王 東，王智永，裴 雪，辛萍萍，張佐經(jīng)

（西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，楊凌 712100）

基于遺傳粒子群算法的番茄幼苗光合優(yōu)化調(diào)控模型

王 東，王智永，裴 雪，辛萍萍，張佐經(jīng)*

（西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，楊凌 712100）

番茄光合速率主要受溫度和光子通量密度影響，動(dòng)態(tài)獲取不同溫度條件下的光飽和點(diǎn)信息是提高光環(huán)境調(diào)控效率的關(guān)鍵。該文結(jié)合遺傳粒子算法提出了一種光合優(yōu)化調(diào)控模型：利用光合速率雙因素嵌套試驗(yàn)獲取多維數(shù)據(jù)，構(gòu)建溫度、光子通量密度耦合的光合速率多元非線性回歸模型，采用遺傳算法對(duì)光合速率模型進(jìn)行優(yōu)化，獲取任意離散溫度值下的光飽和點(diǎn)，以飽和光照強(qiáng)度作為目標(biāo)值建立光合優(yōu)化調(diào)控模型。以番茄幼苗為例進(jìn)行了驗(yàn)證，試驗(yàn)結(jié)果表明：提出的方法可動(dòng)態(tài)獲取不同溫度條件下光飽和點(diǎn)，光飽和點(diǎn)實(shí)測(cè)值與計(jì)算值決定系數(shù)為0.9873，最大相對(duì)誤差小于4.6%，具有較高精度，對(duì)提高設(shè)施光環(huán)境調(diào)控效率具有重要的意義。

番茄；幼苗；光合速率；光飽和點(diǎn)；遺傳算法；粒子群算法；調(diào)控模型

番茄是我國(guó)的主要設(shè)施作物之一，每年總產(chǎn)量世界領(lǐng)先［1］。番茄作為光敏感作物，光照不足會(huì)造成其產(chǎn)量大幅下降［2］。光合作用是描述作物有機(jī)物質(zhì)積累的過(guò)程，不僅受光照影響，且受溫度、二氧化碳濃度等環(huán)境因子影響［3-5］，為實(shí)現(xiàn)設(shè)施番茄光環(huán)境高效調(diào)控，提高其產(chǎn)量與品質(zhì)，番茄光合速率研究廣泛開(kāi)展。其中蔣燕等［6］、張富存等［7］研究表明溫度過(guò)低或過(guò)高均會(huì)導(dǎo)致番茄幼苗光合速率降低，說(shuō)明溫度和光照是影響光合速率因素中的兩個(gè)主要因素［8］；胡瑾等［9］采用遺傳算法進(jìn)行光溫匹配尋優(yōu)，為本試驗(yàn)設(shè)計(jì)有一定借鑒作用。因此，探究溫度、光照環(huán)境信息與光合速率間對(duì)應(yīng)關(guān)系，尋找不同環(huán)境下使番茄達(dá)到最大光合速率的飽和光強(qiáng)，建立番茄光合優(yōu)化調(diào)控模型，是提高番茄產(chǎn)量的重要途徑。

為實(shí)現(xiàn)基于作物需求的光合最優(yōu)調(diào)控，光合速率模型作為其理論基礎(chǔ)得到廣泛研究。其中李天來(lái)等［10］研究建立了基于溫度修正的番茄光合速率模型；賴(lài)琳玲等［11］研究發(fā)現(xiàn)隨溫度、光照變化番茄生長(zhǎng)的變化規(guī)律；以色列、美國(guó)等科學(xué)家合作開(kāi)發(fā)了TOMGRO溫室番茄模型；荷蘭科研人員開(kāi)發(fā)的HORTSIM作物模擬器是目前該領(lǐng)域的典型代表［12-13］，以上研究均建立了溫度與光子通量密度關(guān)聯(lián)的光合速率模型，為本試驗(yàn)研究提供了依據(jù)，但真正的按需調(diào)控應(yīng)建立在不同環(huán)境下光飽和點(diǎn)擬合的基礎(chǔ)上，而上述模型未實(shí)現(xiàn)光飽和點(diǎn)尋優(yōu)，因此構(gòu)建番茄光合速率模型，設(shè)計(jì)尋優(yōu)算法獲取光飽和點(diǎn)，是建立光合調(diào)控模型的關(guān)鍵。

