CN115809556A - 一种饲料配方优化方法、系统、装置和存储介质 - Google Patents
一种饲料配方优化方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN115809556A CN115809556A CN202211555551.5A CN202211555551A CN115809556A CN 115809556 A CN115809556 A CN 115809556A CN 202211555551 A CN202211555551 A CN 202211555551A CN 115809556 A CN115809556 A CN 115809556A
- Authority
- CN
- China
- Prior art keywords
- raw material
- feed
- feed formula
- proportion
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种饲料配方优化方法、系统、装置和存储介质,其中方法包括:确定饲料配方原料,以及原料对应的约束条件;构建饲料配方优化问题模型,并确定模型的优化目标;采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;其中,含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。本发明能够高效地解决带复杂约束条件的饲料配方优化问题,可广泛应用于饲料配方领域。
Description
技术领域
本发明涉及饲料配方与演化计算两大领域,尤其涉及一种饲料配方优化方法、系统、装置和存储介质。
背景技术
随着我国人民生活水平的不断提高与城镇化进程的持续推进,以肉、蛋和奶为代表的动物性产品作为广大居民的日常刚性需求快速增长,我国养殖业也随之迅速发展,逐步向标准化、规模化和机械化养殖业转型。饲料工业作为养殖业的支撑产业,市场规模不断扩大,具有较大的发展空间。
饲料指的是所有人工饲养动物的人造食物的总称,一般指农牧业用于饲养鱼禽畜的人造食物。饲料是影响饲养动物的产出与饲养成本的关键因素,关系到养殖户的经济效益。一方面使用富含动物所需营养物质的优质饲料能有效提高产出,如提高产蛋量与出肉量,从而提高经济效益。另一方面优质饲料成本较高,会降低经济效益。因此,如何在满足动物所需营养物质前提下控制饲料成本,就成了饲料工业优先需要解决的问题。
针对上述问题,目前尚缺少一种有效的技术方案。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种饲料配方优化方法、系统、装置和存储介质。
本发明所采用的技术方案是:
一种饲料配方优化方法,包括以下步骤:
确定饲料配方原料,以及原料对应的约束条件;
构建饲料配方优化问题模型,并确定模型的优化目标;
采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;
其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
进一步地,所述确定饲料配方原料,以及原料对应的约束条件,包括:
设饲料配方可选用的原料一共有N种,对应编号为{1,2,3,...,N},原料一共分为Z个大类,对应标号为{1,2,3,...,Z};第i种原料的营养价值为vi,成本为ci,所属大类为gi∈{1,2,3,...,Z};
单一原料比例约束:第i种原料的使用比例wi需要满足约束条件lbi≤wi≤ubi(0≤lbi<ubi≤1),其中lbi为原料i的比例下限,ubi为原料i的比例上限;
使用原料种数约束:饲料配方所使用原料种数为K种,其中1≤K≤N。
进一步地,所述构建饲料配方优化问题模型,并确定模型的优化目标,包括:
饲料配方优化问题是选择K种原料并确定每种原料的使用比例构成饲料配方;
优化目标为:最大化配方的营养价值V、最小化配方的原料成本C,同时需要满足单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K;
设选中的K种原料集合构成的向量为:(a1,a2,a3,...,aK)ai∈N,每种原料比例构成的向量为:(w1,w2,w3,...,wK),两个向量组合表示在饲料配方中使用原料ai的比例为wi,原料ai的营养价值为vi,其成本为ci;
饲料配方优化问题表示为:
进一步地,所述采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,包括:
将饲料配方优化问题表述为带有单一原料比例约束、原料大类比例约束与使用原料种数约束的带基数约束的组合优化问题,采用构造式饲料配方生成法与构造式比例分配,生成满足各项约束的饲料配方,构建分布估计算法的种群,采用非支配排序选择营养价值最大化与原料成本最小化的饲料配方。
进一步地,所述含构造法的分布估计算法通过以下方式优化饲料配方:
A1、初始化参数;初始化的参数包括:单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K、信息素矩阵P、比例均值向量U、比例标准差向量D、种群规模Size、迭代次数Gen;
