本發(fā)明屬于現(xiàn)代農業(yè)智能補光技術領域，特別涉及一種基于最優(yōu)光質和光子通量密度的需光量實時動態(tài)獲取方法。

背景技術：

光為作物的光合作用提供能量，光子通量密度和光質是影響作物瞬時光合速率的兩個主要方面。其中，光子通量密度直接決定參加作物光合作用的瞬時光量子總量，直接影響作物瞬時光合速率的大??；光質通過調控紅藍光比例對作物不同的生理作用影響著作物的葉面積擴展、干物質積累、莖粗增強、葉綠素含量，間接影響光合速率。因此，光環(huán)境調控不僅為植物光合作用提供充足的能量，也能夠調整植物形態(tài)建成和控制生長過程，對設施環(huán)境的調控尤為重要。

傳統(tǒng)的光環(huán)境調控是閾值調控，這種調控不能滿足根據(jù)外界環(huán)境變化改變調控量，也沒有考慮作物實際需求。胡瑾等在傳統(tǒng)的光環(huán)境調控的基礎上考慮作物在不同溫度下所需要的光照強度的差異，并利用人工智能算法構建了光環(huán)境調控模型，該模型考慮了不同溫度下最優(yōu)的光子通量密度的差異性，但沒有考慮到光質對作物光合作用的影響。在光質調控方面，現(xiàn)有研究主要是分階段定量調控，這種調控方式針對作物不同的生長階段對光質需求的差異性，但沒有考慮到溫度、光質、光子通量密度之間的耦合關系，實現(xiàn)實時動態(tài)調控。因此，選擇基于溫度、光質、光子通量密度等因子的耦合關系構建實時動態(tài)調控作物最優(yōu)光質和最優(yōu)光子通量密度的調控目標模型是實現(xiàn)設施環(huán)境高效調控亟需解決的問題。

由于在建立融合光質和光子通量密度的調控值模型，輸入因子增加由于融合因子的增多、尋優(yōu)問題更復雜、建模過程長，選擇一種快速、準確的建模方法尤其重要。

技術實現(xiàn)要素：

為了克服上述現(xiàn)有技術的缺點，本發(fā)明的目的在于提供一種基于最優(yōu)光質和光子通量密度的需光量實時動態(tài)獲取方法，以溫度、光子通量密度、光質為輸入，作物凈光合速率為輸出，利用ga-grnn神經(jīng)網(wǎng)絡構建光合速率預測模型，以不同溫度下的光合速率為目標函數(shù)，采用量子遺傳算法進行尋優(yōu)，得到最優(yōu)光合速率及其對應的光質和光照強度，采用多元線性回歸擬合得到光環(huán)境的光質調控模型和光照強度調控模型，根據(jù)紅藍光需光量與光質調控模型和光子通量密度的關系得到紅藍光調控量模型，最終實現(xiàn)基于最優(yōu)光質和最優(yōu)光子通量密度的光環(huán)境調控目標值實時動態(tài)獲取。

為了實現(xiàn)上述目的，本發(fā)明采用的技術方案是：

基于最優(yōu)光質和光子通量密度的需光量實時動態(tài)獲取方法，藍光需光量為：par_b(t)＝pi(t)×par(t)，紅光需光量為：par_r(t)＝(1-pi(t))×par(t)，其中，par_b(t)表示不同溫度下的藍光需光量，par_r(t)表示不同溫度下的紅光需光量，pi(t)表示溫度t下最大光合速率對應的最優(yōu)光質即藍光比例值，par(t)表示溫度t下最大光合速率對應的最優(yōu)光子通量密度，通過如下方法獲?。?/p>

首先，以溫度、光質、光子通量密度為輸入，光合速率為輸出，采用ga算法優(yōu)化grnn神經(jīng)網(wǎng)絡的擴展速度，構建ga-grnn光合速率預測模型

其次，設定每個環(huán)境因素的不同步長：溫度作為每次尋優(yōu)固定的環(huán)境量，光質和光子通量密度設定尋優(yōu)區(qū)間；

繼而，通過量子遺傳算法獲得不同溫度下最優(yōu)光合速率以及其對應的光質和光子通量密度；

最后，通過多元回歸方法完成不同溫度下的最優(yōu)光質和光子通量密度的數(shù)據(jù)擬合，生成以溫度為輸入，光質和光子通量密度為輸出的光環(huán)境調控目標值模型pi(t)和par(t)，實現(xiàn)任何溫度下最優(yōu)光質和光子通量密度的動態(tài)獲取。

