随着信息技术的发展,自动化的控制技术在温室大棚监控系统中应用越来越广泛。然而传统的温室大棚监控系统仍存在智能化水平低、可移植性与适应性差和复杂程度高等问题。因此,开发一套具有自适应控制功能的温室大棚监控系统具有重要意义。本论文针对我国传统温室大棚监控系统存在的不足,在充分调研大棚监控系统的现实需求基础之上,设计并实现了一种具有增强学习能力的温室大棚监控系统。研究内容主要为:1)温室大棚监控上位机和下位机的设计与实现;2)增强学习算法在温室大棚监控系统中的应用。首先,根据系统下位机的功能需求,提出了下位机的数据采集端、现场控制端、太阳能电子杀虫装置和视频监控端4个部分软硬件方案。其中数据采集端采用无线网状网络(Mesh网络)技术组建了传感网络,利用太能供电技术和传感器间歇休眠的方法降低了数据采集端的运行功耗;现场控制端以可编程逻辑控制器(Programmable Logic Controller,PLC)为主控器,利用串口服务器实现了环境收据转发、控制命令接收功能;太阳能电子杀虫装置通过光源跟踪算法对太阳定时追踪,提高了太阳能-电能的转换效率,并实现了对虫害的有效控制。其次,对上位机的监控云平台和应用终端的设计与实现过程进行了详细阐述。采用MVC设计模式和浏览器/服务器软件设计架构,详细阐述了温室大棚系统用户管理、设备管理、历史数据查询、基础信息管理、数据报表等功能模块的实现过程。深入研究了增强学习算法的理论,发现增强学习算法只需少量经验就能达到控制优化目标,而且避免了“状态爆炸”的问题。在增强学习算法实现上,采用基于价值的方法,即通过奖励值来评判动作的价值,然后在动作组中选择预期奖励积累总值最大的动作。通过状态空间与动作空间形式化描述、环境状态-设备动作对值的计算以及动作策略的选择与更新三个步骤,实现了温室大棚的自适应控制。采用Web前端技术设计了PC端网页,采用Android技术设计了手机APP,实现了系统数据的可视化显示和设备的远程控制。最后,对具有增强学习能力的温室大棚监控系统进行了功能测试,测试结果显示:具有增强学习能力的温室大棚监控系统功能正常,运行稳定,达到了用户要求温室大棚控制效果;随后将系统投入使用,作物种植对比实验表明:采用本文方案种植的作物成熟时间比基于规则库和基于BP(Back Propagation,BP)神经网络的温室大棚控制方法缩短了2-3天,作物产量提高10%以上。