华中农业大学-Read.DOCVIP

温室番茄幼苗生长的神经元动态规划最优控制器 原文来源：J. Pucheta, H. Patijo, R. Fullana, C. Schugurensky and B. Kuchen Neural Processing Letters, Volume 24, Number 3 2006.12 摘要这一个神经元动态规划的最优控制器温室番茄幼苗生长的环境条件。作物生长发育，尽量减少物理过程变量和驱动器信号执行成本和最终状态这样做的目的是通过控制温室气候指导番茄幼苗生长。设计考虑的作物温室系统模型非线性动力学行为和实际的气候数据。番茄其他苗期发展受气候关键词温室控制系统智能农业神经动态规划最优控制 1导言 借助现代的控制系统，机械，电子，计算机，信息技术理论，工业自动化等领域中的农业生产管理已被纳入国家的先进技术。现代温室系统中一个技术使用的实际例子是可以找到的。对作物生长的管理，有助于产量的增加和质量水平的提高。更具体地说，根据预定的最低成本或是最大利润的生产流程表，一个包罗万象的目标可能包含在某个特定领域。此外，就像在市场中一样，最后的产品应具有某些标准，像重量，节点数，叶片数，颜色，大小或其他特征。 像温度，二氧化碳（CO2）和太阳辐射等温室气候的条件，可以指导作物生长，并达到预定的技术和经济目标[ 23-25 ] 。事实上，一种温室增长和发展的受这些内部气候条件[ 13，14 ] 。 另一个方面要考虑到的是，变化范围的气候条件每种作物自己的特殊制约因素。例如， 温度低于最低限度，幼苗停止生长，温度最高水平，他们可能遭受不可逆转的损害。因此，在预定的时间，从理想的最终状态实现和保持最佳的气候条件（最佳设置点）内以适当的温室轨迹驱动幼苗生长同时尽量减少费用。 ，每一个具体情况产生最佳轨迹的成本函数。，存在的主要问题可归结为设计一个最优决策政策，以实现最优轨迹的设置点。 这个问题处理最优控制理论。 几种方法控制最优轨迹行动指导作物生长一般是根据Pontryagin的最高原则[ 12 ，2425 ] 。各种方法上序有哪些信誉好的足球投注网站最优控制行 [ 11 ] ，或者使用线性规划[ 10 ] ，动态规划[ 8 ， 22 ] 。然而，这些类型的最优控制器“维度” 的缺点 [ 2 ] ，在线计算时间相当大的数额，因此，不符合实时控制。 近年来基于神经网络（）控制器已经非常重视。这种类型控制器神经网络非线性学习解决大规模并行计算问题。神经网络学习能力用来控制器学习一定的职能，在大多数情况下是高度非线[ 19 ， 20 ] 。在最优控制领域，基于神经网络的近似动态规划控制已用于解决复杂控制问题和更高层面系统[ 1 ，4 ，7 ，28 ] 。目前的作物温室系统提出基于神经元动态编程的最优控制器。神经元动态编程使系统通过观察自己的行为学会如何做出正确决策，并采用加固信号一个内置的机制改善 [ 1,26-30 ] 。 这种类型的设计方法避免维度缺点动态编程为基础的最优控制问题神经网络非线性学习功能。最大限度地减少执行成本最终状态一个预定义的最小代价函数。该能够实际限制过程变量和驱动器信号指导番茄幼苗作物发展[ 15 ， 25 ] 。动态模型作物温室系统的特点是一组界受到强烈外界干扰非线性微分方程 1999年7月阿根廷圣胡安用来设计。模拟的系统模型政策或控制用于近似最优成本和优化政策神经网络是最理想的。 计算控制法 图使用API算法优化控制方案。包括三个网络（ 评论家和两名） ，2层前馈神经网络与10个神经元的隐层，即为Q = 10的图 。两个神经网络，番茄幼苗干重，叶片数，，两输出：热水器使用及的，（ T ）和二氧化碳浓度。 图近似政策迭代优化控制．Scheme of optimal control based on the approximate policy iteration 评论家也有的和一个接近成本功能输出。评论家网络的输出J和网络的输出ü根据该计划中提出的第3。这两种神经网络Levenberg - Marquardt算法[ 5 ， 17 ]调整，再加上一个学习机制降低利率调整沿线反复。方程分别提供性能指标和最小化成本函数。 图/评论家方案．Actor/Critic scheme of the neurocontroller 2.1选择离散虽然神经元需要离散[ 1 ， 7 ， 30 ]可以直接适用于连续系统 ，动态编程神经元动态编程是应用于逼近优势。因此，DP 算法需要一个可能沿演变过程离散的状态变量空间，这两个状态变量是离散35 值和演化的过程100阶段，即κ = 100 （ 10 ） 。因此， 全部是35 × 35 × 100 = 122500 。从这个算法只用了400代表的值。作物生长情况，除一些较为分散点只有一组点附近的一个典型的发展