A2、生成初始父代种群:基于构造式饲料配方生成法随机生成合法解构成父代种群S,合法解的标准是满足单一原料比例约束条件、原料大类比例约束条件与使用原料种数约束;
A3、生成子代种群:基于构造式饲料配方生成法随机生成合法解构成子代种群Q;
A4、计算当前父代种群与子代种群中每个解代表饲料配方的营养价值V与原料成本C;
A5、将当前父代种群与子代种群合并成为集合R,并对集合R基于营养价值和原料成本进行非支配排序确定每个解的非支配等级,根据非支配等级从小到大依次选择解构成新的父代种群;
A6、根据新的父代种群中解的原料构成与比例信息,更新信息素矩阵、比例均值向量与比例标准差向量;
A7、如果达到结束条件,则优化程序结束,输出当前父代种群中解所代表的饲料配方,否则回到步骤A3。
进一步地,所述信息素矩阵P用于表征N种原料之间的关联强度,表示为:
进一步地,所述根据新的父代种群中解的原料构成与比例信息,更新信息素矩阵、比例均值向量与比例标准差向量,包括:
所述信息素矩阵P的更新方式为:
式中,ρ为挥发系数,τmin=0为信息素下界,τmax=1为信息素上界,更新后的关联信息素大小需要位于上下界之间,而对角线信息素等于所处行最大的L个信息素的均值;
所述比例均值向量U与比例标准差向量D的更新方式为:
式中,η为平滑系数,H为原料在当前父代种群S中出现的次数,如果某种原料在所有解中都没被选中,即H=0,则均值收敛至该原料单一原料比例约束的下界,标准差收敛至该原料单一原料比例约束区间的长度;如果某种原料在当前父代种群S中出现的次数大于等于1,即H≥1,则计算该原料所有使用比例的均值和标准差,ε为一个足够小的常数,防止标准差收敛为0。
本发明所采用的另一技术方案是:
一种饲料配方优化系统,包括:
约束条件确定模块,用于确定饲料配方原料,以及原料对应的约束条件;
优化问题搭建模块,用于构建饲料配方优化问题模型,并确定模型的优化目标;
饲料配方优化模块,用于采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;
其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
本发明所采用的另一技术方案是:
一种饲料配方优化装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明设计了构造式饲料配方生成法处理复杂约束条件,从而保障产生满足约束的合法解;同时优化营养价值与原料成本两个目标,从而给出不同营养价值与原料成本组合的可行方案供饲料厂选择,能够高效地解决带复杂约束条件的饲料配方优化问题。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种饲料配方优化方法的步骤流程图;
图2是本发明实施例中饲料配方优化问题示意图;
图3是本发明实施例中基于构造式分布估计算法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
饲料配方的营养物质需要根据不同的动物品种、不同的生长阶段与不同的季节等因素进行调整,但是饲料配方构成大类是基本相同的,分为能量类、蛋白质类、矿物质类、维生素类与添加剂类共五类。每个原料大类可选用的原料众多:能量类可选用玉米、大麦、麸皮、油等,蛋白质类可选用鱼粉、豆粕、花生粕、酵母粉等,矿物质类可选用碳酸钙、食盐、碘化钾、磷酸氢钙等,维生素类可选用维A、D、E、B等,添加剂类可选用赖氨酸、蛋氨酸、药物、防腐剂等。面对众多饲料原料,饲料厂无法每种原料都使用,可行的做法是综合考虑营养价值与原料成本选择有限的几种原料构成饲料配方进行生产。
饲料配方优化问题可构造为带基数约束的组合优化问题,是NP难问题的一种,即选择有限几种原料并确定每种原料的用料比例,最大化饲料配方的营养价值同时最小化原料所需成本。这类问题很难使用传统方法进行求解,而演化计算方法适用于求解NP难问题,借助近似搜索与正负反馈机制,能够在可接受时间内找到较好的解决方案。此外,饲料配方优化还面临复杂的约束条件,每个原料大类所占比例必须位于给定的区间范围内,例如猪饲料中能量类占比50-60%。与此同时,每种原料所占比例也必须位于给定的区间范围内,例如猪饲料中玉米占比0-50%。单一原料比例约束与原料大类比例约束进一步增加了饲料配方优化问题的求解难度,需设计相应的约束处理机制保障饲料配方满足约束条件。
如图1所示,本实施例提供一种饲料配方优化方法,包括以下步骤:
S1、确定饲料配方原料,以及原料对应的约束条件。
S2、构建饲料配方优化问题模型,并确定模型的优化目标。
S3、采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
作为一种可选的实施方式,本实施例的基于构造式分布估计算法是一种可用于带基数约束组合优化问题的分布估计算法,也是一个可根据问题特点定制评估函数的通用框架。算法在优化饲料配方时的步骤如下:
(1)明确问题定义。问题的决策变量包含一个选中原料集合构成的向量与一个每种原料比例构成的向量,约束条件是单一原料比例约束、原料大类比例约束与使用原料种数约束,优化目标函数是饲料的营养价值最大化与原料成本最小化。