遺傳算法與粒子算法是實(shí)現(xiàn)高效精準(zhǔn)尋優(yōu)的常用手段。目前，在遺傳粒子群算法上，國(guó)內(nèi)外學(xué)者也做了不少的研究。其中蔡雁等［14］采用遺傳粒子尋優(yōu)算法獲取最優(yōu)鐵礦粉庫(kù)存量，為鋼鐵企業(yè)的科學(xué)采購(gòu)提供依據(jù)；張干清等［15］基于雜交GA-PSO算法的結(jié)構(gòu)協(xié)同優(yōu)化，結(jié)果表明提出的雜交GA-PSO協(xié)同算法較GA與PSO算法有更快的收斂速度，當(dāng)相關(guān)系數(shù)為0.7時(shí)，可使該行星架的總體積減小7.06%；陳雙等［16］提出了車(chē)輛主動(dòng)懸架的遺傳粒子群LQG控制方法，其結(jié)果表明車(chē)輛主動(dòng)懸架的遺傳粒子群LQG控制方法；Abd-El-Wahed等［17］采用集成粒子群算法與遺傳算法對(duì)非線性問(wèn)題進(jìn)行了優(yōu)化；Ricardo等［18］提出了一個(gè)混合型GA-PSO優(yōu)化方法的模糊邏輯控制器（FLC）的自動(dòng)設(shè)計(jì)，以盡量減少植物反應(yīng)的穩(wěn)態(tài)誤差，仿真結(jié)果表明了該優(yōu)化方法對(duì)控制應(yīng)用的可行性；Lee等［19］在數(shù)值約束和網(wǎng)絡(luò)分解的基礎(chǔ)上使用混合GA-PSO對(duì)基因調(diào)控網(wǎng)絡(luò)進(jìn)行推斷，結(jié)果表明了該方法的有效性。以上研究可為最優(yōu)需光調(diào)控模型建立提供依據(jù)，但光飽和點(diǎn)尋優(yōu)易受算法參數(shù)、適應(yīng)度函數(shù)、尋優(yōu)范圍等條件影響，造成較大誤差。

為此，本研究結(jié)合遺傳算法和粒子群算法的的優(yōu)點(diǎn)，以溫光耦合的番茄光合速率模型為基礎(chǔ)，采用遺傳粒子群算法對(duì)光飽和點(diǎn)進(jìn)行尋優(yōu)，得到各溫度值下的最優(yōu)解，進(jìn)一步建立以飽和光強(qiáng)為目標(biāo)的番茄光合優(yōu)化調(diào)控模型，為番茄光環(huán)境調(diào)控提供有效手段。

1 材料與方法

1．1 試驗(yàn)材料

試驗(yàn)于2015年3—6月在西北農(nóng)林科技大學(xué)南校區(qū)玻璃溫室內(nèi)進(jìn)行。對(duì)象為處于幼苗期的番茄，品種為‘毛刺802’，種植數(shù)量為200株。

1．2 試驗(yàn)方法

選取定植后植株生長(zhǎng)狀況差異較小、健壯的番茄幼苗進(jìn)行試驗(yàn)，測(cè)量設(shè)備為L(zhǎng)i-6400XT型便攜式光合儀，該光合儀可按需控制測(cè)量葉室的小環(huán)境，以設(shè)置不同試驗(yàn)條件。試驗(yàn)時(shí)選擇9：00—11：30和14：30—17：30兩個(gè)時(shí)間段，以避免“午休現(xiàn)象”；設(shè)定二氧化碳濃度為300 μmol·mol－1；6個(gè)溫度梯度為16℃、21℃、25℃、29℃、33℃、37℃；10個(gè)光子通量密度梯度為0 μmol·m－2·s－1、50 μmol·m－2·s－1、100 μmol·m－2·s－1、200 μmol·m－2·s－1、400 μmol·m－2·s－1、600 μmol·m－2·s－1、800 μmol·m－2·s－1、1 000 μmol·m－2·s－1、1 200 μmol·m－2·s－1、1 500 μmol·m－2·s－1。在60組試驗(yàn)條件中，每組試驗(yàn)均選取6株幼苗重復(fù)測(cè)量6次凈光合速率值，共形成360組樣本數(shù)據(jù)。

