溫室環(huán)境控制方法研究

【摘要】針對溫室環(huán)境控制的重要性，對國內(nèi)外溫室環(huán)境控制的方法進行了研究，分析了溫室控制系統(tǒng)算法的特點。溫室環(huán)境控制的方法主要有：PID，專家系統(tǒng)，模糊控制，神經(jīng)網(wǎng)絡，進化算法等。各種控制算法各有優(yōu)缺點，單一的采用某種控制算法不能滿足溫室環(huán)境控制的精度要求。將多種控制算法交叉與融合的混合控制算法更能滿足現(xiàn)代溫室環(huán)境智能控制的要求或?qū)で笮碌聂敯艨刂菩路椒āＭ瑫r指出了目前溫室環(huán)境控制中存在的問題，并對溫室環(huán)境控制的發(fā)展趨勢進行了展望。

【關鍵詞】溫室；環(huán)境控制；智能控制；遺傳算法

Abstract：Aiming at the importance of environment control technology in greenhouse，this paper summarized the research status on the development of greenhouse environment control methods at home and abroad，and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID，Expert System，F(xiàn)uzzy Control，Neural Network，Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages，the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out，and the development tendency of greenhouse environment control was expected too.

Key words：greenhouse；environmental control；intelligent control；genetic algorithm

1.引言

溫室作物生產(chǎn)是高度集約化的設施農(nóng)業(yè)產(chǎn)業(yè)，在解決我國三農(nóng)問題和提高農(nóng)業(yè)生產(chǎn)效率中的作用越來越突出。目前我國已是世界設施作物栽培第一大國，設施作物栽培面積超過了300萬公頃。但與國外先進水平相比，目前最突出的問題是溫室作物生產(chǎn)的產(chǎn)量低、能耗等生產(chǎn)成本高，因而經(jīng)濟效益較低。

溫室是一個包括作物、設施、環(huán)境、栽培管理措施等諸多因子及其相互作用的復雜系統(tǒng)。如何協(xié)調(diào)這些因子的關系，以最小的投入為溫室作物提供適宜的生長環(huán)境，從而達到高產(chǎn)、優(yōu)質(zhì)、高效和生態(tài)安全的溫室生產(chǎn)目標，一直是國內(nèi)外設施農(nóng)業(yè)領域中研究的重點與熱點問題。

溫室環(huán)境控制即通過對相關的設施（如加熱、通風、CO2施肥、肥水灌溉等設備）對溫室環(huán)境進行自動調(diào)控，獲得作物生長所需的適宜環(huán)境，從而大大提高作物產(chǎn)量與質(zhì)量。因此，溫室環(huán)境控制是解決以上突出問題的核心技術手段之一。本文對目前國內(nèi)外溫室環(huán)境控制的研究進展和成果進行綜述，指出溫室環(huán)境控制中的現(xiàn)存問題和發(fā)展方向。

2.溫室環(huán)境控制研究現(xiàn)狀

溫室環(huán)境控制有3個不同的層次，即人工控制、自動控制和智能控制。3種控制方法在我國的生產(chǎn)生活中均有應用，其中自動控制在現(xiàn)代溫室環(huán)境控制中應用最多，而智能控制具有處理非線性、時變和不確定信息等優(yōu)點，理想的智能控制系統(tǒng)除了滿足一般控制系統(tǒng)的性能要求外，還應具有自學習、自適應、自組織和自結(jié)構(gòu)等功能。現(xiàn)代溫室環(huán)境的智能控制[1]是目前的研究熱點。

2.1 溫室控制技術概況

溫室智能控制系統(tǒng)作為一種資源節(jié)約型的高效農(nóng)業(yè)技術，主要是在計算機綜合控制下，創(chuàng)造適宜于作物生長的環(huán)境，實現(xiàn)優(yōu)質(zhì)、高效、低耗的工業(yè)化規(guī)模生產(chǎn)。要提高測控系統(tǒng)的性能除了硬件系統(tǒng)以外，控制算法也不可缺少。只有采用合理的控制算法，才能使溫室環(huán)境的綜合因子達到最優(yōu)的控制效果，才能使溫室控制系統(tǒng)達到智能化的水平。

