本發(fā)明涉及智慧農(nóng)業(yè)，具體來(lái)說(shuō)是多目標(biāo)協(xié)同優(yōu)化的水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控方法。

背景技術(shù)：

1、如圖2所示，水培蔬菜是現(xiàn)代農(nóng)業(yè)中重要的蔬菜栽培方式之一。在水培系統(tǒng)中，營(yíng)養(yǎng)液濃度過(guò)低或過(guò)高均會(huì)導(dǎo)致植株生長(zhǎng)受限，所以適宜營(yíng)養(yǎng)液濃度對(duì)植物生長(zhǎng)很關(guān)鍵。然而，植物不同生長(zhǎng)期內(nèi)對(duì)營(yíng)養(yǎng)液濃度需求差異不同。生長(zhǎng)前期低營(yíng)養(yǎng)液濃度可滿足植株生長(zhǎng)，生長(zhǎng)中期和后期較高營(yíng)養(yǎng)液濃度能夠顯著提高生菜的產(chǎn)量。所以營(yíng)養(yǎng)液時(shí)序動(dòng)態(tài)調(diào)控對(duì)水培綠色蔬菜的可持續(xù)發(fā)展具有重要意義。

2、群體光合速率準(zhǔn)確反映了植物的生長(zhǎng)狀況，而群體水分利用效率代表了水培植物的生產(chǎn)力，兩者都受到動(dòng)態(tài)營(yíng)養(yǎng)液濃度的顯著影響。然而，兩者存在矛盾，不能同時(shí)達(dá)到最大值。植物增加氣孔開度提高光合速率時(shí)，會(huì)使加速蒸騰速率，從而降低水分利用效率；減少氣孔開度提高水分利用效率，又會(huì)因二氧化碳供應(yīng)減少抑制光合速率。因此，解決這一問(wèn)題的關(guān)鍵是平衡和協(xié)調(diào)兩個(gè)目標(biāo)，通過(guò)多目標(biāo)協(xié)同優(yōu)化方法獲得群體光合速率和群體水分利用效率的最優(yōu)平衡解。

3、多目標(biāo)進(jìn)化算法作為復(fù)雜系統(tǒng)優(yōu)化的范式工具，通過(guò)仿生算子（選擇、交叉、變異）的協(xié)同演化機(jī)制，在非凸、高維目標(biāo)空間中實(shí)現(xiàn)帕累托前沿的全局逼近。非支配排序多目標(biāo)遺傳算法作為典型代表，通過(guò)雙重機(jī)制協(xié)同作用：基于帕累托支配關(guān)系的分層篩選架構(gòu)，采用快速非支配排序建立解的支配等級(jí)，結(jié)合精英保留策略加速種群收斂；引入動(dòng)態(tài)擁擠度距離算子，維持種群分布均勻性，有效克服傳統(tǒng)算法在復(fù)雜前沿面的多樣性退化問(wèn)題。目前，雖然chen采用多目標(biāo)優(yōu)化算法對(duì)水培植物的光合速率與光能利用率進(jìn)行了探索，但其忽視了水培作物生長(zhǎng)最基本的營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控機(jī)制以及群體尺度效應(yīng)。

4、因此，如何實(shí)現(xiàn)水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控已經(jīng)成為急需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中難以確定與環(huán)境交互的水培作物時(shí)序動(dòng)態(tài)生長(zhǎng)所需的最佳營(yíng)養(yǎng)液濃度方案的缺陷，提供一種多目標(biāo)協(xié)同優(yōu)化的水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控方法來(lái)解決上述問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

3、一種多目標(biāo)協(xié)同優(yōu)化的水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控方法，包括以下步驟：

4、構(gòu)建時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型；

5、構(gòu)建多目標(biāo)優(yōu)化模型；

6、求解多目標(biāo)優(yōu)化模型的帕累托解集；

7、構(gòu)建營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型：選擇帕累托解集中的膝點(diǎn)最優(yōu)平衡解，采用多項(xiàng)式回歸算法構(gòu)建營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型；

8、時(shí)序動(dòng)態(tài)調(diào)控水培生菜營(yíng)養(yǎng)液濃度：將營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型嵌入水培智能監(jiān)測(cè)調(diào)控系統(tǒng)，對(duì)水培生菜全生長(zhǎng)周期內(nèi)的營(yíng)養(yǎng)液濃度進(jìn)行動(dòng)態(tài)調(diào)控。