1．3 試驗(yàn)數(shù)據(jù)處理

按狄克松準(zhǔn)則［20-21］對(duì)測(cè)量數(shù)據(jù)進(jìn)行預(yù)處理，完成粗大誤差剔除，該準(zhǔn)則判斷粗大誤差從最大抽樣值和最小抽樣值入手。在測(cè)量中，對(duì)同一指標(biāo)進(jìn)行多次等精度重復(fù)測(cè)量，降低測(cè)量誤差。

根據(jù)狄克松準(zhǔn)則對(duì)本試驗(yàn)進(jìn)行粗大誤差濾除后，測(cè)得剩余樣本的平均值如表1所示。通過(guò)計(jì)算，可得到該30組數(shù)據(jù)的方差小于0.27，由此表明采用狄克松準(zhǔn)則進(jìn)行粗大誤差分析及濾除的效果較好。

2 光合作用優(yōu)化調(diào)控模型建立

分三步建立調(diào)控優(yōu)化模型：首先根據(jù)處理后的數(shù)據(jù)利用非線性擬合方法建立3元番茄凈光合速率模型以得到尋優(yōu)目標(biāo)函數(shù)，然后采用遺傳-粒子群組合智能算法對(duì)光合速率進(jìn)行尋優(yōu)，最終依據(jù)尋優(yōu)得到的光飽和點(diǎn)建立光合優(yōu)化調(diào)控模型。

表1 試驗(yàn)所得光合速率值Table 1 Photosynthetic rate values obtained from testsμmol CO2·m－2·s－1

2．1 多因子耦合光合速率模型

經(jīng)過(guò)分析，綜合考慮擬合精度及計(jì)算復(fù)雜性，確定采用3元5次非線性方程進(jìn)行回歸分析，建立以溫度、光子通量密度為自變量的光合速率模型，如式（1）所示，擬合結(jié)果如圖1。

式中，T：溫度/℃；PFD：光子通量密度/μmol·m－2·s－1；Pn：光合速率/μmol CO2·m－2·s－1。

圖1 光合速率擬合圖Fig．1 Fitting of photosynthetic rates

在相同溫度條件下，光合速率隨著光子通量密度增大而增加，在最大值附近趨于變化平緩，但光子通量密度進(jìn)一步增大時(shí)，光合速率會(huì)減小；當(dāng)光子通量密度恒定不變時(shí)，隨著溫度的升高光合速率也呈現(xiàn)相似的先升后降的趨勢(shì)。以上結(jié)果與前人研究結(jié)果相符［22-23］，且具有良好的擬合效果，說(shuō)明試驗(yàn)方案合理。為充分考慮各因子之間的交互作用，構(gòu)建非線性回歸凈光合速率模型，模型擬合結(jié)果的決定系數(shù)為0.9929，相比于現(xiàn)有模型，所構(gòu)建的光合速率模型具有更好的擬合結(jié)果。

