快，當作物光照強度很低時會抑制植物莖的生長、減少干物質積累、導致植物生長緩慢等問題，直接影響農作物的產量和品質。合適的環境溫度和光強度可以明顯提高草莓葉片的光合效率、蒸騰作用及光飽和點，從而提高果實的質量和產量。為了實現在不同環境溫度測量植物的光飽和值，本文以多因子耦合的草莓光合速率模型為基礎，設計了基于改進魚群算法的光溫尋優方式，實現不同溫度環境下的光合速率與光飽和點的測量，從而建立以最大光合速率為目標的草莓光環境智能調控管理模型。同時，該模型進行相關試驗以及對試驗結果進行分析，證實模型的準確性。

1 人工魚群算法概述

人工魚群算法具有3方面特點：①算法初始值不唯一，往往能夠隨機產生或成為固定值；②算法對目標函數沒有太高要求，可以進行全局尋優搜索；③算法可以進行并行處理，處理速度快。人工魚群算法的基本思想是：在某一水域中，魚最多的地方就是其營養成分最高的地方，依據該特性可以來模仿魚群尋找食物、聚群、追尾等行為，然后求出最優解，即該算法主要利用魚群中單一個體的覓食、聚群、追尾等個體行為，并結合魚群相互協作的能力尋找目標函數最優解。假設在某水域中，一人工魚群由N個個體組成，其狀態可表示為

(1)

其中，Xi為需要求解的變量值；Y為求最優解的目標函數；d為魚群個體間的距離。基本人工魚群的行為可以描述為以下幾點：

1)隨游行為。隨游行為是指人工魚在規定區域內隨機移動的過程，是魚群個體在覓食中一種缺省狀態。當魚群發現附近水域食物濃度低于其所處位置時會采取隨游狀態，其會按照式(2)移動，移動后食物濃度可能并不理想。

Xj=Xi+rand()·Step·visual

(2)

其中，rand()是0和1之間的隨機數；Step為個體移動最大步長；visual為個體可視范圍。個體在尋找食物的過程中，其以最小重復嘗試次數T-num(T-num為人工魚單次尋找食物最大嘗試值)找到食物時，為個體提供了隨機游動的可能性，使魚群多樣性增多，降低了局部極值的限制程度。

2)追尾行為。追尾行為是指個體Xi在規定區域內尋找最優伙伴Xj的行為，若Yj/nf>δYj(δ為擁擠度因子)，說明最優伙伴附近空余空間比較多，則可以向Xj移動一步，不然采取覓食行為。

3)聚群行為。聚群行為是指個體在游動中為了生存和躲避危害聚集在一起，成為一個群體 ，魚群聚在一起需要具備分隔、對準和內聚3個規則。假設人工魚Xi附近伙伴數目為nf，魚群中心位置為Xc，若Yc/nf>δYj，則說明該伙伴附近空余空間比較多，位置狀態較優，則Xi朝該中心位置前進一步；不然，采取覓食行為。

4)覓食行為。覓食行為是指個體朝著食物濃度高區域的一種移動行為。比如，個體Xi在可視區域隨機選擇目標對象Xj，并分別計算其目標函數值，若Yj比Yi大，則Xi朝著Xj前進一步；否則，Xi繼續在visual區域內尋找Xj，并對其食物濃度進行判斷，反復嘗試T-num次后，若仍沒有發現更優解，則隨機前進到一新狀態。

2 智能調控管理模型建立的材料和方法

2.1 模型試驗環境與材料

為了驗證草莓光環境智能調控模型的有效性，2015年9月至2016年2月在某溫室種植基地一個草莓大棚進行了試驗。測試草莓品種為章姬(又稱牛奶草莓)，將優良的草莓種子經溫湯浸種后，播種于育苗圃中。為了減少秧苗根系的損傷，在挖苗前，對育苗圃澆1次透水，然后進行定植。大棚栽培株距20cm左右,每棚種植1 800株左右。草莓苗采用定向種植，中間5畦每畦種植2行,盡量靠兩旁種，行間距為30cm左右。在試驗期，施肥、澆水按草莓常規種植的方式進行，期間不噴施農藥。