目前溫室環(huán)境控制中普遍采用的智能控制方法包括專家控制、模糊控制、神經(jīng)網(wǎng)絡、遺傳算法和混合控制等。其中，混合控制將基于知識和經(jīng)驗的專家系統(tǒng)、基于模糊邏輯推理的模糊控制和基于人工神經(jīng)網(wǎng)絡的神經(jīng)網(wǎng)絡控制等方法交叉并融合，相互優(yōu)勢互補，使智能控制系統(tǒng)性能更理想，成為當今智能控制方面的研究熱點之一。

2.2 控制算法在溫室環(huán)境控制中的應用

溫室環(huán)境控制系統(tǒng)是一個非線性、大滯后、多輸入和多輸出的復雜系統(tǒng)，其問題可以描述為：給定溫室內(nèi)植物在某一時刻生長發(fā)育所需的信息，該信息與控制系統(tǒng)檢測部件所檢測的信息比較，在控制器一定控制算法的決策下，各執(zhí)行機構(gòu)合理動作，創(chuàng)造出溫室內(nèi)植物最適宜的生長發(fā)育環(huán)境，實現(xiàn)優(yōu)質(zhì)、高產(chǎn)、低成本和低能耗的目標。

2.2.1 PID控制算法及應用

PID控制是自動控制中產(chǎn)生最早、應用最廣的一種控制方法，在溫室環(huán)境控制中應用最早。PID調(diào)節(jié)的實質(zhì)是根據(jù)輸入的偏差值，按比例、積分、微分的函數(shù)關系進行運算，將其結(jié)果用于輸出控制。

PID控制適合一些較為簡單的單輸入、單輸出線性系統(tǒng)，它靠控制目標與實際狀態(tài)之間的誤差來確定消除此誤差的控制策略。采用常規(guī)PID控制器，參數(shù)不易在線調(diào)整，容易產(chǎn)生超調(diào)，抗干擾能力差，不能滿足現(xiàn)代溫室環(huán)境參數(shù)監(jiān)控的要求。因此，在溫室實際控制過程中，為了提高系統(tǒng)動態(tài)調(diào)節(jié)品質(zhì)和控制精度，通常對常規(guī)PID控制進行改進。

朱虹通過對歷史溫室環(huán)境數(shù)據(jù)的合理分析，將溫室的溫度控制模型近似為一階慣性加時滯環(huán)節(jié)，基于該溫度近似模型用時間為權誤差積分指標最優(yōu)的參數(shù)自整定公式來整定PID控制器參數(shù)，將整定后的PID控制器應用于溫室控制。余泳昌等研究的改進型PID控制算法在現(xiàn)代溫室參數(shù)控制中進行了應用，其抗干擾能力方面比傳統(tǒng)PID算法有一定的提高，使參數(shù)得到較精確的調(diào)整，使溫室溫度保持在最適宜的范圍。Albert Setiawan等[2]在研究了溫室控制算法PI控制器后，提出了擬微分反饋（PDF）控制方案，實驗結(jié)果表明，PDF的控制效果在性能上（溫室控制過程的靜態(tài)誤差，過渡過程時間，最大超調(diào)量）優(yōu)于PI控制器的性能。但這種控制器的設計還是基于被控對象的數(shù)學模型，把溫室的控制系統(tǒng)對象建模成一階慣性滯后環(huán)節(jié)。這樣對象模型的參數(shù)不同程度上隨溫室內(nèi)空氣流速，光照強度而變化，也隨時間的變化而變化。因此被控對象是一個時變的對象，同時也是若干變量的函數(shù)，要想獲得優(yōu)化控制，創(chuàng)造一個適合作物生長的最佳環(huán)境有一定的難度。因此國內(nèi)外學者目前大多采用智能控制方法對現(xiàn)代溫室環(huán)境進行智能控制，并做了很多的研究，以下是溫室環(huán)境智能方法控制方面的研究工作。