9、所述構(gòu)建時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型包括以下步驟：

10、采用群體光合速率測(cè)量?jī)x分別獲取水培生菜全生長(zhǎng)周期內(nèi)的不同營(yíng)養(yǎng)液濃度下的群體光合速率數(shù)據(jù)集和群體水分利用效率數(shù)據(jù)集；

11、采用最小-最大歸一化，將數(shù)據(jù)線性映射到[0，1]區(qū)間，公式如下：

12、，

13、，

14、，

15、，

16、其中，、、、分別為原始的栽培時(shí)間、營(yíng)養(yǎng)液濃度、群體光合速率、群體水分利用效率數(shù)據(jù)，、、、分別為歸一化后的栽培時(shí)間、營(yíng)養(yǎng)液濃度、群體光合速率、群體水分利用效率數(shù)據(jù)；

17、將群體光合速率數(shù)據(jù)集按8:2的比例劃分為訓(xùn)練集和測(cè)試集，將群體水分利用效率數(shù)據(jù)集按8:2的比例劃分為訓(xùn)練集和測(cè)試集，將群體光合速率數(shù)據(jù)集和群體水分利用效率數(shù)據(jù)集，均以栽培時(shí)間和營(yíng)養(yǎng)液濃度為特征，以群體光合速率、群體水分利用效率為標(biāo)簽；

18、選用徑向基函數(shù)rbf核作為支持向量回歸svr模型的核函數(shù)，為二維輸入向量，為不同于的二維輸入向量，其待優(yōu)化的懲罰系數(shù)c、核參數(shù)γ選用量子遺傳算法qga優(yōu)化，確定種群大小為50，最大迭代次數(shù)為100，量子旋轉(zhuǎn)角為0.08π，參數(shù)范圍c∈[0.05，20]，γ∈[0.0001，10]；以測(cè)試集5折交叉驗(yàn)證的決定系數(shù)作為評(píng)估指標(biāo)，適應(yīng)度函數(shù)，其中是測(cè)試集真實(shí)值，是模型預(yù)測(cè)值，是測(cè)試集真實(shí)值均值；

19、初始化量子種群，待尋優(yōu)的懲罰系數(shù)c、核參數(shù)γ分別用36個(gè)量子比特表示，共72個(gè)量子比特，

20、每個(gè)量子比特初始化為疊加態(tài)，即同時(shí)處于基態(tài)和的線性組合，一個(gè)量子種群由70個(gè)量子個(gè)體組成，每個(gè)個(gè)體由72個(gè)量子比特構(gòu)成，編碼如下：

21、，

22、其中，是一個(gè)量子個(gè)體的狀態(tài)，是第i個(gè)量子比特的狀態(tài)，和是72個(gè)量子比特的復(fù)合量子態(tài)，是量子計(jì)算中的基態(tài)，分別對(duì)應(yīng)經(jīng)典比特的0和1；

23、每個(gè)量子個(gè)體由一個(gè)72位的二進(jìn)制串構(gòu)成，其中，該二進(jìn)制串的前36位經(jīng)解碼后得到c，后36位解碼后得到γ，解碼公式如下：

24、，

25、，

26、其中，、分別表示懲罰系數(shù)c、核參數(shù)γ的二進(jìn)制字符串，、分別表示c、γ二進(jìn)制字符串轉(zhuǎn)換為十進(jìn)制字符串；

27、在群體光合速率數(shù)據(jù)集上，利用解碼所得的c、γ對(duì)支持向量回歸svr模型進(jìn)行訓(xùn)練，使用該模型在上進(jìn)行預(yù)測(cè)，通過(guò)預(yù)測(cè)結(jié)果與真實(shí)值之間的差異計(jì)算適應(yīng)度值，

28、在群體水分利用效率數(shù)據(jù)集上解碼得到的參數(shù)組合訓(xùn)練的模型對(duì)進(jìn)行預(yù)測(cè)，通過(guò)預(yù)測(cè)結(jié)果與真實(shí)值之間的差異計(jì)算適應(yīng)度值；

29、在每一次迭代中，若當(dāng)前個(gè)體適應(yīng)度高于種群平均值，量子態(tài)向最優(yōu)解方向旋轉(zhuǎn)0.08π；否則反向旋轉(zhuǎn)，正向更新公式如下：