2．2 基于遺傳粒子群算法的光溫耦合尋優(yōu)算法

遺傳算法是借鑒生物界適者生存法則的進(jìn)化算法，被用于解決尋優(yōu)問(wèn)題。遺傳算法不容易陷入局部最優(yōu)，同時(shí)適應(yīng)大規(guī)模的并行計(jì)算。算法通過(guò)復(fù)制、交叉、突變等操作產(chǎn)生下一代的解，適應(yīng)度低的解將被淘汰掉，將適應(yīng)度高的解保存下來(lái)。遺傳算法的優(yōu)越性主要表現(xiàn)在：具有群體搜索和內(nèi)在啟發(fā)式隨機(jī)搜索的特性，不易陷入局部最優(yōu)；遺傳算法固有的并行性和并行計(jì)算的能力，非常適用于大規(guī)模并行計(jì)算。本研究在粒子群算法中引入遺傳算法的變異算子來(lái)增強(qiáng)粒子群算法跳出局部最小值的能力。同時(shí)通過(guò)引入種群分割策略來(lái)維護(hù)種群的多樣性，使得各子種群分別進(jìn)化，子種群之間的相互競(jìng)爭(zhēng)避免了算法進(jìn)化過(guò)程中陷入局部最優(yōu)解。

本研究以番茄幼苗不同溫光環(huán)境的光合速率值構(gòu)建樣本數(shù)據(jù)，建立光合速率模型，設(shè)計(jì)遺傳粒子尋優(yōu)算法對(duì)光合速率模型進(jìn)行尋優(yōu)，獲取最優(yōu)光合速率解及其對(duì)應(yīng)的飽和光強(qiáng)，具體流程如圖2。

GA-PSO具體算法步驟如下：

1）基于多因子耦合光合速率模型，確定該種群規(guī)模為20，由于在該試驗(yàn)中，個(gè)體為溫度與光子通量密度，所以設(shè)置個(gè)體長(zhǎng)度為2，根據(jù)經(jīng)驗(yàn)，進(jìn)化代數(shù)設(shè)為100較為合適。

2）由于本試驗(yàn)采用了遺傳算法的交叉和變異算子，需要設(shè)定其概率參數(shù)。不同的交叉概率和變異概率尋優(yōu)結(jié)果會(huì)產(chǎn)生較大差異，交叉概率越大，可越快到達(dá)最優(yōu)目標(biāo)值區(qū)域，變異概率過(guò)大影響尋優(yōu)過(guò)程的穩(wěn)定性，因此本文選取交叉概率為0.7，變異概率為0.01。又因?yàn)楸驹囼?yàn)還采用了粒子群算法，所以還需要設(shè)置粒子的位置和速度。溫度粒子是特定的，無(wú)需設(shè)置；由實(shí)際測(cè)試得到的光子通量密度可知，其最小值不可能為負(fù)，所以設(shè)定其下界為0，其最大值不超過(guò)1 300，所以設(shè)定1 300為其上界，最終設(shè)置光子通量密度的初始位置范圍為0—1 300；又根據(jù)對(duì)粒子群算法的學(xué)習(xí)，粒子飛行的極限方向是正反兩個(gè)方向，因此設(shè)光子通量密度的速度范圍為－800—1 000。

3）在特定溫度條件下進(jìn)行尋優(yōu)，以2℃為步長(zhǎng)構(gòu)建尋優(yōu)的溫度樣本集T＝（T1，T2，…，Tn），其中Tn＝Tmin+2n，Tmin代表特定最小溫度值，n＝1，2，3，…。并以此樣本集中數(shù)據(jù)完成對(duì)式（1）所示Pn＝f（T，PFD）的溫度實(shí)例化。在此基礎(chǔ)上，并基于上文的光合速率模型Pn＝f（T，PFD）確定適應(yīng)度函數(shù)式（2）：

式中：F表示特定溫度值Tn下的適應(yīng)度函數(shù)。

4）利用rand函數(shù)隨機(jī)產(chǎn)生初始光子通量密度粒子及其速度。由于rand函數(shù)產(chǎn)生隨機(jī)數(shù)的范圍在0—1之間，基于實(shí)際測(cè)試結(jié)果，我們用位置系數(shù)1 500和速度系數(shù)1 000調(diào)整光子通量密度粒子的位置范圍和速度范圍分別為0—1 500和－1 000—1 000。

5）利用式（2）計(jì)算初始化種群的適應(yīng)度值，即特定溫度下的光合速率值。找出特定溫度下局部范圍內(nèi)的最大光合速率值，即個(gè)體最優(yōu)位置pbest；再找出特定溫度下全部范圍內(nèi)的最大光合速率值，即全局最優(yōu)位置gbest。

