CN115907366A - 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 - Google Patents
一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 Download PDFInfo
- Publication number
- CN115907366A CN115907366A CN202211429798.2A CN202211429798A CN115907366A CN 115907366 A CN115907366 A CN 115907366A CN 202211429798 A CN202211429798 A CN 202211429798A CN 115907366 A CN115907366 A CN 115907366A
- Authority
- CN
- China
- Prior art keywords
- flamingo
- algorithm
- environment
- agricultural product
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000070023 Phoenicopterus roseus Species 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 241000287127 Passeridae Species 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 48
- 239000010410 layer Substances 0.000 claims description 39
- 239000002689 soil Substances 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 27
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 239000001569 carbon dioxide Substances 0.000 claims description 21
- 238000005286 illumination Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 241000287502 Phoenicopteriformes Species 0.000 claims description 15
- 230000002431 foraging effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000002344 surface layer Substances 0.000 claims description 6
- 238000004321 preservation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 244000062645 predators Species 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 2
- 238000013508 migration Methods 0.000 claims 2
- 230000005012 migration Effects 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 239000000047 product Substances 0.000 description 42
- 238000012546 transfer Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ATRRKUHOCOJYRX-UHFFFAOYSA-N Ammonium bicarbonate Chemical compound [NH4+].OC([O-])=O ATRRKUHOCOJYRX-UHFFFAOYSA-N 0.000 description 1
- 229910000013 Ammonium bicarbonate Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 235000012538 ammonium bicarbonate Nutrition 0.000 description 1
- 239000001099 ammonium carbonate Substances 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003321 atomic absorption spectrophotometry Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 235000012255 calcium oxide Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004255 ion exchange chromatography Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Greenhouses (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于火烈鸟算法的农产品生长环境最优调控方法及设备，包括环境参数收集模块、多参数传感器模块、智能算法调控器、监控报警模块、综合环境参数控制模块，多参数传感器模块收集外部环境参数，环境参数收集模块通过大数据利用基于改进麻雀优化算法的小波神经网络ISSA‑WNN的日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数，智能算法调控器通过火烈鸟算法基于所得到的环境参数进行调控得到适用农产品生长的环境参数。本发明能够对农产品生长环境指标做出响应调整，能满足于多场景下的不同类型农产品的环境需求，对突发动态下的恶劣环境能及时调整响应，保证提供一个农产品平稳的生长环境。