所述光合速率預測模型用ga-grnn神經(jīng)網(wǎng)絡構建，方法如下：

首先，建立實驗樣本集合，，利用grnn神經(jīng)網(wǎng)絡構建初始的光合速率預測模型；

其次，基于遺傳算法對grnn神經(jīng)網(wǎng)絡的擴展速度進行尋優(yōu)；

最后，將最優(yōu)擴展速度賦給grnn神經(jīng)網(wǎng)絡，構建ga-grnn網(wǎng)絡光合速率預測模型

所述利用grnn神經(jīng)網(wǎng)絡構建初始的光合速率預測模型，網(wǎng)絡結構為：

(1)輸入層

輸入層神經(jīng)元數(shù)直接等于學習樣本中輸入向量的維數(shù)，各個神經(jīng)元是簡單的分布單元，直接將輸入變量傳遞給模式層；

(2)模式層

模式層神經(jīng)元數(shù)等于學習樣本數(shù)目n，各神經(jīng)元對應不同的樣本，模式層神經(jīng)元傳遞函數(shù)為

式中，x為網(wǎng)絡的輸入變量xi為第i個神經(jīng)元對應的學習樣本，σ為光滑因子；

(3)求和層

求和層使用兩種類型的神經(jīng)元進行求和：

第一類是對所有模式層神經(jīng)元的輸出進行算術求和，計算公式為

其模式層與各神經(jīng)元的連接權值為1，其傳遞函數(shù)為

第二類是對所有模式層神經(jīng)元的輸出進行加權求和，計算公式為

模式層中第i個神經(jīng)元與求和層第j個分子求和神經(jīng)元之間的連接權值為第i個輸出樣本yi中的第j個元素，傳遞函數(shù)為

(4)輸出層

輸出層中的神經(jīng)元數(shù)目等于學習樣本中輸出向量的維數(shù)k，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對應估計結果的第j個元素，計算公式為：

所述基于遺傳算法對grnn神經(jīng)網(wǎng)絡的擴展速度進行尋優(yōu)，方法如下：

首先，對grnn神經(jīng)網(wǎng)絡的擴展速度的初始范圍進行二進制串編碼，建立擴展速度的碼串與擴展速度之間的映射關系，為求得使rbf神經(jīng)網(wǎng)絡性能最好的擴展速度，以網(wǎng)絡預測值和實測值的均方誤差函數(shù)的反函數(shù)為適應度函數(shù)，適應度函數(shù)的計算公式為：

式中，f為適應度函數(shù)，pn′d為光合速率的實測值，pn′o為合速率的預測值，p為測試集數(shù)目，選取適應度函數(shù)ranking(obj)，對個體以目標函數(shù)值線性排序分配適應度，如果不滿足網(wǎng)絡停止條件則進行以下操作：

(1)選擇操作

選擇操作以一定的概率選擇優(yōu)良個體形成新的種群，個體被選中的概率與適應度有關；選擇操作基于適應度比例的選擇策略，個體i被選中的概率pi為：式中，fi為個體i的適應度值，n為種群個體的數(shù)目，為所有個體的適應度之和；

(2)交叉操作

交叉操作對操作得到的新種群進行兩兩配對，依據(jù)交叉概率交換部分染色體形成新的個體，影響網(wǎng)絡的收斂速度和精度，交叉概率設置為0.67；

(3)變異操作

變異操是為了維持種群的多樣性，染色體中即二進制序列中某個數(shù)由0突變至1或由1突變至0的操作，序列中每個數(shù)值均有可能進行突變，變異概率設置為0.015；

(4)適應度評價與遺傳迭代

在變異操作之后，對新生成的擴展速度進行適應度評價和遺傳迭代，直至grnn神經(jīng)網(wǎng)絡的擴展速度優(yōu)化，生成優(yōu)化后的擴展速度。