6）接下來(lái)分別采用式（3）和（4）對(duì)光子通量密度粒子的位置和速度進(jìn)行更新，以產(chǎn)生新的粒子；

式中：v（t）表示進(jìn)化次數(shù)為t時(shí)光子通量密度的速度，PFD（t）表示進(jìn)化次數(shù)為t時(shí)光子通量密度的位置，F(xiàn)pbest（t）表示進(jìn)化次數(shù)為t時(shí)局部最大光合速率值，F(xiàn)gbest（t）表示進(jìn)化次數(shù)為t時(shí)全局最大光合速率值，c1和c2為學(xué)習(xí)因子，根據(jù)經(jīng)驗(yàn)，均設(shè)置為1.49445。

7）采用遺傳算子對(duì)粒子執(zhí)行交叉和變異操作。交叉操作如下：

圖2 GA-PSO流程圖Fig．2 Flowchart of GA-PSO

式中，akj為第k個(gè)染色體的第j個(gè)基因，aij為第i個(gè)染色體的第j個(gè)基因，b是0—1區(qū)間的隨機(jī)數(shù)。采用如下變異操作過(guò)程：

式中，amax是基因aij的上界；amin是基因aij的下界；r為0—1區(qū)間的隨機(jī)數(shù)，g是當(dāng)前迭代次數(shù)，Gmax是最大進(jìn)化次數(shù)。

8）計(jì)算經(jīng)過(guò)上述操作的個(gè)體的適應(yīng)度值，并和個(gè)體最優(yōu)pbest比較；若當(dāng)前個(gè)體的適應(yīng)度值比pbest大，則把該值作為新的個(gè)體最優(yōu)位置，并接著與全局最優(yōu)gbest比較；若仍比gbest大，則把該值作為新的全局最優(yōu)位置，并判斷是否滿(mǎn)足最大進(jìn)化次數(shù)100次的這個(gè)終止條件，若滿(mǎn)足，則輸出結(jié)果。若并未滿(mǎn)足上述條件，則對(duì)粒子不斷地進(jìn)行位置和速度更新以及交叉變異操作，直至滿(mǎn)足條件為止。

9）選取新一組溫度重復(fù)步驟3—8，直至完成所有溫度梯度下的尋優(yōu)，結(jié)果如圖3。GA-PSO尋優(yōu)算法的具體參數(shù)如表2所示。

表2 遺傳粒子群算法參數(shù)設(shè)置Table 2 Parameter setting of GA-PSO

圖3 尋優(yōu)進(jìn)化圖Fig．3 Evolutionary optimization figure

按上述步驟1—9分別對(duì)18℃，20℃，22℃，24℃，26℃，28℃，30℃，32℃，34℃等9個(gè)溫度梯度進(jìn)行光飽和點(diǎn)尋優(yōu)，繪制光合速率隨進(jìn)化代數(shù)的變化曲線，如圖3所示。

整體分析圖3可以發(fā)現(xiàn)，該9組最佳溫度與光照強(qiáng)度組合下所得到的最佳光合速率值的進(jìn)化過(guò)程很穩(wěn)定，無(wú)振蕩，番茄最佳光合速率值基本保持不變，由此表明算法參數(shù)設(shè)置較合理。從進(jìn)化過(guò)程來(lái)看，當(dāng)進(jìn)化代數(shù)較小時(shí)，最佳光合速率值緩慢增長(zhǎng)，當(dāng)進(jìn)化至第十代時(shí)，最佳光合速率值基本保持恒定。在算法運(yùn)行的過(guò)程中，不斷實(shí)現(xiàn)個(gè)體進(jìn)化，獲取適應(yīng)度高的種群個(gè)體，當(dāng)接近最優(yōu)解時(shí)產(chǎn)生的新的最優(yōu)個(gè)體適應(yīng)度值上升幅度不明顯，最終趨于穩(wěn)定。