Description
技术领域
本发明属于环境平衡技术领域，具体涉及一种基于火烈鸟算法的农产品生长环境最优调控方法及设备。
背景技术
农产品对生长环境有要求，例如光照强度、二氧化碳、气流速度、土壤湿度等，这些数据又不能通过感官识别出来且对农产品的产量造成影响，只能通过仪器来对生长环境进行检测分析，做出对环境参数的预测，再依据农产品适宜的环境参数做出精确的调控，以达到作物生长的最佳条件，现有仪器虽然能识别出监测出环境参数，但不能满足于多场景下的不同类型农产品的环境需求，想要提高生产效益，就要及时调控农产品的生长环境，则需要了解生长的环境信息，进而对环境内部各种参数进行调整。
现有的农产品的环境调控方法有以下几种：
第一种，通过设计合理的采光角，选用透光高，耐老化的无滴膜，保持棚膜清洁，减少建材的遮荫，同时安装补光灯，每天照射的时间达到3到4个小时，合理把控盖揭草帘的时间，当有太阳直射时揭帘，在太阳即将落山的前0.5小时，温度大概在18℃到25℃时盖帘，该方案缺少对土壤湿度的调控。
第二种，通过原子吸收分光光度法，容量法，气相色谱法，离子色谱法，电化学分析法等对土壤进行分析，施有机肥，改善土壤质量，创造好的保水环境，喷洒土面增温剂或者铺设塑料薄膜，生石灰，通风换气除湿，松土，通过化学方法增加二氧化碳，用稀硫酸和碳酸氢铵化学反应，成本便宜，步骤简单。该方案缺少对气流速度、光照强度的调控，并没有涉及对农产品生长环境平衡的调节。
第一种方案利用多个方法调控光照强度，但未涉及光照强度的监控。第二种方案利用物理化学方法对土壤湿度，二氧化碳含量进行调控，未涉及二氧化碳含量监控以及对农产品本身环境平衡的调节。综上传统的确认最适宜的外部环境参数大多是依靠人工经验确认，存在较大的随机性。
因此需要一种调节设备，既能够监控光照强度、气流速度和二氧化碳的浓度又能启动农产品生长环境调控设备。利用本发明对农产品生产环境进行预测控制，可以使农产品一直生长在其最适环境下，提高农产品的质量与产量，提高经济效益。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于火烈鸟算法的农产品生长环境最优调控方法及设备，能够监控环境内外温度、室外湿度、光照强度、土壤湿度、保温被状态、窗户状态、调控设备状态，结合预测模型从总体上保障农产品的最优生长环境。
技术方案：本发明提供一种基于火烈鸟算法的农产品生长环境最优调控方法，包括如下步骤：
步骤1：实时获取农产品生长环境的外部环境参数，所述外部环境参数包括光照强度、土壤湿度、气流、二氧化碳；
步骤2：利用步骤1获取的相关外部环境参数，建立基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型，所述日光温室温湿度预测模型对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行改进，并加入动态自适应权重，优化算法的全局搜索和局部开发能力，通过所述日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数；
步骤3：利用火烈鸟算法对步骤2中所述日光温室温湿度预测模型进行优化，进一步输出最优的农产品环境生长参数。
进一步地，所述步骤2中改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型构建过程具体如下：
步骤2.1：构建小波小波神经网络WNN，确认小波神经网络的小波基函数、输入层、隐含层和输出层，并更新权值和小波因子；
步骤2.2：采用ISSA算法对WNN网络的权值以及小波因子进行优化，构建ISSA-WNN预测模型；
步骤2.3：对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行映射，改进过程如下所示：
X＝Xlb+(Xub-Xlb)Xk+1
其中，P和X的取值范围在[0，1]之间，Xlb为每个维度的下限；Xub为每个维度的上限；
步骤2.4：加入动态自适应权重，优化算法的全局搜索和局部开发能力，优化步骤如下所示：
其中，ωini为初始权值，ωfin为最终权值，δ是均匀分布在[0，1]之间的随机数。
进一步地，所述步骤2.1中小波小波神经网络WNN具体为：
步骤2.1.1：选取小波基函数，小波基函数公式如下所示：
步骤2.1.2：构建小波神经网络的输入层、隐含层和输出层，隐含层的输出公式如下所示：
其中，wij为输入层与隐含层之间的权重系数，aj为小波基函数的伸缩因子，bj为平移因子，hj为隐含层神经元输出；
步骤2.1.3：输出层构建公式如下所示：
其中，wjk为隐含层与输出层之间的权重系数，该系数会在网络训练过程中不断更新，yk为小波神经网络第k个神经元的输出值；
步骤2.1.4：计算网络误差指标函数，计算函数如下所示：
其中，y′k表示真实值，yk表示小波神经网络预测值，E表示误差指标函数，用来衡量真实值与误差值之间的偏差程度；
步骤2.1.5：计算第d+1次训练后参数需要调整的变化量
以及
计算公式如下所示：
其中，η表示设定的学习速率，E为误差指标函数；