將優(yōu)化后得到的最優(yōu)擴展速度賦值給grnn神經(jīng)網(wǎng)絡，網(wǎng)絡訓練操作如下：首先，隨機選取95％實驗樣本作為訓練集，設網(wǎng)絡輸入為x＝[x1,x2,…,xn]^t，網(wǎng)絡輸出矩陣為y＝[y1,y2,…,yn]^t，進行網(wǎng)絡訓練。通過輸入向量x確定隱含層神經(jīng)元對應的徑向基函數(shù)中心和隱含層神經(jīng)元對應的閾值，計算公式為：

c＝x^t

b1＝[b11,b12,…,b1q]^′

其次，由隱含層神經(jīng)元的徑向基函數(shù)中心和隱含層神經(jīng)元對應的閾值確定隱含層神經(jīng)元的輸出，計算公式為：

ai＝exp(-||c-xi||²bi)

grnn中隱含層與輸出層間的連接權值w取為訓練集輸出矩陣，公式為：

w＝t

最后，輸出神經(jīng)元輸出計算。當隱含層與輸出層神經(jīng)元之間的連接權值確定后，還算出輸出層輸出層神經(jīng)元的輸出，即

yⁱ＝purelin(nⁱ)

基于上述操作，構建的光合速率預測模型，模型公式為

pⁱn＝net(pi,par,t)

式中，pi為光質比例值，par為光子通量密度，t為溫度。

所述設定環(huán)境因素步長為：溫度依次取值ti＝1,2,3,...,12＝[18,19,20,...28,29,30]，光質的尋優(yōu)區(qū)間為[0.10.9]，光子通量密度尋優(yōu)區(qū)間為[501500]。

所述不同溫度下最優(yōu)光合速率通過如下方式獲取：

以不同溫度對應的光合速率預測模型為適應度函數(shù)fⁱ，則

在不同溫度下，在遺傳尋優(yōu)中隨機生成初始種群，計算適應度值完成種群評價，記錄下最優(yōu)個體以及其對應的適應度值，當其種群評價不滿足停止條件，利用旋轉門對個體進行調整，進行適應度評價和遺傳迭代，直至完成尋優(yōu)，得到每個溫度下最大光合速率以及其對應的最優(yōu)光質、光子通量密度。

所述的量子遺傳算法尋優(yōu)過程操作為：

(1)種群進行初始化q(t0)，種群中全部染色體的所有基因(α′i,β′i)都被初始化為表明一個染色體所表示的是全部可能狀態(tài)的等概率疊加公式：

其中，sk為該染色體的第k種狀態(tài)，表現(xiàn)形式為一長度為m的二進制串(x1,x2,…,xm)，其中xi為0或者1；

(2)對初始種群中的個體進行一次測量，以獲得一組確定的解其中，為第t代種群第j個解，表現(xiàn)形式為長度為m的二進制串，其中每一次為0和1，是根據(jù)量子比特的概率，選擇得到的。測量過程為，隨機產(chǎn)生一個[0,1]區(qū)間的數(shù)，如它大于概率幅的平方，則測量結果取值為1，否則測量取值為0，然后，對這組解進行適應度評估，記錄下最佳適應度個體作為下一步演化的目標值；

(3)算化進行循環(huán)迭代的進行，種群的解逐漸向最優(yōu)解收斂。在每一次迭代中，首先對種群進行測量，以獲得一組確定解p(t)，然后計算每個解的適應度值，再根據(jù)當前的演化目標和事前確定的調整策略，利用量子旋轉門對種群中的個體進行調整，獲得更新后的種群，記錄下當前的最優(yōu)解，并與當前的目標值進行比較，如果大于當前目標值，則以新的最優(yōu)解作為下一次迭代的目標值，否則保持當前目標值不變。

所述旋轉門對個體進行調整的操作為：

其更新過程如下：

其中，(αi,βi)^t和(α′i,β′i)^t代表染色體第i個量子比特旋轉門更新前后的概率幅；θi為旋轉角，它的大小和符號由事先設的調整策略確定。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

(1)提出了一種ga-grnn神經(jīng)網(wǎng)絡光合速率預測模型建立方法，利用ga算法優(yōu)化grnn神經(jīng)網(wǎng)絡的擴展速度，克服了grnn神經(jīng)網(wǎng)絡的擴展速度難以選擇的問題，構建的ga-grnn神經(jīng)網(wǎng)絡光合速率預測模型。模型的預測值與實測值相關分析的相關系數(shù)為0.998，直線斜率為0.998，直線截距為0.079，表明ga-grnn神經(jīng)網(wǎng)絡光合速率預測模型可以實現(xiàn)光合速率精準預測。