30、，

31、其中，是量子比特的疊加態(tài)，是基態(tài)，對(duì)應(yīng)經(jīng)典比特的0和1；

32、最優(yōu)參數(shù)組合的生成：不斷迭代直至達(dá)到最大迭代次數(shù)或適應(yīng)度收斂，此時(shí)所對(duì)應(yīng)的c和γ即為最優(yōu)參數(shù)組合；

33、最優(yōu)參數(shù)構(gòu)建預(yù)測(cè)模型：基于時(shí)序群體光合速率數(shù)據(jù)集和時(shí)序群體水分利用效率數(shù)據(jù)集各自的最優(yōu)參數(shù)構(gòu)建時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型。

34、所述構(gòu)建多目標(biāo)優(yōu)化模型為：將時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型作為目標(biāo)函數(shù)，以植株群體光合速率和群體水分利用效率協(xié)同最優(yōu)為目標(biāo)，以植株栽培天數(shù)和水培營(yíng)養(yǎng)液濃度為約束條件構(gòu)建多目標(biāo)優(yōu)化模型；包括以下步驟：

35、以時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型為目標(biāo)函數(shù)，以群體光合速率和群體水分利用效率協(xié)同最優(yōu)為目標(biāo)，假定植株不同栽培天數(shù)為，其水培營(yíng)養(yǎng)液濃度為，則群體光合速率最大的優(yōu)化目標(biāo)為，群體水分利用效率最優(yōu)的優(yōu)化目標(biāo)為；

36、構(gòu)建多目標(biāo)優(yōu)化模型，如下：

37、目標(biāo)函數(shù)：

38、，

39、約束條件：

40、，

41、其中，為決策變量，是植株不同栽培天數(shù)，是植株不同水培營(yíng)養(yǎng)液濃度；為目標(biāo)函數(shù)，是群體光合速率預(yù)測(cè)模型，是群體水分利用效率預(yù)測(cè)模型，、分別為植株全生長(zhǎng)周期的下限、上限；,分別為植株水培營(yíng)養(yǎng)液濃度栽培的下限、上限。

42、所述求解多目標(biāo)優(yōu)化模型的帕累托解集為：引入均勻分布種群策略，應(yīng)用非支配排序多目標(biāo)遺傳算法對(duì)多目標(biāo)優(yōu)化模型進(jìn)行求解，獲取植株全生長(zhǎng)周期內(nèi)平衡群體光合速率和群體水分利用效率的帕累托解集；包括以下步驟：

43、引入均勻分布種群策略，初始化種群，將生成的佳點(diǎn)集映射到水培營(yíng)養(yǎng)液濃度的實(shí)際范圍，固定栽培天數(shù)，返回每個(gè)個(gè)體的二維目標(biāo)向量；

44、基于群體光合速率預(yù)測(cè)模型和群體水分利用效率預(yù)測(cè)模型計(jì)算當(dāng)前迭代中每個(gè)個(gè)體的群體光合速率aco2和群體水分利用效率wue，將種群中的個(gè)體按照非支配排序進(jìn)行分層后，通過(guò)擁擠度計(jì)算量化同一層級(jí)內(nèi)解的密集程度，優(yōu)先選擇低層級(jí)或擁擠度更大的個(gè)體；

45、采用錦標(biāo)賽選擇策略以篩選優(yōu)質(zhì)個(gè)體進(jìn)入下一代，從種群中隨機(jī)選取兩個(gè)個(gè)體，優(yōu)先選擇非支配層級(jí)更高的個(gè)體，若層級(jí)相同，選擇擁擠度更大的個(gè)體，勝出的個(gè)體作為父代參與交叉和變異；

46、交叉算子設(shè)定為sbx交叉算子，將選中的個(gè)體隨機(jī)配對(duì)后，按照0.85的交叉概率進(jìn)行交叉操作以產(chǎn)生新個(gè)體；變異算子采用多項(xiàng)式變異算子，以0.9的變異概率引入變異，維持種群多樣性，防止種群陷入局部最優(yōu)；

47、應(yīng)用精英策略與種群更新機(jī)制保留歷史優(yōu)質(zhì)解，防止優(yōu)質(zhì)解在進(jìn)化中被淘汰，逼近真實(shí)帕累托前沿；