步骤2.1.6：采用误差反向传播算法更新权值以及小波因子，更新公式如下所示：
其中，d代表参数更新当的代数，
以及
表示第d+1次训练后参数需要调整的变化量。
进一步地，所述步骤2.2中采用ISSA算法对WNN网络的权值以及小波因子进行优化，构建ISSA-WNN预测模型的具体步骤如下所示：
步骤2.2.1更新发现者位置：
其中t表示当前迭代数，itermax表示最大迭代次数，Xij表示第i个麻雀在第j维中的位置信息，a是(0，1]之间的一个随机数，R2表示预警值，ST表示安全值，Q是服从正态分布的随机数，L表示一个1×d的矩阵，且该矩阵内的每一个元素都是1；
步骤2.2.2：更新预警者位置：
其中Xp表示目前发现者所占的最优位置，Xworst表示当前全局最差位置，A表示一个1×d的矩阵，且矩阵内每个元素随机赋值为1或者-1，有A+＝AT(AAT)-1；
步骤2.2.3：侦查预警行为位置更新，处于外围的麻雀极其容易受到捕食者的攻击，需要不断调整位置以此来获取更好的位置，位置更新位置如下所示：
其中Xbest表示当前的全局最优位置，β是服从均值为0，方差为1的正太分布的随机数，表示步长控制参数，K表示[0，1]之间的一个随机数，fi表示当前麻雀个体的适应度，fg和fw分别表示当前全局最佳和最差适应度，ε表示一个极小的常数，避免分别为0的情况。
进一步地，所述步骤3中利用火烈鸟算法对步骤2中所述日光温室温湿度预测模型进行优化的具体操作为：
步骤3.1：初始化参数，将所述日光温室温湿度预测模型所预测到的数值作为输入；
步骤3.2：初始化种群：将种群数量设置为P，最大迭代次数为IterMax，第一部分迁移的火烈鸟比例为MPb；
步骤3.3：找到每个火烈鸟的适应度：并根据火烈鸟个体的适应度值对火烈鸟种群进行排序；低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟，而其他火烈鸟被视为觅食火烈鸟，迭代公式如下式：
MPr＝rand[0，1]×P×(1-MPb)
其中MPr为第r次迭代的数量；
步骤3.4：更新迁徙火烈鸟和觅食火烈鸟位置，更新公式如下：
其中，
表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置，
在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置，G2和G1遵循标准正态分布的随机数，范围是[-1，1]；ε1、ε2是个[-1，1]的随机数，主要是增加火烈鸟觅食的搜索范围，量化个体选择的差异；K是一个随机数，遵循卡方分布，它被用来增加火烈鸟觅食范围的大小，模拟自然界中个体选择的机会，提高其全局择优能力；
其中，ω＝N(0，n)是一个具有n个自由度的高斯随机数，它用于增加火烈鸟迁徙过程中的搜索空间，模拟火烈鸟在特定迁徙过程中个体行为的随机性；
步骤3.5：检查是否有超出边界的火烈鸟，最大范围公式定义为：
Lmax＝|G1×xbj+ε×xij|
其中，Lmax表示最大范围，ε表示[-1，1]的随机数，G1是遵循标准正态分布的随机数；
步骤3.6：如果达到最大迭代次数，则转至步骤3.7；否则，转至步骤3.2；
步骤3.7：输出得到最佳农产品环境生长参数；
步骤3.8：引入惯性权重因子，平衡全局搜索与局部搜索之间的关系，惯性权重因子的公式如下所示：
其中，t表示当前迭代次数，MaxNumber表示最大迭代次数，rmin表示惯性权重的最小值，rmax表示惯性权重的最大值，β表示对数偏离系数，betarnd()是服从贝塔分布产生的(0，1)之间的非对称随机数；
步骤3.9：加入惯性权重后，位置更新公式如下所示：
本发明还公开一种基于火烈鸟算法的农产品生长环境最优调控设备，包括环境参数收集模块、多参数传感器模块、智能算法调控器、综合环境参数控制模块；所述多参数传感器模块包括光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器；
多参数传感器模块收集外部环境参数，并将数值提供综合环境控制模块进行控制；环境参数收集模块通过大数据利用基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数，所述智能算法调控器中设置有火烈鸟算法，对预测的所述外部环境参数进行优化，实时、不间断的调控最适应的外部环境参数并将其给到综合环境控制模块实时的控制。
优选地，所述综合环境参数控制模块包括EHMANN调光器、ST-M20加湿器、FB百叶阀、YD-350KR2二氧化碳调节器，根据所述智能算法调控器所发送的最适应的外部环境参数进行调节光照、调节土壤湿度、调节气流、调节CO2浓度。
优选地，还包括监控报警模块，所述光照强度传感器、气流传感器、二氧化碳传感器多点安装，所述土壤湿度传感器在土壤表层、表层以下多点安装；且所述监控报警模块实时采集多参数传感器模块收集的外部环境参数，根据光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器预设的阈值，当其各项指标数据超过预设阈值时发出警报。
有益效果：
1、本发明所提出农产品生长环境温湿度预测模型涉及多个影响因子，作物光合作用及蒸腾作用、灌溉状况、室内温度、通风情况，二氧化碳含量等因素都会对温室内温湿度造成影响。温室外部气象环境因素会在一定程度上影响温室内温湿度的变化。日光温室具有良好的保温与保湿特性，温室内的温度和湿度的变化趋势同室外天气状况、气象条件等因素有着较为明显的相关性。能够对农产品生长环境指标做出响应调整，能满足于多场景下的不同类型农产品的环境需求，当光照强度传感器的数据、土壤湿度传感器的湿度数据、二氧化碳传感器的浓度数据超过预设值时，发出警报并作出响应，可以对突发动态下的恶劣环境能及时调整响应，保证提供一个农产品平稳的生长环境。