2.2 試驗方法

試驗檢測采用北京益康農研發生產的ECA-PB0402光合測定儀，主要測定指標為葉室溫度、葉室濕度、葉片溫度、二氧化碳濃度和光合有效輻射，可以在設定葉室小環境模式下，測定植物凈光合速率。其中，該儀器工作的環境溫度范圍為-20～50℃，相對濕度0～100%，溫度階梯為18、22、26、30、34℃， LED光源可調范圍為0～1 500μ mol/m2·s。在試驗中，一共進行60組，根據不同梯度溫度和光照對番茄幼苗的光合速率，對幼苗測試，每組試驗可以獲得36個實驗數據，整個試驗形成2 160個光合速率樣本集。

2.3 模型建立的方法

首先，根據試驗測試的數據建立草莓幼苗光合速率模型并求出其目標函數；然后，基于改進魚群算法建立光合速率模型，實現設定葉室小環境模式下的光溫耦合尋優；最后，根據最優解結果建立草莓光環境智能調控管理模型。草莓光環境智能調控管理模型流程圖如圖 1所示。

模型利用多元非線性回歸方法，建立光強度和溫度相結合的草莓光合速率模型，其表達式為

Pn=f(T,D)

(3)

其中，Pn為草莓幼苗的光合速率(μ mol/m2·s)；T為溫度(℃)；D為光強度密度(μmol/m2·s)。

圖1 草莓光環境智能調控管理模型流程

模型建立時，在16～36℃溫度范圍中，首先要設定特定求優溫度點，然后根據測量值建立尋優的溫度樣本集。溫度樣本集表達式為

T=(T1,T2,…,Tl)

(4)

Tl=18+2(m-1)

(5)

其中，l為1～9區間內的整數。在此基礎上，以尋優溫度樣本集建立的模型，然后根據試驗需要設定不用溫度梯度進行幼苗光合速率測定，從而建立豐富的尋優目標函數，其表示式為

Fm=f(Tm,D)

(6)

本文以尋優溫度樣本集，建立草莓光合速率模型，然后提出了基于改進魚群算法的光環境智能調控優化算法，從而完成各溫度梯度下光合速率目標函數最優值的求解問題。由于常規魚群算法在覓食、聚群、追尾和隨機等行為中，容易受到Step和visual的影響，visual值越大，該算法全局搜索和收斂效果越好，反之，局部搜索能力越強；另外，Step越大，則收斂越快，反之，則收斂越慢，尋優精度值越高。因此，本文通過對步長Step和視野范圍visual的動態調整，實現對常規魚群算法的改進，使尋優速度和精度同時達到最優值。

在設定固定溫度點求最優光合速率目標值過程中，目標函數為區域位置的食物狀態。模型首先隨機生成人工魚群，其個體狀態為X= (xi, x2,…, xi,…, xn)，xi為待求解的光強度密度D；然后利用特定溫度點的尋優目標函數作為尋優食物濃度Y，根據Ym=Fm計算食物狀態并完成評價，不符合要求時，則改進并繼續尋優。

在特定溫度點求最優目標值的過程中，改進魚群算法的視野和步長滿足方程式

(7)

其中，v和st分別為當前改進魚群算法的視野和步長；vi-1和st-1分別為前次改進魚群算法的視野和步長；vmin和smin分別為視野和步長的最小值；a為智能調節系數。由式(7)可以看出：在視野和步長初始值確定的情況下，其大小由智能調節系數決定。因此，視野和步長的變化步調相同，且都與a有關，本文中a的調節函數為

a=exp[-30(t/T)s]

(8)

其中，t和T分別為當前和最大迭代次數；s為變化速率，是區間[0,10]上的整數。a的取值由s決定，s取[0,10]之間不同值時，a的變化曲線如圖2所示。

由圖2可知：s取值越大，改進魚群算法前期全局搜索所占時間越長，中期比重先增大后減小，后期進行精細搜索的比重下降趨勢明顯。另外，由于草莓光環境模型呈單峰函數特征，全局收斂效果明顯，在尋找最優值的過程中，s應取較小值，以降低全局搜索所占時間，提高后面局部搜索精度，提高搜索的整體效率。在選取s值進行試驗中，發現s為1時尋優效果最好，且能避免振蕩現象，因此在本文的研究中，變化速率選取1。