48、在每一代中，基于非支配排序和擁擠度計(jì)算，采用錦標(biāo)賽選擇策略篩選出適應(yīng)度更優(yōu)的個(gè)體作為父代；對(duì)父代個(gè)體執(zhí)行sbx交叉算子和多項(xiàng)式變異操作，生成子代種群；將父代與子代合并，通過(guò)非支配排序與擁擠度篩選，優(yōu)先保留非支配層級(jí)（f1,?f2,…）中的個(gè)體；重復(fù)上述步驟直至達(dá)到預(yù)設(shè)的最大迭代次數(shù)100次，此時(shí)帕累托解集的收斂性與分布性趨于穩(wěn)定，最終獲取群體光合速率和群體水分利用效率的帕累托解集；

49、離散時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型，在區(qū)間[的栽培天數(shù)上重復(fù)以上步驟求解，獲取時(shí)序的帕累托解集。

50、所述時(shí)序動(dòng)態(tài)調(diào)控水培生菜營(yíng)養(yǎng)液濃度包括以下步驟：

51、采用三次樣條插值方法將不均勻不連續(xù)的時(shí)序帕累托解集變換成均勻連續(xù)分布的時(shí)序解集；

52、由于群體光合速率和群體水分利用效率兩個(gè)目標(biāo)同等重要，即多目標(biāo)優(yōu)化的無(wú)偏好決策問(wèn)題，選擇帕累托解集中具有成本效益性和邊界效用性的膝點(diǎn)，作為群體光合速率和群體水分利用效率兩個(gè)目標(biāo)間客觀協(xié)調(diào)和折中的最優(yōu)平衡解，得到時(shí)序的最優(yōu)平衡解，膝點(diǎn)的公式如下：

53、，

54、其中，a是膝點(diǎn)，o是一個(gè)帕累托解集的解，l是連接兩端端點(diǎn)的弦，d(o,l)是o到l的法線距離；

55、根據(jù)時(shí)序的最優(yōu)平衡解，依據(jù)時(shí)序群體光合速率預(yù)測(cè)模型和群體水分利用效率預(yù)測(cè)模型反映射得到時(shí)序的最佳營(yíng)養(yǎng)液濃度，即營(yíng)養(yǎng)液濃度時(shí)序調(diào)控目標(biāo)值；

56、營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型的構(gòu)建：以栽培天數(shù)為輸入，以營(yíng)養(yǎng)液濃度時(shí)序調(diào)控目標(biāo)值為輸出，采用多項(xiàng)式回歸算法構(gòu)建營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型。

57、所述最優(yōu)參數(shù)構(gòu)建預(yù)測(cè)模型包括以下步驟：

58、基于群體光合速率數(shù)據(jù)集的最優(yōu)參數(shù)懲罰函數(shù)c和核參數(shù)γ，構(gòu)建支持向量回歸svr模型，

59、核函數(shù)選擇采用徑向基函數(shù)核，將最優(yōu)參數(shù)組合c和γ設(shè)置為模型的參數(shù)，輸入歸一化后的訓(xùn)練數(shù)據(jù)，svr模型基于數(shù)據(jù)和參數(shù)，確定最優(yōu)超平面的權(quán)重和偏置，從而擬合輸入特征與群體光合速率之間的非線性關(guān)系，輸出時(shí)序群體光合速率預(yù)測(cè)模型；

60、采用徑向基函數(shù)作為核函數(shù)，將優(yōu)化得到的群體水分利用效率數(shù)據(jù)集的最優(yōu)組合c和γ設(shè)置為svr模型的參數(shù)，輸入歸一化后的訓(xùn)練數(shù)據(jù)，svr模型擬合輸入特征與群體水分利用效率之間的非線性關(guān)系，輸出時(shí)序群體水分利用效率預(yù)測(cè)模型；

61、多次訓(xùn)練時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分效率預(yù)測(cè)模型，并利用5折交叉驗(yàn)證，選擇具有最小平均均方根誤差和最大決定系數(shù)的模型作為最終模型。

62、所述引入均勻分布種群策略如下：

63、由于初始種群隨機(jī)生成導(dǎo)致的分布不均勻性問(wèn)題，引入基于素?cái)?shù)理論的佳點(diǎn)集生成方法，以數(shù)論中的均勻分布特性為理論基底，構(gòu)建具備低偏差特性的優(yōu)質(zhì)初始種群，其于區(qū)間[0,?1)內(nèi)生成種群個(gè)體的數(shù)學(xué)模型如下：