2、本发明还利用智能算法调控器优化平衡环境参数指标，结合ISSA-WNN的日光温室温湿度预测模型所得到的下一刻的数据使农产品一直保持在最优的环境指标下生长。考虑到基函数权重和小波因子选取不当会导致WNN网络性能大幅度减低，故本发明采用ISSA算法对WNN网络权重和小波因子进行优化，在保证时间开销较小的同时，得到最优的权重和小波因子。
3、本发明采用的改进火烈鸟算法对后期控制模块的外部环境参数进行优化控制，在原有火烈鸟算法的基础上加入了对数惯性权重因子，不仅可以使火烈鸟算法在前期拥有较强的全局搜索能力，在后期拥有较强开发能力，还能在一定程度上避免算法陷入局部最优。
附图说明
图1为本发明的硬件结构示意图；
图2为本发明预测部分的流程图；
图3为本发明采用的火烈鸟算法流程图；
图4为本发明较传统设备农产品生长速率对比图；
图5为本发明较传统设备农产品存活数柱状对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参见图1，本发明公开了一种基于火烈鸟算法的农产品生长环境最优调控方法，包括如下步骤：
步骤1：实时获取农产品生长环境的外部环境参数，考虑到温室内的温度和湿度的变化趋势同室外天气状况、气象条件等因素有着较为明显的相关性，故选取光照强度、土壤湿度、气流、二氧化碳作为输入，然后输出未来一段时间内环境参数的变化情况，作为接下来智能调控的依据，方便提前对环境参数进行调节。
步骤2：利用步骤1获取的相关外部环境参数，建立基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型，所述日光温室温湿度预测模型对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行改进，并加入动态自适应权重，优化算法的全局搜索和局部开发能力，通过所述日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数。
考虑到基函数权重和小波因子选取不当会导致WNN网络性能大幅度减低，故本发明采用ISSA算法对WNN网络权重和小波因子进行优化，在保证时间开销较小的同时，得到最优的权重和小波因子。
改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型构建过程具体如下：
步骤2.1：构建小波小波神经网络WNN，确认小波神经网络的小波基函数、输入层、隐含层和输出层，并更新权值和小波因子。
步骤2.1.1：选取小波基函数，小波基函数公式如下所示：
步骤2.1.2：构建小波神经网络的输入层、隐含层和输出层，隐含层的输出公式如下所示：
其中，wij为输入层与隐含层之间的权重系数，aj为小波基函数的伸缩因子，bj为平移因子，hj为隐含层神经元输出；
步骤2.1.3：输出层构建公式如下所示：
其中，wjk为隐含层与输出层之间的权重系数，该系数会在网络训练过程中不断更新，yk为小波神经网络第k个神经元的输出值；
步骤2.1.4：计算网络误差指标函数，计算函数如下所示：
其中，y′k表示真实值，yk表示小波神经网络预测值，E表示误差指标函数，用来衡量真实值与误差值之间的偏差程度；
步骤2.1.5：计算第d+1次训练后参数需要调整的变化量
以及
计算公式如下所示：
其中，η表示设定的学习速率，E为误差指标函数；
步骤2.1.6：采用误差反向传播算法更新权值以及小波因子，更新公式如下所示：
其中，d代表参数更新当的代数，
以及
表示第d+1次训练后参数需要调整的变化量。
步骤2.2：采用ISSA算法对WNN网络的权值以及小波因子进行优化，构建ISSA-WNN预测模型。
步骤2.2.1更新发现者位置：
其中t表示当前迭代数，itermax表示最大迭代次数，Xij表示第i个麻雀在第j维中的位置信息，a是(0，1]之间的一个随机数，R2表示预警值，ST表示安全值，Q是服从正态分布的随机数，L表示一个1×d的矩阵，且该矩阵内的每一个元素都是1；
步骤2.2.2：更新预警者位置：
其中Xp表示目前发现者所占的最优位置，Xwost表示当前全局最差位置，A表示一个1×d的矩阵，且矩阵内每个元素随机赋值为1或者-1，有A+＝AT(AAT)-1；
步骤2.2.3：侦查预警行为位置更新，处于外围的麻雀极其容易受到捕食者的攻击，需要不断调整位置以此来获取更好的位置，位置更新位置如下所示：
其中Xbest表示当前的全局最优位置，β是服从均值为0，方差为1的正太分布的随机数，表示步长控制参数，K表示[0，1]之间的一个随机数，fi表示当前麻雀个体的适应度，fg和fw分别表示当前全局最佳和最差适应度，ε表示一个极小的常数，避免分别为0的情况。
步骤2.3：对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行映射，改进过程如下所示：
X＝Xlb+(Xub-Xlb)Xk+1
其中，P和X的取值范围在[0，1]之间，Xlb为每个维度的下限；Xub为每个维度的上限；
步骤2.4：加入动态自适应权重，优化算法的全局搜索和局部开发能力，优化步骤如下所示：
其中，ωini为初始权值，ωfin为最终权值，δ是均匀分布在[0，1]之间的随机数。
步骤3：利用火烈鸟算法对步骤2中所述日光温室温湿度预测模型进行优化，进一步输出最优的农产品环境生长参数。
步骤3.1：初始化参数，将所述日光温室温湿度预测模型所预测到的数值作为输入；
步骤3.2：初始化种群：将种群数量设置为P，最大迭代次数为IterMax，第一部分迁移的火烈鸟比例为MPb；
步骤3.3：找到每个火烈鸟的适应度：并根据火烈鸟个体的适应度值对火烈鸟种群进行排序；低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟，而其他火烈鸟被视为觅食火烈鸟，迭代公式如下式：