(2)提出了耦合光質和光子通量密度的光環(huán)境調控目標值模型建立方法，可以實現(xiàn)基于作物最優(yōu)光質和最優(yōu)光子通量密度的紅藍光需光量實時動態(tài)獲取。利用相關分析法驗證模型的性能，決定系數(shù)是0.936，擬合直線斜率是1.012，截距是0.054，結果表明本發(fā)明構建的光環(huán)境調控模型模型精度高。

附圖說明

圖1是本發(fā)明基于最優(yōu)光質和光子通量密度的調控目標值模型動態(tài)獲取流程圖。

圖2是本發(fā)明光合速率預測模型的建模過程。

圖3是本發(fā)明量子遺傳算法流程圖。

圖4是ga-grnn神經(jīng)網(wǎng)絡的均方誤差與進化代數(shù)的進化曲線示意圖。

圖5是ga-grnn神經(jīng)網(wǎng)絡的光合速率預測值和實測值的相關關系分析結果相關性示意圖。

圖6是grnn神經(jīng)網(wǎng)絡的光合速率預測值和實測值的相關關系分析結果相關性示意圖。

圖7是本發(fā)明不同溫度下的最優(yōu)光質曲線圖。

圖8是本發(fā)明不同溫度下的最優(yōu)光子通量密度曲線圖。

圖9是本發(fā)明最大光合速率實測值與預測值的相關分析。

具體實施方式

下面結合附圖和實施例詳細說明本發(fā)明的實施方式。

1、實驗條件

本實施例實驗于2016年11月8日-2016年12月8日在西北農林科技大學北校機械與電子工程學院智能農業(yè)實驗室(北緯34°07'39”，東經(jīng)107°59'50'，海拔648米)進行。選擇供實驗植物品種為黃瓜，品種為“金胚98-1f1”。

將已經(jīng)浸脹的種子在培養(yǎng)皿中進行催芽，待要萌發(fā)時進行低溫處理，2016年10月6日-2016年11月6日每天在50孔(540mm×280mm×50mm)穴盤內采用營養(yǎng)缽育苗一次，育苗基質為農業(yè)育苗專用基質，其營養(yǎng)含量為：有機質質量分數(shù)50％以上，腐殖酸質量分數(shù)20％以上，ph值5.5～6.5。從育苗起，植株一直放于md1400培養(yǎng)箱(荷蘭sinder公司)內培養(yǎng)，培養(yǎng)箱內的光源由紅色(波長630nm)和藍色(波長460nm)燈珠組成。培養(yǎng)箱的溫度設為25℃，相對濕度設為60％，co2設為400μl/l，光周期設為14小時。進行正常的栽培管理，不噴施任何農藥和激素。

光合速率測試實驗采用美國li-cor公司生產(chǎn)的li-6800便攜式光合速率測試儀，測量溫度、co2濃度和光子通量密度(即光強)嵌套下的凈光合速率?？販啬K設定實驗溫度梯度為18、19、20、21、22、23、24、25、26、27、28、29、30℃；led光源模塊設16個光子通量密度，分別為1600、1400、1200、1000、800、600、400、200、100、50、30、20、10、5、0μmol/(m²·s)；紅藍混合led光源將遠紅光源關閉，紅藍光光質比設為0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9，光質比例是指藍光光強占總光子通量密度的比例；利用co2注入模塊設定co2體積比為400μl/l，水分控制模塊相對濕度設為60％。隨機選取具有2葉1心、生長健康、長勢一致、苗齡一致的黃瓜幼苗為測量對象，測量位置選擇黃瓜幼苗的功能葉。為避免植物午休現(xiàn)象對實驗結果的影響，測量時間選擇每天8:30-11:30和14:30-17:30；為減少實驗數(shù)據(jù)的偶然性，每組實驗條件均重復3次計算平均值，剔除由于環(huán)境波動造成的誤差數(shù)據(jù)。得到以溫度、光質、光子通量密度為自變量，凈光合速率為因變量，容量為1350的實驗樣本集。

2、融合光質、光子通量密度的光環(huán)境調控模型建立

2.1基于ga-grnn神經(jīng)網(wǎng)絡構建光合速率預測模型

grnn神經(jīng)網(wǎng)絡能夠以任意精度逼近任意連續(xù)函數(shù)作為一種四層前向型網(wǎng)絡，分別為輸入層，模式層，求和層和輸出層。由于擴展速度是影響grnn神經(jīng)網(wǎng)絡的主要因素，利用多種智能算法融合成為grnn神經(jīng)網(wǎng)絡優(yōu)化建模的關鍵。其基本思想是首先利用具有全局能力強的智能尋優(yōu)算法完成對grnn神經(jīng)網(wǎng)絡的擴展速度進行確定，繼而以此擴展速度完成神經(jīng)網(wǎng)絡模型構建。

