基于改进遗传算法的温室内番茄培育环境因子优化

兰兴利，邹志荣, 宛 金

(西北农林科技大学 园艺学院，陕西 杨凌 712100)

0 引言

在温室下培育作物的方式在我国已经得到了大面积的推广，这样的方式最大的优势就是让人们在任何季节都能吃到新鲜的反季节蔬菜甚至是水果。然而，温室条件下作物生长环境的调控需要严格地技术支持，这也导致了温室蔬果的产能远远满足不了人们的实际需求。

正交试验法非常适合多因素组合试验寻求最优方案的情形。正交试验方法问世以来备受科研工作者青睐是因为其在减少试验次数的同时又能保证试验结果的均匀分布和良好的可靠性。然而，正交试验法也有其弊端,比如得出的最优方案只能是各变量因子在事先所规定的水平内的线性组合，其量化精度不足。这样的精度在温室环境管控中是不能接受的，因为温室内环境控制设备的调节是连续进行的，因此各个因子的组合方案理论上是有无数种的，即使是进行全面试验也不能对所有方案进行试验验证。笔者采取的方法是在二次正交试验的基础上，根据最终的二次回归方程对参量因子重新量化编码后采用改进后的遗传算法进行参数寻优，得到精确度更高的多环境因子配置方案

1 材料和试验方法介绍

1.1 材料和试验地点

试验地点为温室，选培的是 “粉提一号”番茄。该品种是西安番茄研究所培育的无限生长型樱桃番茄。

1.2 试验设计

采用四因素三水平正交试验，分别对番茄的苗期、开花座果期和结果期的环境调控配置方案进行了试验研究，环境调控因子选择的是温度、光照、湿度和CO2浓度这四个因素。

试验采用分批育苗，前期在人工气候箱中育苗。挑选大小均匀、饱满的番茄种子经浸种催芽后播于 72 孔的塑料穴盘中进行育苗。对苗期、开花坐果期和结果期整个流程的环境调控因子数据和番茄的生长状态数据进行记录和分析。

1.3 结果期试验结果展示

首先，设计试验因素水平和编码，如表1所示：

表1 试验因素水平及编码

接下来，给出环境因子组合试验方案，如表2所示：

表2 环境因子组合试验方案

1.4 测定指标

由于番茄培育中，生长苗期、开花座果期和结果期的环境调控配置方案具有差异性。比如，生长苗期、开花座果期对于光合速率、蒸腾速率等指标的要求比较高，测定的时候需要测定番茄植株的地上部鲜重和地下部鲜重，然后根据壮苗指数公式计算出的结果来评估环境调节配置方案的优良。而结果期，仅仅需要测定果实的产量，就能得到选定的环境调控配置因子与最终的果实产量之间关系，从而为结果期的番茄培育提供指导。

2 试验结果展示与建模

各个环境调控配置方案的产量结果和各水平下的优先顺序计算分别如表3和表4所示所示：

表3 方案产量结果展示

表4 主次顺序计算

按照四因素三水平这样的试验方案，最终得到结果期番茄的最优培育方案是A2B3C1D2，结果期产量影响的因子主次顺序为D、C、A、B。四因素三水平试验的回归模型以温度(X1)、湿度(X2)、光照(X3)和CO2浓度(X4)为自变量，以最终的番茄产量Y为因变量。茄产量Y与环境调控因子的拟合关系为：

(1)

3 模型优化

四因素三水平正交试验得出的最优的环境因子组合为A2B3C1D2，即通过温室环境调控设备的管控，使得结果期的番茄所处环境的温度控制在26.4℃、空气湿度控制在95.6%、光照控制在200(PAR)、CO2浓度控制在1 400 mol·m-2·s-1就能确保该实验条件下的理论产量最高值，最终的拟合回归方程也能反映各因子组合与产量的关系。然而，该多因子输入输出模型的最大弊端在于温室内环境因子的管控精度不高，最终只有数量极其有限的几个因子组合方案的有效性和优异性有理论的支撑。实际中，环境因子的调节可以视为连续的，即因子的方案组合理论上有无数个，因此正交试验得出的最优因子组合方案的精度是不够的。采用遗传算法来对正交试验得出的多因子输入输出模型求解，得到精度更好的高产量环境因子组合方案。

3.1 编码

编码采用二进制编码，见表5。

表5 编码表

表中n1为每个环境控制变量因子的编码位数。可根据设备传感器的精度和实际环境管控要求的精度来确定因子编码的位数。比如文章中温度因子的水平设计和编码的跳跃间距为8.40，在笔者的试验中温度因子的变化范围是18～34.8，为了得到更为精切的温度因子配置方案，这里对温度因子进行二进制编码。假设温室内，环境管控设备温度传感器的最小探测精度为0.1℃，此时设置编码位数为8，则编码的精度为16.8/255=0.066，这是满足精度要求的编码。

3.2 适应度函数的选择

四因素三水平正交试验得出的拟合回归方程可以表述各个环境因子间的内在关系，因此笔者选择正交试验得出的拟合方程作为遗传算法寻优的适应度方程。

3.3 选择、交叉、变异机制的设计

(1)选择操作。种群进行每一次迭代时，选择操作采用经典“轮盘赌”机制，适应度值高的染色体具有更高的被选择概率。

(2)交叉操作。进行交叉操作时是以种群中的每个个体为单位，采用单点交叉的方式。先产生一个随机数，假如则随机产生一个交叉点，两两配对的个体交叉点以后的所有元素进行互换。

(3)变异操作。进行变异操作时是以解空间里的每个元素为单位，先产生一个随机数，假如则进行变异操作，将原先元素进行“取反”操作即可。

(4)模拟退火操作。每次变异操作之后，需要执行模拟退火操作，以此来提高算法的全局搜索能力。在到达冷却温度之前，以概率接受新的最优解，其中表示新个体适应度值与当前迭代次数内的最优解的适应度值之差。

4 仿真试验

(1)这里设定温度、湿度和光照辐射的编码位数为8，CO2浓度因子的编码位数为10，这样保证每个因子的量化精度都比较合理。下面给出每一步适应度值和迭代次数的关系图，如图1所示：

结果分析:(1)未引入模拟退火时算法收敛性很差，引入模拟退火算法后整体算法的收敛性和搜索效率有了很大幅度的提升。

图1 搜索效率对比

(2)本次运行的可行最优解为温度因子，湿度因子，光照辐射，CO2浓度因子。此时对应的理论产量是169899.55。

(3)寻优的结果相对比较接近正交试验得出的最优的环境因子组合为，一定程度上也验证了正交试验的正确性。

5 结论

笔者针对温室条件下环境因子管控的问题进行了一些创新性的研究。首先利用正交试验得出初步的环境因子配置方案和拟合方程；随后利用遗传算法和相应的改进算法对拟合方程进行参数寻优，针对性设计了编码机制和选择机制；最后，从寻优的结果可以看出采用智能算法得出的解和正交试验得出的解是不矛盾的，这也验证了正交试验的正确性和科学性。另外，智能算法的寻优结果反映出结果期的番茄产量保障对CO2浓度的需求程度比正交试验得出的需求量略高。如何将这一套环境因子数据分析处理机制和算法融入到实际的温室设备管控系统中是下一阶段的研究内容。