圖2 s取不同值時，a的變化曲線

本文采用預處理和非線性回歸辦法，建立草莓幼苗光合速率模型并求出其目標函數，并基于改進魚群算法建立光合速率模型進行最優值選取。模型通過調節溫度和光飽和點，建立草莓光環境智能調控管理模型，實現溫度和光飽和點的動態獲取。

3 實驗結果分析

3.1 草莓光合作用優化管理模型

根據上文光環境尋優結果分析結果，可以求出光飽和點和溫度變化之間的對應關系。不同溫度環境草莓幼苗光飽和點如圖3所示。

圖3 不同溫度環境草莓幼苗光飽和點

由圖3可以看出：當大棚環境溫度在18～22℃左右時，草莓幼苗光飽和點隨溫度快速升高；當溫度升至22～30℃之間時，光飽和點隨溫度上升而下降。該變化說明，在適當的溫度環境下，植物光合速率和光飽和點都會隨溫度變化而變化。其原因是溫度變化直接影響草莓幼苗的氣孔導通度，對草莓幼苗的光合能力具有抑制作用，從而引起作物光飽和點與光合作用規律相同。根據上面的分析，以大棚環境問溫度T為自變量，草莓幼苗光子通量密度PFD為因變量，可以建立草莓光環境智能調控管理模型，其可以表示為

(9)

式(9)可實現常溫光飽和點的獲取。曲線擬合系數為0.999。表明草莓光環境智能調控管理模型擬合效果比較好。

3.2 草莓光環境智能調控管理模型的驗證

為了驗證草莓光環境智能調控管理模型的可行性，本文對光飽和點采集數據值與該模型擬合結果進行對比。驗證試驗利用異校驗辦法，在設定葉室小環境及二氧化碳濃度為280μL/L的條件下，采用北京益康農生產的ECA-PB0402光合測定儀，在溫度梯度溫度階梯為18、22、26、30、34℃的情況下測定植物光飽和點的實際值。同時，利用光環境智能調控管理模型計算得到相同數量的光飽和點模擬值，將模擬值與試驗測得的實際值進行對比分析，觀察兩者之間的關聯性。模擬值與實際值的對比分析如圖4所示。

圖4 模擬值與實際值的對比分析

由圖4可以看出：試驗測得的光飽和點實際值與模型計算值之間的決定系數為0.918，擬合曲線斜率為1.009。因此，可以說明，兩者之間關聯性非常高，兩者最大相對誤差在6%以內，也表明草莓光環境智能調控管理模型可獲取不同溫度環境下植物的準確光飽和點，且精度值較高。

4 結論

采用非線性回歸方法，提出了基于改進魚群算法的草莓光環境智能調控管理模型。模型通過自動調整魚群個體視野和步長狀態，平衡了該算法全局和局部收斂的差異，大大提高了該算法全局尋優性能和搜索精度，并能夠實現溫度梯度環境下植物光飽和值精確尋優。模型計算值與實測值對比表明：兩者之間關聯性非常高，兩者最大相對誤差在6%以內，該模型可獲取不同溫度環境下植物的光飽和點，且精度值較高，能夠較好地滿足光合速率調控需要，對大棚光環境精準調控具有重要意義。

[1] 胡瑾,樊宏攀,張海輝,等.基于無線傳感器網絡的溫室光環境調控系統設計[J].農業工程學報,2014(5): 160-167.

[2] 胡瑾,何東健,任靜,等.基于遺傳算法的番茄幼苗光合作用優化調控模型[J].農業工程學報,2014(17): 220-227.

[3] 張蕓莉.連棟大棚草莓套種葡萄高效栽培技術[J].現代農業科技,2015(10):86,92.

[4] 王明亮,閔新力,薛君志.基于改進人工魚群算法的WSN覆蓋優化策略[J].微電子學與計算機,2015(6): 78-81.

[5] 劉凌子,周永權.一種基于人工魚群和文化算法的新型混合全局優化算法[J].計算機應用研究,2009(12):4446-4448.

[6] 黃華娟,周永權.改進型人工魚群算法及復雜函數全局優化方法[J].廣西師范大學學報：自然科學版, 2008(1):194-197.

