L’agriculture verticale permet de contrôler presque totalement les conditions pour croître des plantes, qu’il s’agisse des conditions météorologiques, des nutriments nécessaires à la croissance des plantes ou même de la lutte contre les parasites. Il est donc possible de trouver et de définir des paramètres susceptibles d’augmenter le rendement et la qualité des récoltes et de minimiser la consommation d’énergie dans la mesure du possible. À cette fin, ce mémoire présente des algorithmes d’optimisation tels qu’une version améliorée du recuit simulé qui peut être utilisée pour trouver et donner des lignes directrices pour les paramètres de l’agriculture verticale. Nous présentons égalementune contribution sur la façon dont les algorithmes de contrôle, p. ex. l’apprentissage par renforcement profond avec les méthodes critiques d’acteurs, peuvent être améliorés grâce à une exploration plus efficace en prenant en compte de l’incertitude épistémique lors de la sélection des actions. cette contribution peut profiter aux systèmes de contrôle conçus pour l’agriculture verticale. Nous montrons que notre travail est capable de surpasser certains algorithmes utilisés pour l’optimisation et le contrôle continu. / Vertical farming provides a way to have almost total control over agriculture, whether it be controlling weather conditions, nutrients necessary for plant growth, or even pest control. As such, it is possible to find and set parameters that can increase crop yield, and quality, and minimize energy consumption where possible. To that end, this thesis presents optimization algorithms such as an enhanced version of Simulated Annealing that can be used to find and give guidelines for those parameters. We also present work on how real-time control algorithms such as Actor-Critic methods can be made to perform better through more efficient exploration by taking into account epistemic uncertainty during action selection which can also benefit control systems made for vertical farming. We show that our work is able to outperform some algorithms used for optimization and continuous control.

Thèse produite en partenariat avec la Ferme d'hiver, centre de recherche industrielle pour l'agriculture en environnement contrôlé. / L’agriculture en environnement contrôlé (AEC) est une pratique agricole de haute technologie où la culture de plantes et son environnement sont soumis à une certaine forme de contrôle afin d’obtenir des rendements plus élevés et une efficacité de production accrue. L’AEC est essentielle en raison de son impact sur la disponibilité des terres arables, l’utilisation de l’eau et l’efficacité énergétique face à l’augmentation de l’insécurité alimentaire mondiale. Les systèmes de AEC sont contrôlés par le biais d’indicateurs de performance clés (IPC) complexes que les experts de plusieurs domaines, dont les ingénieurs et les agronomes, doivent optimiser. L’optimisation des IPC nécessite l’exploration de l’immense espace d’états du système d’AEC. Étant donné que ces systèmes sont complexes et hétérogènes, ils nécessitent une approche de modélisation et de co-simulation multi-paradigme dans laquelle les modèles utilisent les formalismes et les niveaux d’abstraction les plus appropriés. Nous proposons une architecture de co-simulation de AEC capable de capturer la dynamique des entités qui composent notre système à plusieurs niveaux d’abstraction. Nous présentons nos résultats démontrant la validité de notre approche / Controlled environment agriculture (CEA) is a high-tech agricultural practice where the crop and its environment are subject to some form of control to achieve higher yields and produc- tion efficiency. CEA is critical for its impacts on arable land availability, water usage, and energy efficiency amid the rise of global food insecurity. CEA systems are controlled through complex key performance indicators (KPI) that experts of multiple domains, including engi- neers and agronomists, must optimize. The optimization of KPI requires exploring the vast state space of the CEA system. As such systems are complex and heterogeneous, they re- quire a multi-paradigm modeling and co-simulation approach in which models use the most appropriate formalisms and levels of abstraction. We provide a co-simulation architecture for CEA to capture the dynamics of the entities that comprise our system at multiple levels of abstraction and present our results showing the validity of our approach.