2.2.2 專家系統(tǒng)及應用

專家系統(tǒng)作為一種知識的載體，所表現(xiàn)出來的可靠性、客觀性、永久性及其易于傳播和復制的特性，是人類專家所不及的，因此在處理與解決某些領域問題時具有不可取代的重要作用。在溫室生產(chǎn)中，影響作物生長的有室內(nèi)和室外各種環(huán)境因子，作物和環(huán)境因子之間的關系非常復雜，難以模型化與定量描述。因此，在現(xiàn)代溫室中可以利用專家經(jīng)驗知識建立作物生長參數(shù)與環(huán)境因素之間的關聯(lián)系數(shù)。專家系統(tǒng)是應用人工智能技術，根據(jù)一個或多個專家提供的領域知識進行推理，模擬農(nóng)業(yè)專家做決定的過程來解決那些復雜問題。

專家系統(tǒng)的基本結(jié)構(gòu)由知識庫、推理機、數(shù)據(jù)庫、人機接口、解釋機構(gòu)及知識獲取6部分組成[3]。專家系統(tǒng)善于解決不確定性的、非結(jié)構(gòu)性的問題；它是靠知識和推理來解決問題，是基于知識的智能問題求解系統(tǒng)；它內(nèi)部的知識和推理是相分離的，系統(tǒng)具有很好的靈活性和擴展性；它不僅能回答用戶提出的問題，而且能夠?qū)ψ詈蟮慕Y(jié)論或處理問題的過程做出解釋；它還有自學習能力，能不斷的對自己的知識進行擴充、完善和提煉。沈天飛等在溫室計算機控制系統(tǒng)的基礎上，構(gòu)建了一種專家控制平臺，采用可組態(tài)的規(guī)則庫和推理機制，以溫室作物的生長指標作為依據(jù)，使農(nóng)業(yè)科研人員能通過專家系統(tǒng)軟件平臺建立具體溫室作物的計算機控制專家系統(tǒng)。龍利平等研究的加熱實時專家控制系統(tǒng)，在外溫的強擾動作用下，系統(tǒng)精度控制在0.5℃左右，完全滿足溫室溫度控制的要求。文獻[4]從工程實際出發(fā)，分析了溫室氣候計算機控制系統(tǒng)的要求，系統(tǒng)研究了溫室氣候計算機專家控制系統(tǒng)的設計與實現(xiàn)技術，對于提高溫室氣候的控制質(zhì)量具有重要意義。

2.2.3 模糊控制算法及應用

溫室環(huán)境系統(tǒng)是一個多變量，多耦合，非線性，大滯后的復雜動態(tài)系統(tǒng)，很難建立精確的數(shù)學模型。模糊控制不需要建立被控對象的精確數(shù)學模型，它是通過計算機完成人們用自然語言所描述的控制活動，其控制算法是把各種環(huán)境參數(shù)綜合起來分析考慮，然后進行模糊控制[5]。模糊控制有許多良好的特性，它不需要事先知道對象的數(shù)學模型，具有響應速度快、超調(diào)小、過度時間短等優(yōu)點，比PID控制調(diào)節(jié)速度快、魯棒性好，但模糊控制穩(wěn)態(tài)精度欠佳，只能實現(xiàn)粗略控制。