MPr＝rand[0，1]×P×(1-MPb)
其中MPr为第r次迭代的数量；
步骤3.4：更新迁徙火烈鸟和觅食火烈鸟位置，更新公式如下：
其中，
表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置，
在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置，G2和G1遵循标准正态分布的随机数，范围是[-1，1]；ε1、ε2是个[-1，1]的随机数，主要是增加火烈鸟觅食的搜索范围，量化个体选择的差异；K是一个随机数，遵循卡方分布，它被用来增加火烈鸟觅食范围的大小，模拟自然界中个体选择的机会，提高其全局择优能力；
其中，ω＝N(0，n)是一个具有n个自由度的高斯随机数，它用于增加火烈鸟迁徙过程中的搜索空间，模拟火烈鸟在特定迁徙过程中个体行为的随机性；
步骤3.5：检查是否有超出边界的火烈鸟，最大范围公式定义为：
Lmax＝|G1×xbj+ε×xij|
其中，Lmax表示最大范围，ε表示[-1，1]的随机数，G1是遵循标准正态分布的随机数；
步骤3.6：如果达到最大迭代次数，则转至步骤3.7；否则，转至步骤3.2；
步骤3.7：输出得到最佳农产品环境生长参数；
步骤3.8：引入惯性权重因子，平衡全局搜索与局部搜索之间的关系，惯性权重因子的公式如下所示：
其中，t表示当前迭代次数，MaxNumber表示最大迭代次数，rmin表示惯性权重的最小值，rmax表示惯性权重的最大值，β表示对数偏离系数，betarnd()是服从贝塔分布产生的(0，1)之间的非对称随机数；
步骤3.9：加入惯性权重后，位置更新公式如下所示：
对于上述的基于火烈鸟算法的农产品生长环境最优调控方法，本发明公开了一种基于火烈鸟算法的农产品生长环境最优调控设备，参见图1，该设备包括环境参数收集模块、多参数传感器模块、智能算法调控器、监控报警模块、综合环境参数控制模块。
多参数传感器模块包括光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器，所述综合环境参数控制模块包括EHMANN调光器、ST-M20加湿器、FB百叶阀、YD-350KR2二氧化碳调节器。
多参数传感器模块收集外部环境参数，并将数值提供综合环境控制模块进行控制；环境参数收集模块通过大数据利用基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数，智能算法调控器中设置有火烈鸟算法，对预测的所述外部环境参数进行优化，实时、不间断的调控最适应的外部环境参数并将其给到综合环境控制模块实时的控制。
综合环境参数控制模块包括EHMANN调光器、ST-M20加湿器、FB百叶阀、YD-350KR2二氧化碳调节器，根据所述智能算法调控器所发送的最适应的外部环境参数进行调节光照、调节土壤湿度、调节气流、调节CO2浓度。
还包括监控报警模块，光照强度传感器、气流传感器、二氧化碳传感器多点安装，土壤湿度传感器在土壤表层、表层以下多点安装；且监控报警模块实时采集多参数传感器模块收集的外部环境参数，根据光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器预设的阈值，当其各项指标数据超过预设阈值时发出警报。
进一步的，ISSA-WNN的日光温室温湿度预测模型所得到的数值是动态的，也就是说，本发明通过预测模型可以得到下一时刻的数据，将每次得到的预测值作为智能算法调控器的输入，利用智能算法调控器中的算法控制模块，提前将调控好下一时刻的参数要求，最大限度的保证农产品保持在最优的生长环境。
通过附图4所示，在本发明与其他调控设备的对比中，前期时段，在本发明的调控与其他调控设备下，农产品的生长速率一致，但本发明所提出的调控设备通过空间多点安装，以及利用火烈鸟算法得到优秀的控制策略，对调控设备进行控制，使得本发明所提出的调控设备相比于其他调控设备有更快的反应速度，同时调控参数相比于其他调控设备也更精准，对于环境调控效果卓越。
通过附图5所示，相比于在其他设备的调控下农产品在春夏秋冬的存活数量，本发明所提出的调控设备由于设备反应速度快、平衡时间短，参数精准，因此相比于传统的环境参数调控设备，农产品在春夏秋冬具有更多的存活数量。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于火烈鸟算法的农产品生长环境最优调控方法，其特征在于，包括如下步骤：
步骤1：实时获取农产品生长环境的外部环境参数，所述外部环境参数包括室外温度、室外湿度、光照强度、土壤湿度、保温被状态、窗户状态、调控设备状态；
步骤2：利用步骤1获取的相关外部环境参数，建立基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型，所述日光温室温湿度预测模型对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行改进，并加入动态自适应权重，优化算法的全局搜索和局部开发能力，通过所述日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数；
步骤3：利用火烈鸟算法对步骤2中所述日光温室温湿度预测模型进行优化，进一步输出最优的农产品环境生长参数。
2.根据权利要求1所述的基于火烈鸟算法的农产品生长环境最优调控方法，其特征在于，所述步骤2中改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型构建过程具体如下：
步骤2.1：构建小波小波神经网络WNN，确认小波神经网络的小波基函数、输入层、隐含层和输出层，并更新权值和小波因子；