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的隨機搜索算法，具有全局優(yōu)化能力強、自適應強和通用性強等優(yōu)點，能實現(xiàn)大范圍內全局最優(yōu)解鄰域的快速獲取，因此將遺傳算法與grnn神經(jīng)網(wǎng)絡相結合，構建的遺傳算法優(yōu)化grnn神經(jīng)網(wǎng)絡的擴展速度，進而構建ga-grnn神經(jīng)網(wǎng)絡。

本發(fā)明選擇用ga-grnn神經(jīng)網(wǎng)絡完成光合模型構建。首先建立實驗樣本集合grnn網(wǎng)絡結構構建；其次基于遺傳算法進行grnn神經(jīng)網(wǎng)絡的擴展速度；最后完成最優(yōu)擴展速度賦給grnn神經(jīng)網(wǎng)絡構建ga-grnn網(wǎng)絡光合速率預測模型，建模流程如圖2所示。

2.1.1grnn神經(jīng)網(wǎng)絡模型結構

利用grnn神經(jīng)網(wǎng)絡構建初始的光合速率預測模型，網(wǎng)絡結構為：

(1)輸入層

輸入層神經(jīng)元數(shù)直接等于學習樣本中輸入向量的維數(shù)，各個神經(jīng)元是簡單的分布單元，直接將輸入變量傳遞給模式層；

(2)模式層

模式層神經(jīng)元數(shù)等于學習樣本數(shù)目n，各神經(jīng)元對應不同的樣本，模式層神經(jīng)元傳遞函數(shù)為

式中，x為網(wǎng)絡的輸入變量xi為第i個神經(jīng)元對應的學習樣本，σ為光滑因子；

(3)求和層

求和層使用兩種類型的神經(jīng)元進行求和：

第一類是對所有模式層神經(jīng)元的輸出進行算術求和，計算公式為

其模式層與各神經(jīng)元的連接權值為1，其傳遞函數(shù)為

第二類是對所有模式層神經(jīng)元的輸出進行加權求和，計算公式為

模式層中第i個神經(jīng)元與求和層第j個分子求和神經(jīng)元之間的連接權值為第i個輸出樣本yi中的第j個元素，傳遞函數(shù)為

(4)輸出層

輸出層中的神經(jīng)元數(shù)目等于學習樣本中輸出向量的維數(shù)k，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對應估計結果的第j個元素，計算公式為：

2.1.2基于ga算法的grnn神經(jīng)網(wǎng)絡尋優(yōu)

基于上述網(wǎng)絡，本發(fā)明基于遺傳算法對grnn神經(jīng)網(wǎng)絡的擴展速度進行尋優(yōu)。首先，對grnn神經(jīng)網(wǎng)絡的擴展速度的初始范圍進行二進制串編碼，建立擴展速度的碼串與擴展速度之間的的映射關系，為求得使grnn神經(jīng)網(wǎng)絡性能最好的擴展速度，以網(wǎng)絡預測值和實測值的均方誤差函數(shù)的反函數(shù)為適應度函數(shù)，適應度函數(shù)的計算公式為：

式中：pn′d—光合速率的實測值；pn′o—光合速率的預測值；p—測試集數(shù)目。

選取適應度計算函數(shù)ranking(obj)，對個體以目標函數(shù)值線性排序分配適應度，如果不滿足網(wǎng)絡停止條件則要進行以下操作：

(1)選擇操作。選擇操作以一定的概率選擇優(yōu)良個體形成新的種群，個體被選中的概率與適應度有關。本發(fā)明用基于適應度比例的選擇策略，故個體i被選中的概率pi為：

式中：fi—個體i的適應度值；n—種群個體的數(shù)目；—所有個體的適應度之和。

(2)交叉操作。交叉操作對操作得到的新種群進行兩兩配對，依據(jù)交叉概率交換部分染色體形成新的個體，影響網(wǎng)絡的收斂速度和精度。經(jīng)多次試探將交叉概率設置為0.67。

(3)變異操作。變異操是為了維持種群的多樣性，染色體中即二進制序列中某個數(shù)由0突變至1或有1突變至0的操作，序列中每個數(shù)值均有可能進行突變，本發(fā)明最適的變異概率為0.015。

