茄果类蔬菜是温室栽培的主要农作物之一,如何精准优化温室环境因子,创造适宜作物生长的温室小气候条件,是提高其光合速率和产量的关键。现有温室环境因子优化调控方法多存在低精度和弱适应性的问题,它们或者缺乏对作物实际生长需求的考虑,或者忽视温室内多环境因子间的复杂耦合关系,无法发挥温室栽培的优势。因此研究温室茄果类蔬菜生长环境的优化方法,实现温室环境因子的精准优化,对促进茄果类蔬菜高效生产、提高农业资源利用率具有重要意义。针对温室环境优化的问题,本文从光合速率模型构建和多环境因子优化两部分展开研究。在光合速率模型构建阶段,分析影响作物光合作用的环境因子,并结合灰色关联度选取关键因子,提出一种趋化-改进粒子群的回归型支持向量机算法用来构建多环境因子耦合条件下的光合速率预测模型。在多环境因子优化阶段,提出一种基于烟花算法的寻优算法,先针对烟花算法存在的问题,从其映射规则和选择策略上进行改进,提出改进烟花算法;再以获得的光合速率模型为基础,利用改进烟花算法对光合速率进行迭代寻优,获取不同温度、湿度及光照因子耦合条件下的二氧化碳优化目标值。最后,考虑作物生长的时序性,利用趋化-改进粒子群的回归型支持向量机来建立温室多因子优化调控模型,实现生长期、温度、湿度及光照因子耦合条件下的二氧化碳优化调控目标值的动态计算。仿真实验验证了提出算法的有效性,相较于支持向量机和粒子群优化的支持向量机,本文提出的算法具有更高的预测精度。相较于现有的烟花算法,本文提出的改进烟花算法寻优精度更高、收敛速度更快,能快速、平稳地求解出最佳光合速率对应的环境因子优化目标值。利用趋化-改进粒子群的回归型支持向量机建立的温室多因子优化调控模型在精确度方面也表现出优越的性能,证明了本文提出的按作物光合需求动态优化环境因子方法的优越性。