步骤2.2：采用ISSA算法对WNN网络的权值以及小波因子进行优化，构建ISSA-WNN预测模型；
步骤2.3：对ISSA优化算法的初始化部分进行改进，引入Piecewise映射对搜索的初始位置进行映射，改进过程如下所示：
X＝Xlb+(Xub-Xlb)Xk+1
其中，P和X的取值范围在[0，1]之间，Xlb为每个维度的下限；Xub为每个维度的上限；
步骤2.4：加入动态自适应权重，优化算法的全局搜索和局部开发能力，优化步骤如下所示：
其中，ωini为初始权值，ωfin为最终权值，δ是均匀分布在[0，1]之间的随机数。
3.根据权利要求2所述的基于火烈鸟算法的农产品生长环境最优调控方法，其特征在于，所述步骤2.1中小波小波神经网络WNN具体为：
步骤2.1.1：选取小波基函数，小波基函数公式如下所示：
步骤2.1.2：构建小波神经网络的输入层、隐含层和输出层，隐含层的输出公式如下所示：
其中，wij为输入层与隐含层之间的权重系数，aj为小波基函数的伸缩因子，bj为平移因子，hj为隐含层神经元输出；
步骤2.1.3：输出层构建公式如下所示：
其中，wjk为隐含层与输出层之间的权重系数，该系数会在网络训练过程中不断更新，yk为小波神经网络第k个神经元的输出值；
步骤2.1.4：计算网络误差指标函数，计算函数如下所示：
其中，y′k表示真实值，yk表示小波神经网络预测值，E表示误差指标函数，用来衡量真实值与误差值之间的偏差程度；
步骤2.1.5：计算第d+1次训练后参数需要调整的变化量
以及
计算公式如下所示：
其中，η表示设定的学习速率，E为误差指标函数；
步骤2.1.6：采用误差反向传播算法更新权值以及小波因子，更新公式如下所示：
其中，d代表参数更新当的代数，
以及
表示第d+1次训练后参数需要调整的变化量。
4.根据权利要求2所述的基于火烈鸟算法的农产品生长环境最优调控方法，其特征在于，所述步骤2.2中采用ISSA算法对WNN网络的权值以及小波因子进行优化，构建ISSA-WNN预测模型的具体步骤如下所示：
步骤2.2.1更新发现者位置：
其中t表示当前迭代数，itermax表示最大迭代次数，Xij表示第i个麻雀在第j维中的位置信息，a是(0，1]之间的一个随机数，R2表示预警值，ST表示安全值，Q是服从正态分布的随机数，L表示一个1×d的矩阵，且该矩阵内的每一个元素都是1；
步骤2.2.2：更新预警者位置：
其中Xp表示目前发现者所占的最优位置，Xworst表示当前全局最差位置，A表示一个1×d的矩阵，且矩阵内每个元素随机赋值为1或者-1，有A+＝AT(AAT)-1；
步骤2.2.3：侦查预警行为位置更新，处于外围的麻雀极其容易受到捕食者的攻击，需要不断调整位置以此来获取更好的位置，位置更新位置如下所示：
其中Xbest表示当前的全局最优位置，β是服从均值为0，方差为1的正太分布的随机数，表示步长控制参数，K表示[0，1]之间的一个随机数，fi表示当前麻雀个体的适应度，fg和fw分别表示当前全局最佳和最差适应度，ε表示一个极小的常数，避免分别为0的情况。
5.根据权利要求1所述的基于火烈鸟算法的农产品生长环境最优调控方法，其特征在于，所述步骤3中利用火烈鸟算法对步骤2中所述日光温室温湿度预测模型进行优化的具体操作为：
步骤3.1：初始化参数，将所述日光温室温湿度预测模型所预测到的数值作为输入；
步骤3.2：初始化种群：将种群数量设置为P，最大迭代次数为IterMax，第一部分迁移的火烈鸟比例为MPb；
步骤3.3：找到每个火烈鸟的适应度：并根据火烈鸟个体的适应度值对火烈鸟种群进行排序；低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟，而其他火烈鸟被视为觅食火烈鸟，迭代公式如下式：
MPt＝rand[0，1]×P×(1-MPb)
其中MPr为第r次迭代的数量；
步骤3.4：更新迁徙火烈鸟和觅食火烈鸟位置，更新公式如下：
其中，
表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置，
在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置，G2和G1遵循标准正态分布的随机数，范围是[-1，1]；ε1、ε2是个[-1，1]的随机数，主要是增加火烈鸟觅食的搜索范围，量化个体选择的差异；K是一个随机数，遵循卡方分布，它被用来增加火烈鸟觅食范围的大小，模拟自然界中个体选择的机会，提高其全局择优能力；
其中，ω＝N(0，n)是一个具有n个自由度的高斯随机数，它用于增加火烈鸟迁徙过程中的搜索空间，模拟火烈鸟在特定迁徙过程中个体行为的随机性；
步骤3.5：检查是否有超出边界的火烈鸟，最大范围公式定义为：
Lmax＝|G1×xbj+ε×xij|
其中，Lmax表示最大范围，ε表示[-1，1]的随机数，G1是遵循标准正态分布的随机数；
步骤3.6：如果达到最大迭代次数，则转至步骤3.7；否则，转至步骤3.2；
步骤3.7：输出得到最佳农产品环境生长参数；
步骤3.8：引入惯性权重因子，平衡全局搜索与局部搜索之间的关系，惯性权重因子的公式如下所示：
其中，t表示当前迭代次数，MaxNumber表示最大迭代次数，rmin表示惯性权重的最小值，rmax表示惯性权重的最大值，β表示对数偏离系数，betarnd()是服从贝塔分布产生的(0，1)之间的非对称随机数；
步骤3.9：加入惯性权重后，位置更新公式如下所示：
6.一种基于火烈鸟算法的农产品生长环境最优调控设备，其特征在于，包括环境参数收集模块、多参数传感器模块、智能算法调控器、综合环境参数控制模块；所述多参数传感器模块包括光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器；
