1.一种基于BP-GA的温室农作物种植效率条件优化方法，包括：采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；

根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；

根据所述函数关系和预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。

2.如权利要求1所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建所述BP神经网络模型的过程中，利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；

根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；

通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系。

3.如权利要求2所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系的过程中，根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；

根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；

将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；

根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；

根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取所述输入变量与输出变量之间的函数关系。

4.如权利要求3所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取隐含层各神经元的输出值：

其中，f为隐含层激励函数，为隐含层j个神经元的加权之和；其中，所述 通过下述方式获得：

其中，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值。

5.如权利要求4所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取输出层各神经元的输出值：

其中， 为输出层第k个神经元的输出值，j为隐含层神经元的个数， 为隐含层第j个神经元与输出层第k个神经元之间的连接权值，Hj为隐含层第j个神经元的输出值， 为输出层第k个神经元的阈值。

6.如权利要求5所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新：

其中，l＝1，2，3，…..N，N为样本数，ek为Y与对 进行了反归一化的预测值 之间的误差；所述误差通过下述方式获得：

其中，Y为实际样本输出。

7.如权利要求1所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，在根据所述函数关系和预设的评分权重，利用GA对所述函数关系进行极值寻优，获取决策参数的过程中，将所述函数关系作为GA的适应度函数，并对所述适应度函数进行计算，获取个体适应度值；

根据预设的评分权重和所获取的个体适应度值，获取综合性指标E；

预设决策参数的变化区间，以及所述GA的种群、数量以及迭代次数；

确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得所述综合指标最高；

初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；

采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；

根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。

8.如权利要求7所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取个体适应度值：

其中， 为输出层第k个神经元的输出值，j为隐含层神经元的个数， 为隐含层第j个神经元与输出层第k个神经元之间的连接权值，bk为输出层第k个神经元的阈值，f为隐含层激励函数，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值， 为输出层第k个神经元的阈值。

9.如权利要求8所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取综合性指标E：

其中，E为综合性指标，gk为根据专家评分的第k个神经元输出值的权重，yk为第k个样本数据的输出值。

10.一种基于BP-GA的温室农作物种植效率条件优化系统，包括：样本数据采集单元，用于采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；

BP神经网络模型构建单元，用于根据所述样本数据采集单元所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量；

函数关系挖掘单元，用于用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；

决策参数获取单元，用于根据所述函数关系获取单元所获取的所述输入变量与输出变量之间的函数关系，以及预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在所述综合指标E为最优时，对应的输入变量组合。