[0127] S103.分別將計算得到的商品率和庫存量與預(yù)設(shè)商品率閾值和庫存量閾值進行比較，若商品率低于預(yù)設(shè)商品率閾值或庫存量高于預(yù)設(shè)庫存量閾值，則調(diào)整廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，控制廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)以優(yōu)化植物生長狀況；根據(jù)調(diào)整后的環(huán)境參數(shù)，重復(fù)執(zhí)行計算商品率和庫存量的步驟，直至商品率達到預(yù)設(shè)商品率閾值且?guī)齑媪康陀陬A(yù)設(shè)庫存量閾值，完成廊道封閉采收自動識別。 [0128] 在一種可選的實施例中， [0129] 分別將計算得到的商品率和庫存量與預(yù)設(shè)商品率閾值和庫存量閾值進行比較，若商品率低于預(yù)設(shè)商品率閾值或庫存量高于預(yù)設(shè)庫存量閾值，則調(diào)整廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，控制廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)以優(yōu)化植物生長狀況包括： [0130] 將廊道封閉采收環(huán)境的商品率、庫存量和能耗作為多目標(biāo)優(yōu)化問題的目標(biāo)函數(shù)，建立包含溫度、濕度和光照等環(huán)境參數(shù)的決策變量向量，構(gòu)建多目標(biāo)優(yōu)化模型； [0131] 利用多目標(biāo)優(yōu)化算法求解所述多目標(biāo)優(yōu)化模型，并引入智能變異操作符和智能交叉操作符，自適應(yīng)調(diào)整多目標(biāo)優(yōu)化算法參數(shù)，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集； [0132] 基于廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集，引入農(nóng)業(yè)生產(chǎn)需求導(dǎo)向的決策偏好信息，通過設(shè)置商品率、庫存量和能耗目標(biāo)權(quán)重，以及定義的目標(biāo)滿意度閾值和模糊決策規(guī)則，對最優(yōu)解集中的環(huán)境參數(shù)組合進行評價和排序，并結(jié)合農(nóng)業(yè)專家知識和實踐經(jīng)驗，得到最優(yōu)的環(huán)境參數(shù)組合，并生成環(huán)境參數(shù)的智能調(diào)優(yōu)方案，將得到的智能調(diào)優(yōu)方案應(yīng)用于廊道封閉采收環(huán)境的實際控制過程。 [0133] 示例性地，在廊道封閉采收環(huán)境中，環(huán)境參數(shù)的調(diào)優(yōu)需要綜合考慮多個目標(biāo)，如商品率、庫存量和能耗等。為了實現(xiàn)環(huán)境參數(shù)的智能調(diào)優(yōu)，首先需要將其建模為多目標(biāo)優(yōu)化問題。 [0134] 針對環(huán)境參數(shù)智能調(diào)優(yōu)的多目標(biāo)優(yōu)化問題，采用融合了粒子群優(yōu)化算法的全局搜索能力和進化策略的局部搜索能力的求解方法，通過自適應(yīng)調(diào)整粒子的飛行行為和進化操作，實現(xiàn)了高效的多目標(biāo)優(yōu)化求解。進一步地，引入自適應(yīng)編碼策略根據(jù)優(yōu)化過程中粒子的收斂狀態(tài)，動態(tài)調(diào)整決策變量的編碼精度。在算法的初始階段，采用較低的編碼精度，加快粒子的全局探索速度；隨著迭代的進行，逐步提高編碼精度，增強粒子的局部搜索能力。編碼精度的調(diào)整通過自適應(yīng)函數(shù)實現(xiàn)，如指數(shù)型函數(shù)或?qū)?shù)型函數(shù)等。還引入智能變異操作符和智能交叉操作符。智能變異操作符根據(jù)粒子的適應(yīng)度值和多樣性信息，自適應(yīng)調(diào)整變異步長和變異概率。對于適應(yīng)度值較高且多樣性較低的粒子，采用較小的變異步長和較高的變異概率，促進局部搜索；對于適應(yīng)度值較低且多樣性較高的粒子，采用較大的變異步長和較低的變異概率，鼓勵全局探索。智能交叉操作符通過引入知識驅(qū)動機制，根據(jù)歷史優(yōu)化經(jīng)驗，自適應(yīng)選擇交叉方式和交叉概率。對于歷史最優(yōu)解附近的粒子，采用均勻交叉或算術(shù)交叉等精細(xì)的交叉方式，并提高交叉概率；對于距離歷史最優(yōu)解較遠(yuǎn)的粒子，采用兩點交叉或多點交叉等簡單的交叉方式，并降低交叉概率。 [0135] 通過多目標(biāo)粒子群優(yōu)化與進化策略相結(jié)合的求解方法，可以得到環(huán)境參數(shù)的帕累托最優(yōu)解集。根據(jù)農(nóng)產(chǎn)品市場需求和能源成本等因素，合理設(shè)置商品率、庫存量和能耗目標(biāo)的權(quán)重，綜合評估各個帕累托最優(yōu)解的優(yōu)劣。也可以根據(jù)農(nóng)業(yè)專家知識和經(jīng)驗，設(shè)定各個目標(biāo)的滿意度閾值，選擇滿足閾值要求的帕累托最優(yōu)解。通過決策偏好的引入和分析，可以從帕累托最優(yōu)解集中選出最符合實際需求的環(huán)境參數(shù)組合，并生成環(huán)境參數(shù)的智能調(diào)優(yōu)方案，將得到的智能調(diào)優(yōu)方案應(yīng)用于廊道封閉采收環(huán)境的實際控制過程。 [0136] 在一種可選的實施例中， [0137] 利用多目標(biāo)優(yōu)化算法求解所述多目標(biāo)優(yōu)化模型，并引入智能變異操作符和智能交叉操作符，自適應(yīng)調(diào)整多目標(biāo)優(yōu)化算法參數(shù)，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集包括： [0138] 初始化由環(huán)境參數(shù)組合構(gòu)成的粒子群，并評估每個粒子的適應(yīng)度值和非支配關(guān)系，更新粒子的個體歷史最優(yōu)位置和全局非支配解集； [0139] 對粒子群進行快速非支配排序和擁擠距離計算，選擇優(yōu)先級高于閾值的粒子作為父代粒子，引入智能變異操作符，自適應(yīng)調(diào)整變異步長和變異概率，同時引入智能交叉操作符，自適應(yīng)調(diào)整交叉方式和交叉概率，得到子代粒子； [0140] 將父代粒子與子代粒子合并，基于非支配關(guān)系進行篩選得到目標(biāo)粒子群，并引入自適應(yīng)權(quán)重因子和方向修正因子對粒子速度進行更新，生成新的位置向量，重復(fù)迭代直到滿足預(yù)設(shè)的終止條件，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集； [0141] 其中，自適應(yīng)權(quán)重因子的計算公式如下： [0142] ； [0143] 其中， 表示自適應(yīng)權(quán)重因子，ωmax表示慣性權(quán)重的上界，ωmin表示慣性權(quán)重的下界， 表示粒子i在第t次迭代時的適應(yīng)度值， 表示當(dāng)前粒子群的最小適應(yīng)度值， 表示當(dāng)前粒子群的平均適應(yīng)度值； [0144] 方向修正因子的計算公式如下： [0145] ；