1.基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，包括：设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；

根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。

2.如权利要求1所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化，包括：

基于灌溉量，初始化粒子群，随机产生粒子位置和速度；

依次将每一个粒子位置和速度赋值给所述模糊控制器中的量化因子和比例因子；以时间与误差绝对值乘积的积分来衡量个体性能，构建目标函数；采用自适应方式调节惯性权值；

进行SA选择；

当满足终止条件时，终止迭代，输出最优的粒子适应度值；并更新下一时刻粒子位置和速度。

3.如权利要求2所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，采用自适应方式调节惯性权值，包括：第k次迭代过程粒子pi的适应度为fi，当前的最优适应度值为fm，计算整个群体平均适应度为favg；将优于favg值的粒子再求平均得到f’avg，早熟参考指标为Δ＝|fm‑f’avg|；

根据下式计算惯性权值：

(1)fi优于f’avg时，说明粒子为较优的粒子，为加速其收敛，赋予较小的w：(2)fi优于favg但次于f’avg时，说明粒子一般，保持惯性权值w为固定值；

(3)fi次于favg时，说明粒子比较差，加大全局寻优力度，采用如下公式调整：其中，w表示惯性权值；k1表示上一次迭代；k2表示下一次迭代。

4.如权利要求2所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，更新下一时刻粒子位置和速度，包括：根据下式更新粒子位置和速度：

vij(k+1)＝w·vij(k)+c1r1(k)[pij(k)‑xij(k)]+c2r2(k)[p′ij(k)‑xij(k)]xij(k+1)＝xij(k)+vij(k+1)式中：c1、c2为学习因子，r1、r2为[0，1]范围内的均匀随机数，k为某次迭代，i为维度，i＝

1，2，...D，D为正整数，表示空间维度；j为当前粒子的索引；w为惯性权值；pij为个体极值，从诸多个体极值pij中选择其中一个记为p′ij；xij为i维空间第j个粒子的位置，vij为i维空间第j个粒子的速度，vij∈[‑vmax，vmmax]，vmax为边界速度常数。

5.如权利要求4所述的基于改进粒子群算法优化的智能灌溉模糊控制方法，其特征在于，进行SA选择，包括：

系统能量从前一状况变化为下一状态，相应的能量从E1变化为E2的概率表示为：pij为相对pg不好的解，得到距离下pij对pg的跳变概率 pg为全局极值，被选中的概率按下式计算：

式中： 为pij粒子的绝对位置， 为最优粒子的绝对位置，t为模拟退火的一个参数，t越大，距离最优点最近的点就越可能会选上；N为PSO模型的粒子总数，j为当前粒子的索引。

6.基于改进粒子群算法优化的智能灌溉模糊控制系统，其特征在于，包括：设定获取模块，用于设定土壤最佳含水率，并通过监控节点获取待灌溉区域的土壤实际含水率；根据所述最佳含水率与实际含水率的差值、及其误差变化率作为模糊控制器的输入，进行控制得到模糊控制器的参数调整量；

优化模块，用于基于所述参数调整量，采用改进粒子群算法对所述模糊控制器中的量化因子和比例因子进行优化；

应用模块，用于将优化后的所述量化因子和比例因子应用到所述模糊控制器，实现智能灌溉。