于海業(yè)等提出一種基于模糊控制算法的溫室分季節(jié)、分時段的變溫管理的控制方法。該系統(tǒng)能夠很好的適應北方溫室科學生產(chǎn)和自動化管理的要求，可滿足溫室作物栽培的需要。胥芳等建立了溫室環(huán)境溫度模糊專家控制系統(tǒng)的MATLAB仿真模型，仿真結(jié)果證明了該溫室環(huán)境溫度模糊控制策略的有效性及合理性。盧佩等采用模糊控制方法，通過建立模糊控制系統(tǒng)模型和對模糊控制器的設計，引入解耦參數(shù)，實現(xiàn)系統(tǒng)的溫濕度解耦控制，提高了溫濕度控制的精度。楊澤林等通過數(shù)據(jù)挖掘，利用采集的溫室內(nèi)、外溫度及室內(nèi)濕度數(shù)據(jù)對溫室狀態(tài)進行分類，提出一種基于各類別中的溫室溫、濕度變化率相關性進行模糊解耦控制。黃力櫟等針對溫室氣候控制方法中溫濕度之間的耦合作用，提出以溫度控制為主、濕度控制為輔的控制策略，并建立兩變量輸入、三變量輸出的控制主回路和補償回路模糊控制系統(tǒng)，從而為溫濕度控制提供了一種行之有效的方法。程昱寧等研究了溫室冬季加熱模式控制，采用Smith預測器先補償?shù)粝到y(tǒng)大的延時，然后在Smith預測器前增加了模糊控制器，實現(xiàn)對溫室的模糊控制。這種控制方式要比簡單的模糊控制方式[6]在動態(tài)性能上有所改善。

2.2.4 神經(jīng)網(wǎng)絡控制算法及應用

神經(jīng)網(wǎng)絡采用黑箱方法能把復雜的系統(tǒng)通過有限的參數(shù)進行表達，具有自組織、自學習、非線性動態(tài)處理等特征，具有聯(lián)想推理和自適應識別能力，不需要建立精確模型。神經(jīng)網(wǎng)絡優(yōu)點是具有靈活性，適用于非線性和非物理數(shù)據(jù)，主要缺點是訓練需要大量多維數(shù)據(jù)集，以減少推斷風險[7]。

采用最常用的BP網(wǎng)絡能對環(huán)境因子達到良好的控制效果。BP網(wǎng)絡基本思想是最小二乘法，它采用梯度搜索技術，使網(wǎng)絡的實際輸出值與期望輸出值的均方差最小。它由輸入層、輸出層和隱含層組成，隱含層可能含有一個或多個，每層由若干神經(jīng)元組成。BP神經(jīng)網(wǎng)絡確實給溫室檢測系統(tǒng)模型的建立帶來了方便，但神經(jīng)網(wǎng)絡是非線性的，進行穩(wěn)定性分析相當困難。

Fathi Fourati等采用遞歸神經(jīng)網(wǎng)絡對溫室進行直接動力學仿真，逆向神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡模型相結(jié)合以使系統(tǒng)的輸出所需數(shù)值，給出仿真結(jié)果對溫室的控制性能進行驗證。R.Linker等建立可靠的溫室環(huán)境和作物響應模型，通過消除不必要的輸入，分別預測溫度和CO2濃度使模型最簡化，利用在小溫室中兩個夏季收集到的數(shù)據(jù)訓練神經(jīng)網(wǎng)絡溫室模型，實現(xiàn)溫室內(nèi)CO2注入和通風之間的平衡，達到了良好的CO2優(yōu)化控制效果。P.M.Ferreira等[8]對混合離散訓練方法和在線學習算法進行了分析，將離線方法應用于在線學習，利用線性非線性結(jié)構(gòu)建立徑向基函數(shù)神經(jīng)網(wǎng)絡，預測溫室溫度。

2.2.5 進化算法及應用

遺傳算法是一種基于自然選擇和群體遺傳機理的搜索算法，它模擬了自然選擇和遺傳過程中的繁殖、交配和變異現(xiàn)象，遺傳算法對復雜的優(yōu)化問題不需要進行復雜的計算，只用遺傳算法的3種算子就能得到最優(yōu)解[9]。它的優(yōu)點在于：通過參數(shù)空間編碼并用隨機選擇的方法引導搜索向更高效的方向發(fā)展，對尋優(yōu)函數(shù)基本無限制；通過目標函數(shù)來計算適配值而不需要其他推導和輔助信息，對問題的依賴性小；采用全局搜索，不易陷入局部最優(yōu)點，更適合復雜大規(guī)模問題優(yōu)化。