(4)適應度評價與遺傳迭代。在變異操作之后，對新生成的擴展速度進行適應度評價和遺傳迭代，直至網(wǎng)絡grnn神經(jīng)網(wǎng)絡的擴展速度優(yōu)化，生成優(yōu)化后的擴展速度。

將優(yōu)化后得到的最優(yōu)擴展速度賦值給grnn神經(jīng)網(wǎng)絡。網(wǎng)絡訓練操作如下：首先，隨機選取95％實驗樣本作為訓練集，設網(wǎng)絡輸入為x＝[x1,x2,…,xn]^t，網(wǎng)絡輸出矩陣為y＝[y1,y2,…,yn]^t，進行網(wǎng)絡訓練。通過輸入向量x確定隱含層神經(jīng)元對應的徑向基函數(shù)中心和隱含層神經(jīng)元對應的閾值，計算公式為：

c＝x^t(9)

b1＝[b11,b12,…,b1q]′(11)

式中s—徑向基函數(shù)的擴展速度

q—訓練集樣本數(shù)

其次，由隱含層神經(jīng)元的徑向基函數(shù)中心和隱含層神經(jīng)元對應的閾值確定隱含層神經(jīng)元的輸出，計算公式為：

ai＝exp(-||c-xi||²bi)(12)

式中xi—第i個訓練樣本向量

bi—隱含層神經(jīng)元對應的閾值

grnn中隱含層與輸出層間的連接權值w取為訓練集輸出矩陣，公式為：

w＝t(13)

最后，輸出神經(jīng)元輸出計算。當隱含層與輸出層神經(jīng)元之間的連接權值確定后，還算出輸出層輸出層神經(jīng)元的輸出，即

yⁱ＝purelin(nⁱ)(15)

基于上述操作，構建的光合速率預測模型，模型公式為

pⁱn＝net(pi,par,t)(16)

式中，pi為光質比例值，par為光子通量密度，t為溫度。

2.2建立調控目標值模型

2.2.1量子遺傳算法

量子遺傳算法是量子計算與遺傳算法相結合的產(chǎn)物，是一種新發(fā)展起來的概率進化算法。將量子的態(tài)矢量并表達引入遺傳編碼，利用染色體的量子邏輯門實現(xiàn)染色體的演化，從而實現(xiàn)目標的優(yōu)化求解。

(1)量子比特編碼

在量子遺傳算法中，采用量子比特存儲和表達一個基因。該基因可以為“0”態(tài)和“1”態(tài)，或者“0”態(tài)和“1”態(tài)之間的任意疊加態(tài)。該基因所表達的不再是某一確定的信息，而是包括所有可能的信息。

在量子計算機中，充當信息存儲單元的物理介質中的一個雙態(tài)量子系統(tǒng)，稱為量子比特。量子比特與經(jīng)典位不同就在于它可以同時處在量子態(tài)的疊加態(tài)采用量子比特編碼使得一個染色體可以同時表達多個態(tài)的疊加，使得量子遺傳算法比經(jīng)典遺傳算法擁有更好的多樣性.

(2)量子遺傳算法尋優(yōu)流程

首先，種群進行初始化q(t0)，種群中全部染色體的所有基因(α′i,β′i)都被初始化為表明一個染色體所表示的是全部可能狀態(tài)的等概率疊加公式：

其中，sk為該染色體的第k種狀態(tài)，表現(xiàn)形式為一長度為m的二進制串(x1,x2,…,xm)，其中xi為0或者1。

其次，對初始種群中的個體進行一次測量，以獲得一組確定的解其中，為第t代種群第j個解，表現(xiàn)形式為長度為m的二進制串，其中每一次為0和1，是根據(jù)量子比特的概率，選擇得到的。測量過程為，隨機產(chǎn)生一個[0,1]區(qū)間的數(shù)，如它大于概率幅的平方，則測量結果取值為1，否則測量取值為0。然后，對這組解進行適應度評估，記錄下最佳適應度個體作為下一步演化的目標值。

最后，算化進行循環(huán)迭代的進行，種群的解逐漸向最優(yōu)解收斂。在每一次迭代中，先對種群進行測量，以獲得一組確定解p(t)，然后計算每個解的適應度值，再根據(jù)當前的演化目標和事前確定的調整策略，利用量子旋轉門對種群中的個體進行調整，獲得更新后的種群，記錄下當前的最優(yōu)解，并與當前的目標值進行比較，如果大于當前目標值，則以新的最優(yōu)解作為下一次迭代的目標值，否則保持當前目標值不變。