[7] 王曄,吳小俊,王士同,等.基于改進人工魚群算法的RBF網絡及其在人臉表情識別中的應用[J].計算機應用研究,2008(9):2643-2646.

[8] 劉白,周永權.基于遺傳算法的人工魚群優化算法[J].計算機工程與設計,2008(22):5827-5829.

[9] 王聯國.人工魚群算法及其應用研究[D].蘭州：蘭州理工大學,2009.

[10] 李尚鍵.應用改進的人工魚群算法求解混合流水車間調度問題[D].重慶：重慶大學,2013.

[11] 李會,張天麗,陶佰睿,等.動態分組方案的自適應人工魚群算法[J].計算機工程與應用,2013(8):58-62.

[12] 趙貴喜,王巖,于冰,等.基于人工魚群聚類的雷達信號分選算法[J].雷達科學與技術,2013(4):375-378.

[13] 張秋亮.魚群算法在配電網規劃中的應用研究[D].北京：華北電力大學,2008.

[14] 袁遠.基于改進人工魚群算法的配電網無功優化[D].南京：南京理工大學,2008.

[15] 呂盼.基于離散人工魚群算法的輸電網優化規劃研究[D].長春：東北電力大學,2009.

[16] 曾科翰.基于混合人工免疫優化算法的機構運動鏈同構識別研究[D].鎮江：江蘇大學,2009.

[17] 都偉杰.基于改進魚群與粒子群混合算法的機組優化組合研究[D]. 南京：南京理工大學,2009.

[18] 陳祥生.人工魚群算法在聚類問題中的應用研究[D].合肥：安徽大學,2010.

[19] 蔡蕓,周立煒.人工魚群算法在孔群加工路徑優化中的應用研究[J].武漢科技大學學報,2011(3):182-185.

[20] 唐雪琴,徐宗昌,甘旭升,等.基于改進人工魚群算法的WNN優化設計[J]. 現代防御技術,2012(1): 166-170.

[21] 張梅鳳,邵誠,甘勇,等.基于變異算子與模擬退火混合的人工魚群優化算法[J].電子學報,2006(8): 1381-1385.

[22] 劉丁,張新雨,陳亞軍.基于多目標人工魚群算法的硅單晶直徑檢測圖像閾值分割方法[J].自動化學報,2016(3):431-442.

[23] 胡瑾,閆柯,何東健,等.基于改進型魚群算法的番茄光環境調控目標值模型[J].農業機械學報,2016(1):260-265.

[24] 劉翔.基于光溫耦合的設施光環境檢測與智能調控系統設計[D].楊凌：西北農林科技大學,2015.

[25] 董吉林,李亞靈,溫祥珍.溫室光環境模擬模型及結構參數設計系統[J].山西農業大學學報：自然科學版,2003(3):252-255.

[26] 張穎.基于改進魚群算法的BP神經網絡優化研究[D].廣州：華南理工大學,2012.

[27] 樊宏攀.基于多因子耦合的光環境調控系統研究與設計[D].楊凌：西北農林科技大學,2014.

Intelligent Control Management Model of Strawberry Light Environment Based on Improved Fish Swarm Algorithm

Zhao Yu

(Jiangsu Food & Pharmaceutical Science College,Huai’an 223003,China)

It has a significant relationship btween strawberry yield and quality and their photosynthetic efficiency. And light crop photosynthetic efficiency is mainly decided by the environmental temperature and photon flux densit. It must decide for crop light environment intelligent control development in order to achieve in different environment temperature measurement light saturation point values. It is proposed the nonlinear regression method based on improved artificial fish swarm algorithm. Through the automatic adjustment of the fish individual field of vision and the step of state, the strawberry ambient light intelligent control management model can improve the algorithm global search ability and search accuracy, and achieve different environment temperature plants under light saturation value of accurate optimization. The experimental results show that the correlation between the calculated and measured values is very high, the maximum relative error is less than 6%, and the accuracy is higher, which can meet the needs of the photosynthetic rate control.

photosynthesis; fish swarm algorithm; strawberry; light environment; intelligent control

2016-04-15

江蘇省十二五規劃項目(D/2011/03/044)

趙 瑜(1982-)，女，江蘇泰州人，講師，碩士，(E-mail)zhy08981025@sina.com。

S126

A

1003-188X(2017)07-0184-05