蘭興利，鄒志榮, 宛 金

(西北農林科技大學 園藝學院，陜西 楊凌 712100)

0 引言

在溫室下培育作物的方式在我國已經得到了大面積的推廣，這樣的方式最大的優(yōu)勢就是讓人們在任何季節(jié)都能吃到新鮮的反季節(jié)蔬菜甚至是水果。然而，溫室條件下作物生長環(huán)境的調控需要嚴格地技術支持，這也導致了溫室蔬果的產能遠遠滿足不了人們的實際需求。

正交試驗法非常適合多因素組合試驗尋求最優(yōu)方案的情形。正交試驗方法問世以來備受科研工作者青睞是因為其在減少試驗次數的同時又能保證試驗結果的均勻分布和良好的可靠性。然而，正交試驗法也有其弊端,比如得出的最優(yōu)方案只能是各變量因子在事先所規(guī)定的水平內的線性組合，其量化精度不足。這樣的精度在溫室環(huán)境管控中是不能接受的，因為溫室內環(huán)境控制設備的調節(jié)是連續(xù)進行的，因此各個因子的組合方案理論上是有無數種的，即使是進行全面試驗也不能對所有方案進行試驗驗證。筆者采取的方法是在二次正交試驗的基礎上，根據最終的二次回歸方程對參量因子重新量化編碼后采用改進后的遺傳算法進行參數尋優(yōu)，得到精確度更高的多環(huán)境因子配置方案

1 材料和試驗方法介紹

1.1 材料和試驗地點

試驗地點為溫室，選培的是 “粉提一號”番茄。該品種是西安番茄研究所培育的無限生長型櫻桃番茄。

1.2 試驗設計

采用四因素三水平正交試驗，分別對番茄的苗期、開花座果期和結果期的環(huán)境調控配置方案進行了試驗研究，環(huán)境調控因子選擇的是溫度、光照、濕度和CO2濃度這四個因素。

試驗采用分批育苗，前期在人工氣候箱中育苗。挑選大小均勻、飽滿的番茄種子經浸種催芽后播于 72 孔的塑料穴盤中進行育苗。對苗期、開花坐果期和結果期整個流程的環(huán)境調控因子數據和番茄的生長狀態(tài)數據進行記錄和分析。

1.3 結果期試驗結果展示

首先，設計試驗因素水平和編碼，如表1所示：

表1 試驗因素水平及編碼

接下來，給出環(huán)境因子組合試驗方案，如表2所示：

表2 環(huán)境因子組合試驗方案

1.4 測定指標

由于番茄培育中，生長苗期、開花座果期和結果期的環(huán)境調控配置方案具有差異性。比如，生長苗期、開花座果期對于光合速率、蒸騰速率等指標的要求比較高，測定的時候需要測定番茄植株的地上部鮮重和地下部鮮重，然后根據壯苗指數公式計算出的結果來評估環(huán)境調節(jié)配置方案的優(yōu)良。而結果期，僅僅需要測定果實的產量，就能得到選定的環(huán)境調控配置因子與最終的果實產量之間關系，從而為結果期的番茄培育提供指導。

2 試驗結果展示與建模

各個環(huán)境調控配置方案的產量結果和各水平下的優(yōu)先順序計算分別如表3和表4所示所示：

表3 方案產量結果展示

表4 主次順序計算

按照四因素三水平這樣的試驗方案，最終得到結果期番茄的最優(yōu)培育方案是A2B3C1D2，結果期產量影響的因子主次順序為D、C、A、B。四因素三水平試驗的回歸模型以溫度(X1)、濕度(X2)、光照(X3)和CO2濃度(X4)為自變量，以最終的番茄產量Y為因變量。茄產量Y與環(huán)境調控因子的擬合關系為：

(1)