64、，

65、其中，為種群的第k個(gè)個(gè)體，為模1運(yùn)算，將數(shù)值映射到區(qū)間[0,?1)，p為最小質(zhì)數(shù)滿足（p-3）/?2?≥?s，s為空間維度2維，即，n為設(shè)定的種群數(shù)70；

66、將生成的佳點(diǎn)集映射到水培營(yíng)養(yǎng)液濃度的實(shí)際取值范圍；已知水培營(yíng)養(yǎng)液濃度范圍是，線性映射公式為，最終形成的初始種群，其中，k為種群的第k個(gè)個(gè)體。

67、所述將種群中的個(gè)體按照非支配排序進(jìn)行分層后，通過(guò)擁擠度計(jì)算量化同一層級(jí)內(nèi)解的密集程度包括以下步驟：

68、所述將種群中的個(gè)體按照非支配排序進(jìn)行分層后，通過(guò)擁擠度計(jì)算量化同一層級(jí)內(nèi)解的密集程度包括以下步驟：

69、將種群中的個(gè)體按優(yōu)劣關(guān)系分層，找到帕累托最優(yōu)前沿：

70、首先，進(jìn)行支配關(guān)系判斷：對(duì)任意兩個(gè)個(gè)體xu和xv，若xu的兩個(gè)目標(biāo)函數(shù)值均大于或等于xv且至少有一個(gè)目標(biāo)嚴(yán)格更優(yōu)，則判定xu支配xv；

71、其次，進(jìn)行分層排序：為每個(gè)個(gè)體維護(hù)支配數(shù)和支配集合，第1層篩選所有未被任何個(gè)體支配的個(gè)體，即支配數(shù)為零的個(gè)體作為帕累托前沿f1層；

72、對(duì)于當(dāng)前層fw中的個(gè)體，逐一減少其支配集合內(nèi)個(gè)體的支配數(shù)，若某個(gè)體支配數(shù)歸零，則將其歸入下一層級(jí)fw+1；重復(fù)此過(guò)程，直至所有個(gè)體被分配至相應(yīng)層級(jí)；最終，種群被劃分為f1,f2,…,fm的層級(jí)結(jié)構(gòu)，其中f1代表全局最優(yōu)解集，層級(jí)越高解的質(zhì)量越次；

73、引入擁擠度距離量化個(gè)體在目標(biāo)空間中的稀疏性，維持同一層級(jí)內(nèi)解集的分布均勻性；

74、對(duì)當(dāng)前層級(jí)fw中的個(gè)體，分別按每個(gè)目標(biāo)函數(shù)值降序排列，生成排序列表l1、l2；標(biāo)識(shí)每個(gè)目標(biāo)排序列表的極值點(diǎn)，賦予其無(wú)限擁擠度，確保帕累托前沿的覆蓋范圍；對(duì)非邊界個(gè)體，計(jì)算其在每個(gè)目標(biāo)上的相鄰解差值，將差值歸一化以消除量綱差異，個(gè)體的總擁擠度距離為各目標(biāo)歸一化差值之和：

75、，

76、其中，、分別是排序后第i個(gè)個(gè)體的相鄰個(gè)體在第個(gè)目標(biāo)上的值，和分別是當(dāng)前層級(jí)所有個(gè)體在目標(biāo)函數(shù)上的最大值和最小值。

77、所述應(yīng)用精英策略與種群更新機(jī)制包括以下步驟：

78、將n個(gè)體父代種群與n個(gè)體子代種群合并為規(guī)模2n的臨時(shí)種群；

79、對(duì)臨時(shí)種群進(jìn)行非支配排序，將其劃分為層級(jí)序列f1,f2,…,fm，優(yōu)先選擇f1層個(gè)體填充新一代種群，若f1層個(gè)體數(shù)n1≤n，則全部保留，若n1<n，繼續(xù)加入f2層個(gè)體，直至總數(shù)量接近n；

80、當(dāng)某層級(jí)fw的個(gè)體數(shù)超過(guò)剩余容量時(shí)，按擁擠度距離從高到低排序，優(yōu)先選擇分布稀疏的個(gè)體；