3 光合優(yōu)化調(diào)控模型構(gòu)建

根據(jù)GA-PSO混合尋優(yōu)結(jié)果繪制離散溫度下光飽和點(diǎn)變化曲線，如圖4所示。光飽和點(diǎn)隨溫度增加呈現(xiàn)先上升后下降趨勢(shì)，與作物光合作用變化規(guī)律相吻合。

選取溫度T為輸入量，飽和光照強(qiáng)度PFD為輸出量，通過(guò)非線性回歸方法進(jìn)行擬合，建立番茄幼苗光合最優(yōu)調(diào)控模型，如式（7）所示，基于該模型，可獲取任意溫度條件下光飽和點(diǎn)數(shù)據(jù)。

圖4 離散溫度下光飽和點(diǎn)變化曲線Fig．4 Variation of light saturation points at discrete temperatures

4 模型驗(yàn)證分析與對(duì)比

為評(píng)價(jià)調(diào)控模型的準(zhǔn)確性與可靠性，對(duì)光飽和點(diǎn)計(jì)算值與實(shí)測(cè)值進(jìn)行對(duì)比驗(yàn)證。使用Li-6400XT型便攜式光合儀，測(cè)得16—36℃范圍內(nèi)13個(gè)溫度下的光飽和點(diǎn)，以基于GA-PSO尋優(yōu)結(jié)果建立的需光模型計(jì)算得到的13個(gè)溫度值下光飽和點(diǎn)作為模擬值，實(shí)測(cè)值與模擬值二者之間的相關(guān)關(guān)系如圖5-C所示。為了進(jìn)一步說(shuō)明模型的優(yōu)劣，采用同樣的方法基于GA、PSO尋優(yōu)結(jié)果建立需光模型并驗(yàn)證實(shí)測(cè)值與模型模擬值二者之間的相關(guān)關(guān)系，如圖5-A、5-B所示。

圖5 光飽和點(diǎn)實(shí)測(cè)值與模擬值的相關(guān)性Fig．5 Correlation between the measured and simulated values of light saturation points

通過(guò)對(duì)圖5所示光飽和點(diǎn)實(shí)測(cè)值與模擬值的相關(guān)性擬合可以得出，基于GA、PSO、GA-PSO三種尋優(yōu)結(jié)果建立的需光模型，得到的決定系數(shù)分別為0.9732、0.9783、0.9837，接近于1，均方根誤差分別為12.95、11.16、10.09，可以得出3種基于尋優(yōu)算法的需光模型效果都較好，其中GA-PSO的效果最優(yōu)。為了進(jìn)一步說(shuō)明模型的準(zhǔn)確性，對(duì)13組試驗(yàn)結(jié)果進(jìn)行光飽和點(diǎn)驗(yàn)證分析，其最大相對(duì)誤差不超過(guò)4.6%（表3）。

表3 光飽和點(diǎn)誤差分析Table 3 Error analysis of light saturation points

根據(jù)表3驗(yàn)證分析可知，本文所建立的需光調(diào)控模型具有較高的精度。說(shuō)明采用GA-PSO混合算法尋優(yōu)比采用GA和PSO算法更準(zhǔn)確。

5 結(jié)論

本文針對(duì)番茄光飽和點(diǎn)隨溫度動(dòng)態(tài)變化的特點(diǎn)，將遺傳算法（GA）和粒子群算法（PSO）相結(jié)合得到遺傳粒子群算法，采用遺傳粒子群算法（GA-PSO）對(duì)光溫進(jìn)行尋優(yōu)，獲取不同溫度下光飽和點(diǎn)數(shù)據(jù)，以其為基礎(chǔ)建立光合優(yōu)化調(diào)控模型，利用番茄幼苗為例進(jìn)行驗(yàn)證，具體結(jié)論如下：

（1）設(shè)計(jì)的嵌套試驗(yàn)，獲取不同溫度、光照對(duì)應(yīng)的光合速率值，以其為樣本數(shù)據(jù)構(gòu)建番茄幼苗期光合速率模型。經(jīng)驗(yàn)證，模型決定系數(shù)R2為0.9925，具有較強(qiáng)的泛化能力，可為光合速率預(yù)測(cè)提供有效手段。