(3)量子門更新

量子門作為演化操作的執(zhí)行機構，可根據(jù)具體問題進行選擇，目前已有的量子門有很多種，根據(jù)量子遺傳算法的計算特點，選擇量子旋轉門較為合適。量子旋轉門的調整操作為：

其更新過程如下：

其中，(αi,βi)^t和(α′i,β′i)^t代表染色體第i個量子比特旋轉門更新前后的概率幅；θi為旋轉角，它的大小和符號由事先設的調整策略確定。

|α′i|²+|β′i|²＝[αicos(θi)-βisin(θi)]²+[αisin(θi)+βicos(θi)]²＝|αi|²+|βi|²＝1可以看出轉換后|α′i|²+|β′i|²的值仍為1。

2.2.2基于量子遺傳算法調控目標值建立

本發(fā)明采用量子遺傳算法尋優(yōu)構建調控目標值模型，通過量子遺傳算法獲得不同溫度下最優(yōu)光合速率，以及其對應的光質和光子通量子密度；進一步通過多元回歸方法完成不同溫度下的最優(yōu)光質和最適光子通量密度的數(shù)據(jù)擬合，生成以溫度為輸入，光質和光子通量密度為輸出的光環(huán)境調控目標值模型。量子遺傳算法尋優(yōu)的流程如圖3所示。

首先，設定每個環(huán)境因素的不同步長。溫度作為每次尋優(yōu)固定的環(huán)境量，其依次取值為ti＝1,2,3,...,12＝[18,19,20,...28,29,30]，光質的尋優(yōu)區(qū)間為[0.10.9]，光子通量密度的尋優(yōu)區(qū)間為[501500]。

其次，為獲得不同溫度下的最大光合速率，以不同溫度對應的光合速率預測模型為適應度函數(shù)為fⁱ。

在特定條件遺傳尋優(yōu)中基于隨機生成初始種群，利用式(20)計算適應度值完成種群評價，記錄下最優(yōu)個體以及其對應的適應度值，當其種群評價不滿足停止條件，利用旋轉門對個體進行調整，進行適應度評價和遺傳迭代，直至完成尋優(yōu)，得到每個溫度下最大光合速率，以及其對應的最優(yōu)光質、光子通量密度(pi,par)。

基于尋優(yōu)結果，利用多元線性回歸的方法，以溫度為自變量，分別以光質和光子通量密度為因變量，構建黃瓜光環(huán)境調控目標值模型，實現(xiàn)任何溫度下最優(yōu)光質和光子通量密度的動態(tài)獲取。根據(jù)紅藍光需光量與光質和光子通量密度的關系，可得藍光和紅光需光量模型分別為式(21)和(22)所示?？梢詫崿F(xiàn)任何溫度下藍光和紅光需光量的獲取。

par_b(t)＝pi(t)×par(t)(21)

par_r(t)＝(1-pi(t))×par(t)(22)

為了驗證ga-grnn神經(jīng)網(wǎng)絡建模的有效性，采用相同的訓練集和驗證證集，分別用ga-grnn神經(jīng)網(wǎng)絡和grnn神經(jīng)網(wǎng)絡構建黃瓜光合速率預測模型，通過對比模型訓練性能和模型驗證結果，對建模結果進行分析和比較。ga-grnn神經(jīng)網(wǎng)絡的均方誤差與進化代數(shù)的進化曲線如圖4所示。

可以看出，網(wǎng)絡進化到第9代找到最佳擴展速度，訓練誤差迅速下降到最小均方誤差(0.1758)，訓練過程未出現(xiàn)震蕩和局部平坦區(qū)，表明ga-grnn神經(jīng)網(wǎng)絡具有很好的收斂性。

為了驗證擴展速度優(yōu)化后模型的準確性，隨機選取67組實驗樣本為驗證集，采用ga-grnn神經(jīng)網(wǎng)絡和grnn神經(jīng)網(wǎng)絡構建的光合速率預測模型，利用相關分析進行模型性能的驗證分析，分別得到ga-grnn神經(jīng)網(wǎng)絡和grnn神經(jīng)網(wǎng)絡的光合速率預測值和實測值的相關關系分析結果如圖5和圖6所示。

