1.一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法，其特征在于，包括以下步骤：

步骤S1：采集室内环境数据，在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型；

步骤S2：系统结合实时采集到的室内环境数据，能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果；通过本发明设计的一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量，最后将最佳控制量传输给通风设备进行控制；

步骤S3：记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器，增加神经网络模型的样本数据集，定期进行模型的反馈训练，提高模型的准确性；

其中，所述步骤S1进一步包括：步骤S11:通过手动或自动调节控制量，获取不同控制量在不同环境下所得到的控制结果，即在该控制量下运行一段时间后的室内环境数据；

步骤S12：将获取得到的数据集，进行预处理，防止因异常数据或数据丢失对数据集造成干扰；

步骤S13：将预处理之后的数据集分割为样本集和测试集，样本集用于训练，测试集用于测试模型准确度；根据数据类别作为不同维度的输入数据输入LSTM模型进行训练，得到关系模型；

步骤S13进一步包括：

步骤S131:假设室内环境参数数据为 分别表示第i时刻室内不同气体的浓度数据；系统控制量为Ci，表示第i时刻的系统控制量；

步骤S132:根据样本集构建输入和输出，输入选取连续k个时刻的室内环境参数数据和系统控制变量组成；一组输入数据表示为相对应的输出结果为

选择合适的网络参数和训练次数，将输入输出代入LSTM神经网络，进行训练，得到关系模型；

步骤S2根据训练好的关系模型结合实时的环境数据进行下一时刻控制结果的预测并评分，采用磷虾群算法迭代控制量，选择对应最优评分的控制结果的控制量传输给通风设备；该步骤进一步包括：

步 骤 S2 1 ：根 据 实 时 环境 数 据 和 实 时 控 制 量 构建 实 时 输 入 数 据其中CTra为当前的所要采用的控制量(即为优化算法中所迭代的参数)，预测结果为步骤S22：对预测结果进行采用本发明的评分方案进行评分；本发明的评分方法为根据污染气体含量的高低、室内环境是否结露、体感是否舒适进行分级评分；根据分级得分，进

1 2 3

行综合计算；污染气体评分为Score ，结露评分为Score ,体感评分为Score ,综合评分

1 1 2 2 3 3 1 2 3Score＝(λ*Score+λ*Score+λ*Score)/(λ+λ+λ)；评分的数值越低则代表控制效果越好；

步骤S23:采用磷虾群优化算法寻找最优的迭代控制量，根据控制量的范围初始化种群X＝{X1,X2,X3…Xn}，计算控制结果的评分Score作为每个种群的适应度K＝{K1,K2,K3…Kn}；

种群速度的更新公式为:

其中Ni为诱导运动，Fi为觅食运动，Di为物理扩散(扰动)；种群个体会根据该速度方法移动到下一个位置，完成一次位置更新；诱导运动是隔壁种群对于该种群的影响，其表达式为：

其中ai为诱导方向，由邻居位置和最优适应度个体位置决定；wn为惯性权重在[0，1]范max

围之内； 为先前诱导运动；N 为最大的诱导速度；觅食运动是食物中心，即最佳控制量位置对于种群的吸引；其表达式为：其中Vf为觅食速度；Bi为觅食方向由食物和最优适应度个体位置决定； 为先前觅食运动；wf为惯性权重在[0，1]范围之内；物理扩散为种群随机行为，随迭代次数的增加而减少；

max

其中I为迭代次数；δ为随机方向矢量，在[‑1,1]之间；D 为最大扰动速度；Imax为迭代总数；

完成位置更新之后，采用基因繁殖机制，采用交叉操作对种族进行更新，然后继续下一次迭代；迭代完成后，拥有最优适应度的种群位置即为所要求的通风控制量；

步骤S3中上传实时的室内环境参数和最优控制量到云端数据库，增加了步骤S131中的数据集，丰富了样本数据，使训练得到的关系模型更为准确；系统通过定期下载云端服务器的新的关系模型，达到适应环境的效果。