同濟大學徐立鴻團隊從97年開始在引進的荷蘭溫室中進行消化吸收其先進方法并針對本國溫室環(huán)境系統(tǒng)特點進行研究工作，先后提出了基于栽培經(jīng)驗和參數(shù)辨識的溫室環(huán)境多因子協(xié)調(diào)控制方法和基于溫室環(huán)境動態(tài)模型和進化計算參數(shù)估計的多因子協(xié)調(diào)控制方法；基于Pareto最優(yōu)的思想，利用多目標遺傳算法對溫室環(huán)境節(jié)能控制方法進行了有益的探討，提出了相容優(yōu)化控制算法；提出了對系統(tǒng)狀態(tài)初值的不確定性魯棒的溫室環(huán)境系統(tǒng)相容優(yōu)化控制方法；提出了基于溫室環(huán)境動態(tài)模型對理想環(huán)境目標和能耗目標進行綜合優(yōu)化控制的新方法等。鄧璐娟等采用多級控制策略，優(yōu)化設定系統(tǒng)目標值來解決溫室環(huán)境系統(tǒng)中多個時間響應常數(shù)相差過大的問題。設定系統(tǒng)優(yōu)化目標值時，白天使植物獲得最大的光合速率，夜間在滿足植物生長和積溫要求的前提下使溫室處在能耗最小的狀態(tài)下運行。構(gòu)建了能量消耗為零（無加熱、無制冷和無機械通風）時計算溫室內(nèi)部溫度的模型，采用遺傳算法對最優(yōu)目標值進行搜索。計算結(jié)果取得了較高的效率又能節(jié)能。Hartmut Pohlheim等利用進化算法來計算溫室系統(tǒng)的最優(yōu)控制狀態(tài)，每隔15-60分鐘綜合模型（短時間尺度模型）檢測一下溫室內(nèi)的溫度、濕度、CO2濃度，在約束條件下利用進化算法來優(yōu)化溫室環(huán)境控制以實現(xiàn)最大利潤。

2.2.6 混合算法

（1）模糊PID控制算法

PID算法簡單，可以實現(xiàn)精細控制，使系統(tǒng)準確跟蹤設定值。模糊控制可充分利用現(xiàn)場和專家的經(jīng)驗，調(diào)節(jié)速度快，魯棒性好，但只能實現(xiàn)粗略控制。對此將PID控制和模糊控制相結(jié)合，互補不足，采用混合模糊PID控制方法，解決溫室環(huán)境調(diào)控中存在的時滯和模糊性問題。溫室系統(tǒng)的延遲問題應該說是調(diào)控中很難處理的問題，任雪玲等運用預測技術解決了延遲問題，采用具有優(yōu)化技術的PI和模糊控制混合技術進行調(diào)節(jié)，解決了粗調(diào)問題和細調(diào)問題。屈毅等針對溫室控制對象存在的大滯后、大慣性等屬性，傳統(tǒng)控制方法的控制效果不甚理想的問題，在溫室控制系統(tǒng)中，引入模糊PID控制方法。該方法能使溫室溫度控制系統(tǒng)根據(jù)季節(jié)的交替，時令的變化，實現(xiàn)優(yōu)化控制，為農(nóng)作物的生長發(fā)育提供合適的溫度環(huán)境。

（2）基于遺傳算法的優(yōu)化模糊控制算法

遺傳算法是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的一種自適應全局優(yōu)化概率搜索算法。GA相比其它優(yōu)化方法能更有效的求解復雜的尋優(yōu)問題，為了解決模糊控制器設計中的困難，很多學者采用GA優(yōu)化模糊控制規(guī)則，采用二進制編碼法對控制規(guī)則進行編碼，從而設計出具有自學習能力的模糊控制器。用GA調(diào)控模糊控制規(guī)則，既避免了GA優(yōu)化過程的早熟現(xiàn)象，又可提高優(yōu)化控制規(guī)則的速度。江蘇大學毛罕平團隊采用遺傳算法優(yōu)化隸屬函數(shù)實現(xiàn)模糊控制器優(yōu)化設計的方法，并將這種優(yōu)化設計的模糊控制器應用于溫室集散控制系統(tǒng)中[10]。

（3）模糊神經(jīng)網(wǎng)絡控制算法

模糊控制與神經(jīng)網(wǎng)絡相結(jié)合是一種新的技術，其主要特點是利用神經(jīng)網(wǎng)絡調(diào)整模糊推理系統(tǒng)的隸屬度函數(shù)和推理規(guī)則，利用模糊推理規(guī)則的形式構(gòu)造前向傳播結(jié)構(gòu)。另外，兩者具有各自特性的互補性，神經(jīng)網(wǎng)絡完成的是從輸入到輸出的“黑箱”式非線性映射，但不具備象模糊控制那樣因果規(guī)律以及模糊邏輯推理較強的知識表達能力。將兩者有機地結(jié)合起來，神經(jīng)網(wǎng)絡強大的學習能力則可避免模糊控制規(guī)則和隸屬函數(shù)的主觀性，從而提高模糊控制的置信度，能更好的適應溫室系統(tǒng)的非線性和時變特性。李紅軍等利用模糊神經(jīng)網(wǎng)絡控制器調(diào)節(jié)溫室的溫度因子，采用遺傳算法優(yōu)化高斯隸屬函數(shù)的中心值和閾寬，用BP算法優(yōu)化網(wǎng)絡權值，提高了控制器的學習和調(diào)整能力。

2.2.7 其它方法的應用

Rodr’guez F.等采用分層控制法對溫室作物生長進行控制，并進行了試驗研究。第一個試驗用自適應和反饋算法控制溫室顯示出良好的性能，第二個試驗通過模型預測控制算法控制執(zhí)行機構(gòu)以獲得良好的跟蹤性能同時減小燃料消耗費用。J.P.Coelho等提出用粒子群優(yōu)化算法設計基于模型的溫室空氣溫度預測控制器，并與用遺傳算法和逐步二次規(guī)劃算法設計的控制器進行了比較，仿真結(jié)果顯示用粒子群優(yōu)化算法設計的基于模型的溫室空氣溫度預測控制器效率更高。劉東利等采用神經(jīng)網(wǎng)絡模糊PID算法對溫室內(nèi)溫度進行控制，取得了較好的動靜態(tài)特性、魯棒性和抗干擾能力。沈敏等考慮開關設備組合作用下溫室測控系統(tǒng)的非線性動態(tài)特性，提出結(jié)構(gòu)簡單、不需復雜數(shù)值計算的離散預測模型，對設備組合進行滾動優(yōu)化預測控制，大大簡化溫室測控系統(tǒng)預測控制算法的復雜性，緩解了測控系統(tǒng)分布大時滯問題。Tetsuo Morimoto等提出基于作物生長需求（Speaking Plant Approach），以及預測環(huán)境模型（PEM）方法來調(diào)控溫室環(huán)境。這種做法[11]早在1980就提出了。只是當時的智能控制這一技術還沒引起農(nóng)業(yè)界的高度重視。隨著科學技術的發(fā)展，現(xiàn)在基于神經(jīng)網(wǎng)絡，專家系統(tǒng)控制，模糊控制等技術使得基于SPA或PEM模型的溫室調(diào)控成為可能。

3.存在的主要問題

各種控制算法各有優(yōu)缺點，單一的采用某種控制算法，不能滿足溫室環(huán)境控制的精度要求。如模糊控制響應速度快、超調(diào)小、過渡時間短，但穩(wěn)態(tài)精度欠佳，只能實現(xiàn)粗略控制。神經(jīng)網(wǎng)絡確實給溫室系統(tǒng)模型的建立帶來了方便，但神經(jīng)網(wǎng)絡是非線性的，進行穩(wěn)定性分析相當困難。

國內(nèi)有效的溫室環(huán)境輸入輸出動態(tài)模型成果不多，并且在作物生長對溫室環(huán)境反饋作用的方面研究的還不深入，所采用的模型在很大程度上進行了簡化和近似，由于溫室系統(tǒng)的復雜性以及存在的不確定性等因素，大大影響了實際中的控制效果，此外控制方法也是針對系統(tǒng)的部分特點難點有效，綜合控制效果并不明顯。

目前國內(nèi)溫室環(huán)境控制主要針對溫度和濕度的控制進行研究，溫室環(huán)境調(diào)控指標含糊，控制精度低，不能做到多環(huán)境因子綜合控制。另外，國內(nèi)外越來越重視對能源的節(jié)約，但是在節(jié)約能源的具體實現(xiàn)方法上還有待進一步研究。

4.展望

通過對目前國內(nèi)外溫室環(huán)境控制的研究現(xiàn)狀進行分析，提出了今后溫室環(huán)境控制系統(tǒng)的發(fā)展方向：

控制算法集成。由于現(xiàn)代溫室環(huán)境控制系統(tǒng)是一個非線性、大滯后、多輸入和多輸出的復雜系統(tǒng)，單一的控制算法很難滿足現(xiàn)代溫室環(huán)境智能控制的要求，將多種智能控制算法集成，能進一步提高智能控制系統(tǒng)的性能，有效地為溫室內(nèi)作物創(chuàng)造最適宜的生長發(fā)育環(huán)境。

深入研究作物對溫室環(huán)境的反饋作用機制，建立面向控制的適合我國溫室的多環(huán)境因子綜合環(huán)境控制輸入輸出動態(tài)模型。

進一步研究環(huán)境控制目標間沖突問題（如溫度和濕度，CO2施肥的影響），環(huán)境控制精度和能耗目標沖突問題，對環(huán)境因子綜合控制，并實現(xiàn)節(jié)能。

總之，未來的溫室環(huán)境控制系統(tǒng)必將越來越以植物生長的最適宜環(huán)境為中心，以高效、節(jié)能為目標，大大促進設施農(nóng)業(yè)的全面發(fā)展。

參考文獻

[1]李錫文，楊明金，楊仁全.現(xiàn)代溫室環(huán)境智能控制的發(fā)展現(xiàn)狀及展望[J].農(nóng)機化研究，2008（4）：9-13.

[2]Albert Setiawan，Louis D.A.，Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture，2000，26（3）：283-302.

[3]李軍，鄒志榮，程瑞鋒等.農(nóng)業(yè)專家系統(tǒng)及其在園藝業(yè)中的研究與應用[J].陜西農(nóng)業(yè)科學，2002（11）：22-25.

[4]鄭秀蓮.現(xiàn)代溫室氣候的專家控制系統(tǒng)[J].機電工程， 2003，20（3）：42-45.

[5]藍淑淵，璩柏青.自尋優(yōu)模糊控制器及其在溫室溫控中的應用[J].計算機時代，2005（10）：20-21.

[6]朱偉興，毛罕平，李萍萍等.基于模糊控制的溫室加熱器的研究[J].農(nóng)業(yè)工程學報，2002（3）：72-75.

[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture，1997，18：167-186.

[8]索興梅，王崇桃.人工神經(jīng)網(wǎng)絡在農(nóng)業(yè)中的應用研究[J].計算機與農(nóng)業(yè)，2002（2）：6-7.

[9]任雪玲.溫室環(huán)境多因子協(xié)調(diào)控制方法研究[D].上海：同濟大學，2001.

[10]朱偉興，毛罕平，李萍萍等.遺傳優(yōu)化模糊控制器在溫室控制系統(tǒng)中的應用[J].農(nóng)業(yè)機械學報，2002，33（3）：76-78.

[11]Tetsuo Morimoto，Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture，2000，29（1-2）：3-20.

基金項目：國家自然科學基金項目（項目編號：61174090）。

作者簡介：聶海強（1984—），男，山東人，從事多目標優(yōu)化與控制的研究。