（2）采用遺傳算法和粒子算法對(duì)番茄幼苗光合速率模型進(jìn)行尋優(yōu)，得到離散溫度值對(duì)應(yīng)的光飽和點(diǎn)數(shù)據(jù)，以其為理論基礎(chǔ)建立光合優(yōu)化調(diào)控模型，利用試驗(yàn)數(shù)據(jù)對(duì)調(diào)控模型輸出的光飽和點(diǎn)進(jìn)行驗(yàn)證，結(jié)果表明，光飽和點(diǎn)計(jì)算值與實(shí)測(cè)值決定系數(shù)達(dá)0.9837，最大相對(duì)誤差不超過(guò)4.6%，具有較高的擬合精度。

（3）本文提出的基于遺傳粒子的光合優(yōu)化調(diào)控模型，可實(shí)現(xiàn)以光飽和點(diǎn)為目標(biāo)值的按需調(diào)控，從而克服不同作物的光合特性差異，為設(shè)施光環(huán)境高效調(diào)控提供理論基礎(chǔ)。

［1］張春奇，查素娥，李紅波.番茄育種研究概況及展望［J］.農(nóng)業(yè)科技通訊，2011（3）：29-33.

［2］吳鍇，張靜，郝稱(chēng)意.溫室番茄群體光合作用模擬模型的研究［J］.山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，33（3）：225-229.

［3］王銘，李濤，李?lèi)?ài)芬，等.光照、溫度和pH對(duì)雨生紅球藻光合特性的影響［J］.水生生物學(xué)報(bào)，2009，33（3）：400-405.

［4］郭尚，王宇楠.不同光照強(qiáng)度西瓜光合速率日變化的研究［J］.華北農(nóng)學(xué)報(bào)，2011，26（5）：170-173.

［5］張治安，徐克章，陳展宇，等.影響人參葉片光合速率對(duì)CO2水平響應(yīng)的因素［J］.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006，29（2）：11-14.

［6］蔣燕，趙會(huì)杰.低溫弱光處理對(duì)番茄幼苗生長(zhǎng)的影響［J］.河南農(nóng)業(yè)科學(xué)，2006（1）：87-91.

［7］張富存，張波，王琴，等.高溫脅迫對(duì)設(shè)施番茄光合作用特性的影響［J］.中國(guó)農(nóng)學(xué)通報(bào)，2011，27（28）：211-216.

［8］趙玉萍，鄒志榮，楊振超，等.不同溫度和光照對(duì)溫室番茄光合作用及果實(shí)品質(zhì)的影響［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2010（5）：125-130.

［9］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)，2014，30（17）：220-227.

［10］李天來(lái)，顏阿丹，羅新蘭，等.日光溫室番茄單葉凈光合速率模型的溫度修正［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（9）：274-279.

［11］賴(lài)琳玲，程智慧，陳學(xué)進(jìn)，等.番茄器官生長(zhǎng)動(dòng)態(tài)與環(huán)境溫度和光照關(guān)系的模擬［J］.西北農(nóng)業(yè)學(xué)報(bào)，2010，19（2）：127-132.

［12］DAYAN E，VAN KEULEN H，JONES J W，et al.Development，calibration and validation of a greenhouse tomato growth model：I.Description of the model［J］.Agricultural Systems，1993，43（2）：145-163.

［13］GIJZEN H，HEUVELINK E，CHALLA H，et al.HORTISIM：A model for greenhouse crops and greenhouse climate［J］.Acta Horticulturae，1998，456：441-450.

［14］蔡雁，鐘茜怡，吳敏，等.基于GA-PSO算法的燒結(jié)料場(chǎng)原料庫(kù)存量?jī)?yōu)化［J］.化工學(xué)報(bào)，2012，63（9）：2824-2830.

［15］張干清，龔憲生.變量相關(guān)情況下基于雜交GA-PSO算法的結(jié)構(gòu)協(xié)同優(yōu)化［J］.機(jī)械工程學(xué)報(bào)，2012，48（15）：113-125.