多参数传感器模块收集外部环境参数，并将数值提供综合环境控制模块进行控制；环境参数收集模块通过大数据利用基于改进麻雀优化算法的小波神经网络ISSA-WNN的日光温室温湿度预测模型预测得到适合农产品生长的外部环境参数，所述智能算法调控器中设置有火烈鸟算法，对预测的所述外部环境参数进行优化，实时、不间断的调控最适应的外部环境参数并将其给到综合环境控制模块实时的控制。
7.根据权利要求6所述的基于火烈鸟算法的农产品生长环境最优调控设备，其特征在于，所述综合环境参数控制模块包括EHMANN调光器、ST-M20加湿器、FB百叶阀、YD-350KR2二氧化碳调节器，根据所述智能算法调控器所发送的最适应的外部环境参数进行调节光照、调节土壤湿度、调节气流、调节CO2浓度。
8.根据权利要求6所述的基于火烈鸟算法的农产品生长环境最优调控设备，其特征在于，还包括监控报警模块，所述光照强度传感器、气流传感器、二氧化碳传感器多点安装，所述土壤湿度传感器在土壤表层、表层以下多点安装；且所述监控报警模块实时采集多参数传感器模块收集的外部环境参数，根据光照强度传感器、土壤湿度传感器、气流传感器、二氧化碳传感器预设的阈值，当其各项指标数据超过预设阈值时发出警报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211429798.2A CN115907366B (zh) | 2022-11-15 | 2022-11-15 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211429798.2A CN115907366B (zh) | 2022-11-15 | 2022-11-15 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907366A true CN115907366A (zh) | 2023-04-04 |
| CN115907366B CN115907366B (zh) | 2023-09-22 |
Family
ID=86478844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211429798.2A Active CN115907366B (zh) | 2022-11-15 | 2022-11-15 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907366B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115615498A (zh) * | 2022-11-15 | 2023-01-17 | 淮阴工学院 | 一种基于改进维纳反卷积算法高精度电磁流量计测量方法 |
| CN117151920A (zh) * | 2023-09-15 | 2023-12-01 | 淮阴工学院 | 一种西北地区智能光伏迷迭香种植系统 |
| CN118075032A (zh) * | 2024-04-19 | 2024-05-24 | 湖南天冠电子信息技术有限公司 | 基于人工智能的虚拟局域网安全风险预测方法 |
| CN118068690A (zh) * | 2024-04-25 | 2024-05-24 | 南京农业大学 | 基于改进ssa算法优化的pid转运平台单自由度调平控制系统及方法 |
| CN118192719A (zh) * | 2024-04-01 | 2024-06-14 | 淮阴工学院 | 一种多功能绿色智能大棚系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN110414115A (zh) * | 2019-07-13 | 2019-11-05 | 沈阳农业大学 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
| CN113762603A (zh) * | 2021-08-13 | 2021-12-07 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
| CN114330122A (zh) * | 2021-12-28 | 2022-04-12 | 东北电力大学 | 一种基于机器学习的水轮发电机组大轴轴线调整方法 |
| CN114397043A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 多点温度智能检测系统 |
-
2022
- 2022-11-15 CN CN202211429798.2A patent/CN115907366B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN110414115A (zh) * | 2019-07-13 | 2019-11-05 | 沈阳农业大学 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
| CN113762603A (zh) * | 2021-08-13 | 2021-12-07 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
| CN114397043A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 多点温度智能检测系统 |
