温室控制是设施农业的关键技术,如何以最经济有效的方式控制温室环境达到满意效果,是温室技术的一个关键而又薄弱的技术环节.温室气候环境的控制是一种复杂的多输入多输出的、非线性的、强耦合的系统控制,温室气候控制的特点具有滞后性和非精确性. 目前温室气候控制中主要采用的方法有PID法、神经网络法和模糊控制法等,这些方法对不确定环境的控制具有一定的局限性.该文提出了一种基于范例学习(CBL)和强化学习结合的优化控制算法,以实现对不确定环境的优化控制. 针对Q-学习的计算复杂度较高,并且在与环境交互时进行的试错可能造成风险损失,因此,该论文根据作物的生长需求对环境状态进行分割,减少状态—动作对的数量,降低Q-学习的复杂度.基于案例的学习与Q-学习的结合,一方面可以使案例库随着学习过程的进行而增量式地扩大,同时,案例库中的相关案例可以指导控制系统对不确定环境的学习过程.不仅减少了Q-学习的计算复杂度,而且也降低了试错造成的风险. 该文提出的不确定环境的优化控制算法用来解决温室综合环境的智能控制问题,获得了满意效果,验证了该算法的有效性.