［16］陳雙，宗長(zhǎng)富.車(chē)輛主動(dòng)懸架的遺傳粒子群LQG控制方法［J］.汽車(chē)工程，2015（2）：189-193.

［17］ABD-EI-WAHED W F，MOUSA A A，EL-SHORBAGY M A.Integrating particle swarm optimization with genetic algorithms for solving nonlinear optimization problems［J］.Journal of Computational and Applied Mathematics，2011，235（5）：1446-1453.

［18］RICARDO M S，OSCAR C，AGUILAR L T.Type-1 and Type-2 fuzzy logic controller design using a hybrid PSO-GA optimization method［J］. Information Sciences，2014，285：35-49.

［19］LEE W P，HSIAO Y T.Inferring gene regulatory networks using a hybrid GA-PSO approach with numerical constraints and network decomposition［J］.Information Sciences，2012，188：80-99.

［20］范滿(mǎn)紅，馬勝前，陳彥，等.基于多傳感器數(shù)據(jù)融合的溫濕度監(jiān)測(cè)系統(tǒng)［J］.壓電與聲光，2012，34（3）：459-462，465.

［21］劉志平.檢測(cè)儀表中粗大誤差的剔除分析［J］.電子測(cè)量技術(shù)，2009，32（11）：55-57，84.

［22］張潔，李天來(lái)，徐晶.晝間亞高溫處理時(shí)期對(duì)日光溫室番茄光合作用與產(chǎn)量的影響［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24（3）：193-197.

［23］張潔，李天來(lái).日光溫室亞高溫對(duì)番茄光合作用及葉綠體超微結(jié)構(gòu)的影響［J］.園藝學(xué)報(bào)，2005，32（4）：614-619.

（責(zé)任編輯：程智強(qiáng)）

A regulatory model of tomato seedlings’photosynthesis based on genetic algorithm-particle swarm optimization

WANG Dong，WANG Zhi-yong，PEI Xue，XIN Ping-ping，ZHANG Zuo-jing*
（College of Mechanical and Electronic Engineering，Northwest A＆F University，Yangling 712100，China）

Tomato plants’photosynthetic rate is mainly influenced by temperature and photon flux density，and acquisition of dynamic information of light saturation points at different temperatures is the crux of improving the regulating efficiency of light environment.According to genetic algorithm-particle swarm optimization（GAPSO）the paper proposes a regulatory model of photosynthetic optimization：multidimensional data are acquired by means of the two-factor nested tests of photosynthetic rate，a multivariate nonlinear regression model of photosynthetic rate coupling temperature and photon flux density is built and then optimized by using GA-PSO，thus acquiring the light saturation point at any discrete temperature，and lastly with the saturated light intensity as a desired value，a regulatory model of photosynthetic optimization is established.The model is verified by taking tomato seedlings，and the results show that the light saturation points at different temperatures can dynamically be acquired by the proposed method，the determination coefficient between the light saturation points’measured and calculated values is 0.9873，and the maximum relative error is less than 4.6%，indicating that the proposed method has a high precision and an important significance of improving the regulating efficiency of light environment.

Tomato；Seedling；Photosynthetic rate；Light saturation point；Genetic algorithm；Particle swarm optimization；Regulatory model

S641.2

A

1000-3924（2016）06-026-07

2016-10-11

國(guó)家自然科學(xué)基金資助項(xiàng)目（31501224）；陜西省農(nóng)業(yè)科技創(chuàng)新與攻關(guān)項(xiàng)目（2016NY－125）

王東（1982—），男，碩士，講師，研究方向：計(jì)算機(jī)在農(nóng)業(yè)中的應(yīng)用。Tel：13991838234，E-mail：wangdong510＠163.com

*通信作者：張佐經(jīng)（1982—），男，講師，主要從事無(wú)線傳感器網(wǎng)絡(luò)、智能檢測(cè)與控制等方面研究。E-mail：zhangzuojing＠126.com