從圖5中可以發(fā)現(xiàn)，采用ga-grnn神經(jīng)網(wǎng)絡模型實測值和預測值相關性分析的決定系數(shù)是0.995，直線斜率是0.998，截距是0.071；rbf神經(jīng)網(wǎng)絡模型實測值和預測值相關性分析的決定系數(shù)是0.961，直線斜率是0.962，截距是0.052。ga-grnn神經(jīng)網(wǎng)絡光合速率預測模型線性度更高，擬合度更好。

進一步地，為了比較量子遺傳算法和傳統(tǒng)遺傳算法的將實際的優(yōu)劣，選用平均絕對誤差、平均相對誤差、均方誤差、相關系數(shù)、計算時間、方差、標準差作為評價指標。為評價量子遺傳算法在光合速率尋優(yōu)上的性能，同時選取量子遺傳算法和傳統(tǒng)遺傳算法對不同溫度下光合速率進行尋優(yōu)，尋優(yōu)結果對比如表1所示。

表1量子遺傳算法和傳統(tǒng)遺傳算法尋優(yōu)結果對比圖

由表1可知，量子遺傳算法尋優(yōu)在各項精度指標表現(xiàn)最優(yōu)。首先，其平均絕對誤差最小，表明量子遺傳算法預測值與真實值之間平均相差水平最??；平均相對誤差最小，表明量子遺傳算法尋優(yōu)的結果偏離實測值的程度小；量子遺傳算法的均方誤差、方差、標準差最小，表明預測模型離散程度最小；計算時間最短，表明量子遺傳算法實現(xiàn)回歸預測具有較高的計算效率。基于以上模型對比分析，融合量子遺傳算法對光合速率進行尋優(yōu)可快速準確得到不同溫度下最優(yōu)光合速率。

采用遺傳算法進行不同溫度下尋優(yōu)，得到ti＝[18，19，20，21，22，23，24，25，26，27，28，29，30]下的最優(yōu)光合速率與對應光質和光子通量密度，以及通過公式換算得到不同溫度下紅光需光量和藍光需光量，尋優(yōu)結果如表2。

表2基于遺傳算法不同溫度下最優(yōu)光合速度及其對應位置

基于上述結果，以溫度為自變量，光質和光子通量密度分別為因變量，采用多元線性回歸方法建立最優(yōu)光質和最優(yōu)光子通量密度的調控模型分別如式16、17所示。其決定系數(shù)分別為0.992，0.9893，均方根誤差分別為4.24和5.12。

pi(t)＝0.0006832×t⁶-0.0096×t⁵-0.0057×t⁴+0.026×t³+0.01146×t²-0.06457×t+0.4754(16)

par(t)＝-51.02×t⁶-81.36×t⁵+88.83×t⁴+171.6×t³+50.73×t²+100.6×t+1047(17)

公式(16)、(17)可實現(xiàn)任意溫度下最優(yōu)光質和光子通量密度的獲取，擬合圖如圖7、圖8所示。

由公式12和13可得黃瓜藍光、紅光需光量調控模型，如式(18)、(19)所示。

par_b(t)＝-21.08×t⁶-43.28×t⁵+31.8×t⁴+95.37×t³+30.03×t²-15.1×t+497.9(18)

par_r(t)＝-29.17×t⁶-37.55×t⁵+54.12×t⁴+74.19×t³+23.28×t²+117.5×t+549(19)

本發(fā)明構建的紅藍光需光量目標值模型可以實現(xiàn)任何溫度下黃瓜紅光和藍光需光量的動態(tài)獲取。

本發(fā)明以li-6800光合速率儀測得的溫度分別為18、19、20、21、22、23、24、25、26、27、28、29、30℃下最大光合速率為實測值，利用ga算法對溫度分別為18、19、20、21、22、23、24、25、26、27、28、29、30℃進行尋優(yōu)得到的最優(yōu)光合速率為預測值，利用相關分析法，來驗證本模型的準確性及適應性。相關關系分析結果如圖9所示。

由圖9可以發(fā)現(xiàn)，其模型預測值和實測值相關性分析的決定系數(shù)是0.936，擬合直線斜率是1.012，截距是0.054，表明兩者之間高度線性相關，表明本發(fā)明所建立的調控目標值模型可實現(xiàn)不同溫度下最優(yōu)光質和最優(yōu)光子通量密度的動態(tài)尋優(yōu)。