81、通過(guò)上述步驟，從合并的2n個(gè)體中篩選出n個(gè)最優(yōu)解，形成新一代種群，繼承了父代的精英解，拓展了子代解集多樣性。

82、所述營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型的構(gòu)建包括以下步驟：

83、將輸入特征擴(kuò)展為b次多項(xiàng)式特征形式，其模型為：

84、

85、其中是多項(xiàng)式第b次項(xiàng)的系數(shù)；

86、將數(shù)據(jù)集劃分為80%訓(xùn)練集和20%測(cè)試集；

87、使用線性回歸模型來(lái)擬合多項(xiàng)式特征，而擴(kuò)展的多項(xiàng)式特征擬合非線性關(guān)系，利用python訓(xùn)練模型學(xué)習(xí)多項(xiàng)式特征的系數(shù)，并在測(cè)試集上進(jìn)行驗(yàn)證，獲取的營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型如下：

88、

89、其中，是栽培時(shí)間，是水培營(yíng)養(yǎng)液濃度。

90、有益效果

91、本發(fā)明的多目標(biāo)協(xié)同優(yōu)化的水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控方法，與現(xiàn)有技術(shù)相比采用非支配排序多目標(biāo)遺傳算法求解時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型的多目標(biāo)問(wèn)題，通過(guò)結(jié)合均勻分布種群策略、非支配排序、擁擠度計(jì)算、精英策略以及種群更新機(jī)制獲取最優(yōu)平衡調(diào)控目標(biāo)值，有效解決了植物時(shí)序生長(zhǎng)的營(yíng)養(yǎng)液濃度動(dòng)態(tài)調(diào)控問(wèn)題。

92、本發(fā)明首先構(gòu)建時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型，在與環(huán)境交互的植物動(dòng)態(tài)生長(zhǎng)過(guò)程中所需營(yíng)養(yǎng)液濃度時(shí)序變化中尋求在有約束條件下達(dá)到群體光合速率和群體水分利用效率協(xié)同最優(yōu)的平衡解。將時(shí)序群體光合速率預(yù)測(cè)模型和時(shí)序群體水分利用效率預(yù)測(cè)模型作為目標(biāo)函數(shù)，通過(guò)非支配排序多目標(biāo)遺傳算法基于快速非支配排序劃分帕累托層級(jí)，耦合擁擠度評(píng)估解集分布密度；通過(guò)錦標(biāo)賽選擇驅(qū)動(dòng)交叉變異生成子代，融合父子種群后分層篩選，保留高收斂性與多樣性的精英解集，動(dòng)態(tài)平衡逼近性與覆蓋性，高效逼近復(fù)雜帕累托前沿。最后，選擇帕累托前沿上的膝點(diǎn)作為最優(yōu)平衡解，構(gòu)建營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型，將其嵌入水培智能監(jiān)測(cè)調(diào)控系統(tǒng)，對(duì)水培生菜全生長(zhǎng)周期內(nèi)的營(yíng)養(yǎng)液濃度進(jìn)行動(dòng)態(tài)調(diào)控。

93、本發(fā)明通過(guò)30天栽培實(shí)驗(yàn)對(duì)水培生菜營(yíng)養(yǎng)液濃度時(shí)序動(dòng)態(tài)調(diào)控方法進(jìn)行驗(yàn)證，設(shè)置了營(yíng)養(yǎng)液濃度時(shí)序調(diào)控模型（模型組）、營(yíng)養(yǎng)液濃度調(diào)控至恒定值（不變組）、營(yíng)養(yǎng)液濃度不進(jìn)行調(diào)控處理（空白組）進(jìn)行對(duì)比分析。結(jié)果表明，模型組的水分利用效率高于對(duì)照組，與不變組和空白組相比分別提高了16.79%和32.86%。模型組中的健康指數(shù)也最高，比不變組提高了9.71%，比空白組提高了12.21%。模型組莖部鮮重顯著高于對(duì)照組，與不變組相比增加30.94%，與空白組相比增加44.91%。模型組莖部干重均高于對(duì)照組，比對(duì)照組增加17.55%，比空白組增加22.99%。實(shí)驗(yàn)表明，采用本發(fā)明的調(diào)控方法栽培的生菜，提高了水分利用效率和植物健康生長(zhǎng)，從而有效促進(jìn)了生菜的經(jīng)濟(jì)產(chǎn)量。