| CN114330122A (zh) * | 2021-12-28 | 2022-04-12 | 东北电力大学 | 一种基于机器学习的水轮发电机组大轴轴线调整方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115615498A (zh) * | 2022-11-15 | 2023-01-17 | 淮阴工学院 | 一种基于改进维纳反卷积算法高精度电磁流量计测量方法 |
| CN117151920A (zh) * | 2023-09-15 | 2023-12-01 | 淮阴工学院 | 一种西北地区智能光伏迷迭香种植系统 |
| CN117151920B (zh) * | 2023-09-15 | 2024-07-12 | 淮阴工学院 | 一种西北地区智能光伏迷迭香种植系统 |
| CN118192719A (zh) * | 2024-04-01 | 2024-06-14 | 淮阴工学院 | 一种多功能绿色智能大棚系统 |
| CN118075032A (zh) * | 2024-04-19 | 2024-05-24 | 湖南天冠电子信息技术有限公司 | 基于人工智能的虚拟局域网安全风险预测方法 |
| CN118068690A (zh) * | 2024-04-25 | 2024-05-24 | 南京农业大学 | 基于改进ssa算法优化的pid转运平台单自由度调平控制系统及方法 |
| CN118068690B (zh) * | 2024-04-25 | 2024-08-13 | 南京农业大学 | 基于改进ssa算法优化的pid转运平台单自由度调平控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907366B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115907366B (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
| Stanghellini et al. | A model of humidity and its applications in a greenhouse | |
| CN106842923B (zh) | 基于作物生理和能耗优化的温室环境多因子协调控制方法 | |
| CN105117787B (zh) | 一种温室能耗的模型优化预测方法 | |
| CN106371318B (zh) | 基于合作博弈的设施环境多目标优化控制方法 | |
| CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
| CN112947648B (zh) | 一种农业温室环境预测方法及系统 | |
| US20230144498A1 (en) | Simulation and automated control of physical systems | |
| CN115453868A (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
| CN116185098A (zh) | 用于日光温室的调节控制方法及装置 | |
| CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
| Li et al. | Determining optimal CO2 concentration of greenhouse tomato based on PSO-SVM | |
| CN115796040A (zh) | 一种基于小样本的设施温室温度预测方法 | |
| Körner et al. | An on-line tool for optimising greenhouse crop production | |
| Labidi et al. | Control of relative humidity inside an agricultural greenhouse | |
| CN110073857A (zh) | 一种温室立面通风保温抗风系统及控制方法 | |
| Li et al. | Modeling of natural ventilation using a hierarchical fuzzy control system for a new energy-saving solar greenhouse | |
| Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
| CN110778266B (zh) | 一种牛舍卷帘智能调控方法及系统 | |
| Bot | A validated physical model of greenhouse climate | |
| TWI692736B (zh) | 智能作物生長優化系統 | |
| Oktarina et al. | Solar Powered Greenhouse for Smart Agriculture | |
| Van Henten et al. | Improving the efficiency of greenhouse climate control: an optimal control approach | |
| Wang et al. | Advanced thermal prediction for green roofs: CNN-LSTM model with SSA optimization | |
| JP7437061B2 (ja) | 生育環境予測装置、生育環境制御システムおよび生育環境予測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |