趙 瑜

(江蘇食品藥品職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

?

基于改進(jìn)魚群算法的草莓光環(huán)境智能調(diào)控管理模型

趙 瑜

(江蘇食品藥品職業(yè)技術(shù)學(xué)院，江蘇 淮安 223003)

草莓的產(chǎn)量與質(zhì)量與其光合作用的效率有重大關(guān)系，而作物的光合效率主要由環(huán)境溫度和光子通量密度決定，如何實(shí)現(xiàn)在不同環(huán)境溫度測(cè)量光飽和點(diǎn)值，是農(nóng)作物光環(huán)境智能調(diào)控發(fā)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(jìn)魚群算法的草莓光環(huán)境智能調(diào)控管理模型，通過自動(dòng)調(diào)整魚群個(gè)體視野和步長(zhǎng)狀態(tài)，提高該算法全局尋優(yōu)性能和搜索精度，并實(shí)現(xiàn)不同溫度環(huán)境下植物光飽和值的精確尋優(yōu)。試驗(yàn)結(jié)果表明：模型計(jì)算值與實(shí)測(cè)值關(guān)聯(lián)性非常高，兩者最大相對(duì)誤差在6%以內(nèi)，精度值較高，能夠較好地滿足光合速率調(diào)控需要。

光合作用；魚群算法；草莓；光環(huán)境；智能調(diào)控

0 引言

植物的光合作用是一個(gè)光生物化學(xué)反應(yīng)，其隨著光照強(qiáng)度的增加而加快，當(dāng)作物光照強(qiáng)度很低時(shí)會(huì)抑制植物莖的生長(zhǎng)、減少干物質(zhì)積累、導(dǎo)致植物生長(zhǎng)緩慢等問題，直接影響農(nóng)作物的產(chǎn)量和品質(zhì)。合適的環(huán)境溫度和光強(qiáng)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(diǎn)，從而提高果實(shí)的質(zhì)量和產(chǎn)量。為了實(shí)現(xiàn)在不同環(huán)境溫度測(cè)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(chǔ)，設(shè)計(jì)了基于改進(jìn)魚群算法的光溫尋優(yōu)方式，實(shí)現(xiàn)不同溫度環(huán)境下的光合速率與光飽和點(diǎn)的測(cè)量，從而建立以最大光合速率為目標(biāo)的草莓光環(huán)境智能調(diào)控管理模型。同時(shí)，該模型進(jìn)行相關(guān)試驗(yàn)以及對(duì)試驗(yàn)結(jié)果進(jìn)行分析，證實(shí)模型的準(zhǔn)確性。

1 人工魚群算法概述

人工魚群算法具有3方面特點(diǎn)：①算法初始值不唯一，往往能夠隨機(jī)產(chǎn)生或成為固定值；②算法對(duì)目標(biāo)函數(shù)沒有太高要求，可以進(jìn)行全局尋優(yōu)搜索；③算法可以進(jìn)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(yíng)養(yǎng)成分最高的地方，依據(jù)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(yōu)解，即該算法主要利用魚群中單一個(gè)體的覓食、聚群、追尾等個(gè)體行為，并結(jié)合魚群相互協(xié)作的能力尋找目標(biāo)函數(shù)最優(yōu)解。假設(shè)在某水域中，一人工魚群由N個(gè)個(gè)體組成，其狀態(tài)可表示為

(1)

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

1)隨游行為。隨游行為是指人工魚在規(guī)定區(qū)域內(nèi)隨機(jī)移動(dòng)的過程，是魚群個(gè)體在覓食中一種缺省狀態(tài)。當(dāng)魚群發(fā)現(xiàn)附近水域食物濃度低于其所處位置時(shí)會(huì)采取隨游狀態(tài)，其會(huì)按照式(2)移動(dòng)，移動(dòng)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(jī)數(shù)；Step為個(gè)體移動(dòng)最大步長(zhǎng)；visual為個(gè)體可視范圍。個(gè)體在尋找食物的過程中，其以最小重復(fù)嘗試次數(shù)T-num(T-num為人工魚單次尋找食物最大嘗試值)找到食物時(shí)，為個(gè)體提供了隨機(jī)游動(dòng)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?jìng)€(gè)體Xi在規(guī)定區(qū)域內(nèi)尋找最優(yōu)伙伴Xj的行為，若Yj/nf>δYj(δ為擁擠度因子)，說明最優(yōu)伙伴附近空余空間比較多，則可以向Xj移動(dòng)一步，不然采取覓食行為。

3)聚群行為。聚群行為是指?jìng)€(gè)體在游動(dòng)中為了生存和躲避危害聚集在一起，成為一個(gè)群體 ，魚群聚在一起需要具備分隔、對(duì)準(zhǔn)和內(nèi)聚3個(gè)規(guī)則。假設(shè)人工魚Xi附近伙伴數(shù)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(tài)較優(yōu)，則Xi朝該中心位置前進(jìn)一步；不然，采取覓食行為。

4)覓食行為。覓食行為是指?jìng)€(gè)體朝著食物濃度高區(qū)域的一種移動(dòng)行為。比如，個(gè)體Xi在可視區(qū)域隨機(jī)選擇目標(biāo)對(duì)象Xj，并分別計(jì)算其目標(biāo)函數(shù)值，若Yj比Yi大，則Xi朝著Xj前進(jìn)一步；否則，Xi繼續(xù)在visual區(qū)域內(nèi)尋找Xj，并對(duì)其食物濃度進(jìn)行判斷，反復(fù)嘗試T-num次后，若仍沒有發(fā)現(xiàn)更優(yōu)解，則隨機(jī)前進(jìn)到一新狀態(tài)。

2 智能調(diào)控管理模型建立的材料和方法

2.1 模型試驗(yàn)環(huán)境與材料

為了驗(yàn)證草莓光環(huán)境智能調(diào)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(gè)草莓大棚進(jìn)行了試驗(yàn)。測(cè)試草莓品種為章姬(又稱牛奶草莓)，將優(yōu)良的草莓種子經(jīng)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(duì)育苗圃澆1次透水，然后進(jìn)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?jī)膳苑N，行間距為30cm左右。在試驗(yàn)期，施肥、澆水按草莓常規(guī)種植的方式進(jìn)行，期間不噴施農(nóng)藥。

2.2 試驗(yàn)方法

試驗(yàn)檢測(cè)采用北京益康農(nóng)研發(fā)生產(chǎn)的ECA-PB0402光合測(cè)定儀，主要測(cè)定指標(biāo)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(shè)定葉室小環(huán)境模式下，測(cè)定植物凈光合速率。其中，該儀器工作的環(huán)境溫度范圍為-20～50℃，相對(duì)濕度0～100%，溫度階梯為18、22、26、30、34℃， LED光源可調(diào)范圍為0～1 500μ mol/m2·s。在試驗(yàn)中，一共進(jìn)行60組，根據(jù)不同梯度溫度和光照對(duì)番茄幼苗的光合速率，對(duì)幼苗測(cè)試，每組試驗(yàn)可以獲得36個(gè)實(shí)驗(yàn)數(shù)據(jù)，整個(gè)試驗(yàn)形成2 160個(gè)光合速率樣本集。

2.3 模型建立的方法

首先，根據(jù)試驗(yàn)測(cè)試的數(shù)據(jù)建立草莓幼苗光合速率模型并求出其目標(biāo)函數(shù)；然后，基于改進(jìn)魚群算法建立光合速率模型，實(shí)現(xiàn)設(shè)定葉室小環(huán)境模式下的光溫耦合尋優(yōu)；最后，根據(jù)最優(yōu)解結(jié)果建立草莓光環(huán)境智能調(diào)控管理模型。草莓光環(huán)境智能調(diào)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(qiáng)度和溫度相結(jié)合的草莓光合速率模型，其表達(dá)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(qiáng)度密度(μmol/m2·s)。

圖1 草莓光環(huán)境智能調(diào)控管理模型流程

模型建立時(shí)，在16～36℃溫度范圍中，首先要設(shè)定特定求優(yōu)溫度點(diǎn)，然后根據(jù)測(cè)量值建立尋優(yōu)的溫度樣本集。溫度樣本集表達(dá)式為

T=(T1,T2,…,Tl)

(4)

Tl=18+2(m-1)

(5)

其中，l為1～9區(qū)間內(nèi)的整數(shù)。在此基礎(chǔ)上，以尋優(yōu)溫度樣本集建立的模型，然后根據(jù)試驗(yàn)需要設(shè)定不用溫度梯度進(jìn)行幼苗光合速率測(cè)定，從而建立豐富的尋優(yōu)目標(biāo)函數(shù)，其表示式為

Fm=f(Tm,D)

(6)

本文以尋優(yōu)溫度樣本集，建立草莓光合速率模型，然后提出了基于改進(jìn)魚群算法的光環(huán)境智能調(diào)控優(yōu)化算法，從而完成各溫度梯度下光合速率目標(biāo)函數(shù)最優(yōu)值的求解問題。由于常規(guī)魚群算法在覓食、聚群、追尾和隨機(jī)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(qiáng)；另外，Step越大，則收斂越快，反之，則收斂越慢，尋優(yōu)精度值越高。因此，本文通過對(duì)步長(zhǎng)Step和視野范圍visual的動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)對(duì)常規(guī)魚群算法的改進(jìn)，使尋優(yōu)速度和精度同時(shí)達(dá)到最優(yōu)值。

在設(shè)定固定溫度點(diǎn)求最優(yōu)光合速率目標(biāo)值過程中，目標(biāo)函數(shù)為區(qū)域位置的食物狀態(tài)。模型首先隨機(jī)生成人工魚群，其個(gè)體狀態(tài)為X= (xi, x2,…, xi,…, xn)，xi為待求解的光強(qiáng)度密度D；然后利用特定溫度點(diǎn)的尋優(yōu)目標(biāo)函數(shù)作為尋優(yōu)食物濃度Y，根據(jù)Ym=Fm計(jì)算食物狀態(tài)并完成評(píng)價(jià)，不符合要求時(shí)，則改進(jìn)并繼續(xù)尋優(yōu)。

在特定溫度點(diǎn)求最優(yōu)目標(biāo)值的過程中，改進(jìn)魚群算法的視野和步長(zhǎng)滿足方程式

(7)

其中，v和st分別為當(dāng)前改進(jìn)魚群算法的視野和步長(zhǎng)；vi-1和st-1分別為前次改進(jìn)魚群算法的視野和步長(zhǎng)；vmin和smin分別為視野和步長(zhǎng)的最小值；a為智能調(diào)節(jié)系數(shù)。由式(7)可以看出：在視野和步長(zhǎng)初始值確定的情況下，其大小由智能調(diào)節(jié)系數(shù)決定。因此，視野和步長(zhǎng)的變化步調(diào)相同，且都與a有關(guān)，本文中a的調(diào)節(jié)函數(shù)為

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

(8)

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

由圖2可知：s取值越大，改進(jìn)魚群算法前期全局搜索所占時(shí)間越長(zhǎng)，中期比重先增大后減小，后期進(jìn)行精細(xì)搜索的比重下降趨勢(shì)明顯。另外，由于草莓光環(huán)境模型呈單峰函數(shù)特征，全局收斂效果明顯，在尋找最優(yōu)值的過程中，s應(yīng)取較小值，以降低全局搜索所占時(shí)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(jìn)行試驗(yàn)中，發(fā)現(xiàn)s為1時(shí)尋優(yōu)效果最好，且能避免振蕩現(xiàn)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(shí)，a的變化曲線

本文采用預(yù)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(biāo)函數(shù)，并基于改進(jìn)魚群算法建立光合速率模型進(jìn)行最優(yōu)值選取。模型通過調(diào)節(jié)溫度和光飽和點(diǎn)，建立草莓光環(huán)境智能調(diào)控管理模型，實(shí)現(xiàn)溫度和光飽和點(diǎn)的動(dòng)態(tài)獲取。

3 實(shí)驗(yàn)結(jié)果分析

3.1 草莓光合作用優(yōu)化管理模型

根據(jù)上文光環(huán)境尋優(yōu)結(jié)果分析結(jié)果，可以求出光飽和點(diǎn)和溫度變化之間的對(duì)應(yīng)關(guān)系。不同溫度環(huán)境草莓幼苗光飽和點(diǎn)如圖3所示。

圖3 不同溫度環(huán)境草莓幼苗光飽和點(diǎn)

由圖3可以看出：當(dāng)大棚環(huán)境溫度在18～22℃左右時(shí)，草莓幼苗光飽和點(diǎn)隨溫度快速升高；當(dāng)溫度升至22～30℃之間時(shí)，光飽和點(diǎn)隨溫度上升而下降。該變化說明，在適當(dāng)?shù)臏囟拳h(huán)境下，植物光合速率和光飽和點(diǎn)都會(huì)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(dǎo)通度，對(duì)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(diǎn)與光合作用規(guī)律相同。根據(jù)上面的分析，以大棚環(huán)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(huán)境智能調(diào)控管理模型，其可以表示為

(9)

式(9)可實(shí)現(xiàn)常溫光飽和點(diǎn)的獲取。曲線擬合系數(shù)為0.999。表明草莓光環(huán)境智能調(diào)控管理模型擬合效果比較好。

3.2 草莓光環(huán)境智能調(diào)控管理模型的驗(yàn)證

為了驗(yàn)證草莓光環(huán)境智能調(diào)控管理模型的可行性，本文對(duì)光飽和點(diǎn)采集數(shù)據(jù)值與該模型擬合結(jié)果進(jìn)行對(duì)比。驗(yàn)證試驗(yàn)利用異校驗(yàn)辦法，在設(shè)定葉室小環(huán)境及二氧化碳濃度為280μL/L的條件下，采用北京益康農(nóng)生產(chǎn)的ECA-PB0402光合測(cè)定儀，在溫度梯度溫度階梯為18、22、26、30、34℃的情況下測(cè)定植物光飽和點(diǎn)的實(shí)際值。同時(shí)，利用光環(huán)境智能調(diào)控管理模型計(jì)算得到相同數(shù)量的光飽和點(diǎn)模擬值，將模擬值與試驗(yàn)測(cè)得的實(shí)際值進(jìn)行對(duì)比分析，觀察兩者之間的關(guān)聯(lián)性。模擬值與實(shí)際值的對(duì)比分析如圖4所示。

圖4 模擬值與實(shí)際值的對(duì)比分析

由圖4可以看出：試驗(yàn)測(cè)得的光飽和點(diǎn)實(shí)際值與模型計(jì)算值之間的決定系數(shù)為0.918，擬合曲線斜率為1.009。因此，可以說明，兩者之間關(guān)聯(lián)性非常高，兩者最大相對(duì)誤差在6%以內(nèi)，也表明草莓光環(huán)境智能調(diào)控管理模型可獲取不同溫度環(huán)境下植物的準(zhǔn)確光飽和點(diǎn)，且精度值較高。

4 結(jié)論

采用非線性回歸方法，提出了基于改進(jìn)魚群算法的草莓光環(huán)境智能調(diào)控管理模型。模型通過自動(dòng)調(diào)整魚群個(gè)體視野和步長(zhǎng)狀態(tài)，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(yōu)性能和搜索精度，并能夠?qū)崿F(xiàn)溫度梯度環(huán)境下植物光飽和值精確尋優(yōu)。模型計(jì)算值與實(shí)測(cè)值對(duì)比表明：兩者之間關(guān)聯(lián)性非常高，兩者最大相對(duì)誤差在6%以內(nèi)，該模型可獲取不同溫度環(huán)境下植物的光飽和點(diǎn)，且精度值較高，能夠較好地滿足光合速率調(diào)控需要，對(duì)大棚光環(huán)境精準(zhǔn)調(diào)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(wǎng)絡(luò)的溫室光環(huán)境調(diào)控系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào),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(yōu)化調(diào)控模型[J].農(nóng)業(yè)工程學(xué)報(bào),2014(17): 220-227.

[3] 張蕓莉.連棟大棚草莓套種葡萄高效栽培技術(shù)[J].現(xiàn)代農(nóng)業(yè)科技,2015(10):86,92.

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

[5] 劉凌子,周永權(quán).一種基于人工魚群和文化算法的新型混合全局優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究,2009(12):4446-4448.

[6] 黃華娟,周永權(quán).改進(jìn)型人工魚群算法及復(fù)雜函數(shù)全局優(yōu)化方法[J].廣西師范大學(xué)學(xué)報(bào)：自然科學(xué)版, 2008(1):194-197.

[7] 王曄,吳小俊,王士同,等.基于改進(jìn)人工魚群算法的RBF網(wǎng)絡(luò)及其在人臉表情識(shí)別中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2008(9):2643-2646.

[8] 劉白,周永權(quán).基于遺傳算法的人工魚群優(yōu)化算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2008(22):5827-5829.

[9] 王聯(lián)國(guó).人工魚群算法及其應(yīng)用研究[D].蘭州：蘭州理工大學(xué),2009.

[10] 李尚鍵.應(yīng)用改進(jìn)的人工魚群算法求解混合流水車間調(diào)度問題[D].重慶：重慶大學(xué),2013.

[11] 李會(huì),張?zhí)禧?陶佰睿,等.動(dòng)態(tài)分組方案的自適應(yīng)人工魚群算法[J].計(jì)算機(jī)工程與應(yīng)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(dá)信號(hào)分選算法[J].雷達(dá)科學(xué)與技術(shù),2013(4):375-378.

[13] 張秋亮.魚群算法在配電網(wǎng)規(guī)劃中的應(yīng)用研究[D].北京：華北電力大學(xué),2008.

[14] 袁遠(yuǎn).基于改進(jìn)人工魚群算法的配電網(wǎng)無功優(yōu)化[D].南京：南京理工大學(xué),2008.

[15] 呂盼.基于離散人工魚群算法的輸電網(wǎng)優(yōu)化規(guī)劃研究[D].長(zhǎng)春：東北電力大學(xué),2009.

[16] 曾科翰.基于混合人工免疫優(yōu)化算法的機(jī)構(gòu)運(yùn)動(dòng)鏈同構(gòu)識(shí)別研究[D].鎮(zhèn)江：江蘇大學(xué),2009.

[17] 都偉杰.基于改進(jìn)魚群與粒子群混合算法的機(jī)組優(yōu)化組合研究[D]. 南京：南京理工大學(xué),2009.

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

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

[20] 唐雪琴,徐宗昌,甘旭升,等.基于改進(jìn)人工魚群算法的WNN優(yōu)化設(shè)計(jì)[J]. 現(xiàn)代防御技術(shù),2012(1): 166-170.

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

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

[23] 胡瑾,閆柯,何東健,等.基于改進(jìn)型魚群算法的番茄光環(huán)境調(diào)控目標(biāo)值模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016(1):260-265.

[24] 劉翔.基于光溫耦合的設(shè)施光環(huán)境檢測(cè)與智能調(diào)控系統(tǒng)設(shè)計(jì)[D].楊凌：西北農(nóng)林科技大學(xué),2015.

[25] 董吉林,李亞靈,溫祥珍.溫室光環(huán)境模擬模型及結(jié)構(gòu)參數(shù)設(shè)計(jì)系統(tǒng)[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2003(3):252-255.

[26] 張穎.基于改進(jìn)魚群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D].廣州：華南理工大學(xué),2012.

[27] 樊宏攀.基于多因子耦合的光環(huán)境調(diào)控系統(tǒng)研究與設(shè)計(jì)[D].楊凌：西北農(nóng)林科技大學(xué),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(guī)劃項(xiàng)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