3 模型優(yōu)化

四因素三水平正交試驗得出的最優(yōu)的環(huán)境因子組合為A2B3C1D2，即通過溫室環(huán)境調控設備的管控，使得結果期的番茄所處環(huán)境的溫度控制在26.4℃、空氣濕度控制在95.6%、光照控制在200(PAR)、CO2濃度控制在1 400 mol·m-2·s-1就能確保該實驗條件下的理論產量最高值，最終的擬合回歸方程也能反映各因子組合與產量的關系。然而，該多因子輸入輸出模型的最大弊端在于溫室內環(huán)境因子的管控精度不高，最終只有數量極其有限的幾個因子組合方案的有效性和優(yōu)異性有理論的支撐。實際中，環(huán)境因子的調節(jié)可以視為連續(xù)的，即因子的方案組合理論上有無數個，因此正交試驗得出的最優(yōu)因子組合方案的精度是不夠的。采用遺傳算法來對正交試驗得出的多因子輸入輸出模型求解，得到精度更好的高產量環(huán)境因子組合方案。

3.1 編碼

編碼采用二進制編碼，見表5。

表5 編碼表

表中n1為每個環(huán)境控制變量因子的編碼位數?？筛鶕O備傳感器的精度和實際環(huán)境管控要求的精度來確定因子編碼的位數。比如文章中溫度因子的水平設計和編碼的跳躍間距為8.40，在筆者的試驗中溫度因子的變化范圍是18～34.8，為了得到更為精切的溫度因子配置方案，這里對溫度因子進行二進制編碼。假設溫室內，環(huán)境管控設備溫度傳感器的最小探測精度為0.1℃，此時設置編碼位數為8，則編碼的精度為16.8/255=0.066，這是滿足精度要求的編碼。

3.2 適應度函數的選擇

四因素三水平正交試驗得出的擬合回歸方程可以表述各個環(huán)境因子間的內在關系，因此筆者選擇正交試驗得出的擬合方程作為遺傳算法尋優(yōu)的適應度方程。

3.3 選擇、交叉、變異機制的設計

(1)選擇操作。種群進行每一次迭代時，選擇操作采用經典“輪盤賭”機制，適應度值高的染色體具有更高的被選擇概率。

(2)交叉操作。進行交叉操作時是以種群中的每個個體為單位，采用單點交叉的方式。先產生一個隨機數，假如則隨機產生一個交叉點，兩兩配對的個體交叉點以后的所有元素進行互換。

(3)變異操作。進行變異操作時是以解空間里的每個元素為單位，先產生一個隨機數，假如則進行變異操作，將原先元素進行“取反”操作即可。

(4)模擬退火操作。每次變異操作之后，需要執(zhí)行模擬退火操作，以此來提高算法的全局搜索能力。在到達冷卻溫度之前，以概率接受新的最優(yōu)解，其中表示新個體適應度值與當前迭代次數內的最優(yōu)解的適應度值之差。

4 仿真試驗

(1)這里設定溫度、濕度和光照輻射的編碼位數為8，CO2濃度因子的編碼位數為10，這樣保證每個因子的量化精度都比較合理。下面給出每一步適應度值和迭代次數的關系圖，如圖1所示：

結果分析:(1)未引入模擬退火時算法收斂性很差，引入模擬退火算法后整體算法的收斂性和搜索效率有了很大幅度的提升。

圖1 搜索效率對比

(2)本次運行的可行最優(yōu)解為溫度因子，濕度因子，光照輻射，CO2濃度因子。此時對應的理論產量是169899.55。

(3)尋優(yōu)的結果相對比較接近正交試驗得出的最優(yōu)的環(huán)境因子組合為，一定程度上也驗證了正交試驗的正確性。

5 結論

筆者針對溫室條件下環(huán)境因子管控的問題進行了一些創(chuàng)新性的研究。首先利用正交試驗得出初步的環(huán)境因子配置方案和擬合方程；隨后利用遺傳算法和相應的改進算法對擬合方程進行參數尋優(yōu)，針對性設計了編碼機制和選擇機制；最后，從尋優(yōu)的結果可以看出采用智能算法得出的解和正交試驗得出的解是不矛盾的，這也驗證了正交試驗的正確性和科學性。另外，智能算法的尋優(yōu)結果反映出結果期的番茄產量保障對CO2濃度的需求程度比正交試驗得出的需求量略高。如何將這一套環(huán)境因子數據分析處理機制和算法融入到實際的溫室設備管控系統(tǒng)中是下一階段的研究內容。