可见光通信由于其相对于传统的射频通信而言具有可利用带宽大、安全性好以及无电磁辐射等特点,在近年来成为了光通信领域的研究热点。在传统的研究过程中,可见光通信系统的使用场景通常比较固定,未考虑到房间内不同状态的变化。例如在实际的可见光通信系统中,房间内有通信需求的区域会随着房间中障碍物的增减或移动随之变化,或者由于背景光噪声的影响为房间内带来额外的噪声功率影响从而产生通信盲区,此时需要通过重新调整光源位置以抵消此类变化为通信系统带来的影响。本文主要研究的是在房间状态变化的情况下动态调整光源的布局。本文通过使用机器学习中的遗传算法迭代计算,对于房间中不同的状态给出了对应的最优光源分布,在光源按照最优的分布方案排列时,房间内有效的通信区域可以达到最大,相应地,房间内通信的盲区可以基本消除。在通信系统中传输速率较低时（例如10Mb/s）,在有障碍物的房间中,误码率在10^-6以下的有效通信区域占比可以达到94.85%至97.28%之间;在有背景光噪声的状态下,有效通信区域的占比可以达到91.04%。而在通信系统速率较高时（例如100Mb/s）,在不同状态的房间内有效通信区域的比例为77.92%至90.9%。另外,本文通过使用深度学习中的神经网络对光源分布方案进行预测,分别使用了多层感知器网络结构以及卷积神经网络结构对数据集进行训练,加快了对光源位置的计算过程,得到了一个在毫秒级别的时间内的预测准确率在85%以上的计算模型。通过使用该计算模型,光源分布方案可以直接通过输入的房间状态数据计算得出,避免了遗传算法等优化方法所需的迭代过程,实现了光源布局的动态调整。