(2)初始化参数。需要初始化的参数包括:单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K、信息素矩阵P、比例均值向量U、比例标准差向量D、种群规模Size、迭代次数Gen。
(3)生成初始父代种群。基于构造式饲料配方生成法随机生成合法解构成父代种群S,合法解的标准是满足单一原料比例约束条件、原料大类比例约束条件与使用原料种数约束。
(4)生成子代种群。基于构造式饲料配方生成法随机生成合法解构成子代种群Q。
(5)评估函数计算。计算当前父代种群与子代种群中每个解代表饲料配方的营养价值V与原料成本C。
(6)选择新的父代种群。将当前父代种群与子代种群合并成为集合R,并对集合R基于营养价值和原料成本进行非支配排序确定每个解的非支配等级,根据非支配等级从小到大依次选择解构成新的父代种群。
(7)更新构造信息。根据新的父代种群中解的原料构成与比例信息,更新信息素矩阵、比例均值向量与比例标准差向量。
(8)结束条件判断。如果达到结束条件,则优化程序结束,输出当前父代种群中解所代表的饲料配方,否则回到步骤(4)。
以下结合附图及具体实施例对上述方法进行详细解释说明。
步骤1:确定饲料配方优化问题
参见图2,图2为饲料配方的构成示意图。饲料配方原料分为五个大类:能量类、蛋白质类、矿物质类、维生素类和添加剂类,每个大类包含多种可选原料。饲料配方优化问题具体介绍如下:
(1)饲料配方可选用的原料一共有N种,对应编号为{1,2,3,...,N},原料一共分为Z个大类,对应标号为{1,2,3,...,Z}。第i种原料的营养价值为vi,成本为ci,所属大类为gi∈{1,2,3,...,Z}。
(2)单一原料比例约束:第i种原料的使用比例wi需要满足约束条件lbi≤wi≤ubi(0≤lbi<ubi≤1),其中lbi为原料i的比例下限,ubi为原料i的比例上限。
(4)使用原料种数约束:饲料配方所使用原料种数为K种,其中1≤K≤N。
步骤2:搭建饲料配方优化问题模型
饲料配方优化问题是选择K种原料并确定每种原料的使用比例构成饲料配方,其优化目标为:最大化配方的营养价值V、最小化配方的原料成本C,同时需要满足单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K。问题模型的描述如下:
设选中的K种原料集合构成的向量为:(a1,a2,a3,...,aK)ai∈N,每种原料比例构成的向量为:(w1,w2,w3,...,wK),两个向量组合表示在饲料配方中使用原料ai的比例为wi,原料ai的营养价值为vi,其成本为ci。饲料配方优化问题表示为:
该问题为带基数约束的组合优化问题,是NP难问题,适合使用演化计算方法进行求解。
步骤3:构造式饲料配方生成法
(1)构造式原料选择
构造式原料选择首先从N种原料中随机选中两种原料i和j,比较其对角线信息素值的大小,如果τii≥τjj,则选择原料i作为原料a1并将原料i设置为已选中,否则选择原料j作为原料a1并将原料j设置为已选中。随后从未选中的原料中再随机选中两种原料i和j,比较其与原料a1的关联信息素大小,如果τa1i≥τa1j,则选择原料i作为原料a2并将原料i设置为已选中,否则选择原料j作为原料a2并将原料j设置为已选中。重复上述步骤,从未选中的原料中再随机选中两种原料,比较其与上一种选中原料的关联信息素大小,将信息素较大的原料作为新的选中原料,直到完成K种原料的选择,形成原料集合向量(a1,a2,a3,...,aK)。为了确保构造的原料集合能满足约束条件,需要对其进行单一原料比例约束与原料大类比例约束检验,如果检验通过存在可行比例分配空间则进入下一步构造式比例分配,否则重新构造原料集合。
(2)构造式比例分配
由构造式原料选择得到原料集合向量(a1,a2,a3,...,aK)后,依次给每种原料确定使用比例。在给第i种原料分配比例之前,将剩余的K-i种原料及其约束条件视为一个只包含K-i种原料的规模更小的原料比例分配问题,然后计算该小规模原料比例分配问题存在可行比例分配空间的情况下,第i种原料所能分配的比例上限Up与下限Down。随后根据第i种原料的使用比例均值与标准差在区间[0,1]之间产生一个正态分布随机数W,如果W大于上限Up,则设置W=Up,如果W小于下限Down,则设置W=Down,之后将W作为第i种原料的使用比例wi。重复上述步骤为前K-1种原料分配使用比例,最后一种原料K的使用比例wK设置为通过构造式比例分配可以得到原料比例向量(w1,w2,w3,...,wK)。
构造式饲料配方生成法通过构造式原料选择与构造式比例分配得到的饲料配方原料集合向量(a1,a2,a3,...,aK)与原料比例向量为(w1,w2,w3,...,wK)能够满足单一原料比例约束条件BC、原料大类比例约束条件GC与使用原料种数约束K。
步骤4:基于构造式分布估计算法
参见图3,图3为基于构造式分布估计算法示意图。细节介绍如下:
(1)初始化参数
需要初始化的问题参数包括:单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K、种群规模Size、迭代次数Gen。
信息素矩阵P用于表征N种原料之间的关联强度,表示为:
比例均值向量U用于表征每种原料使用比例的均值,每种原料的初始均值为每种原料使用比例上界与下界的中值,即比例标准差向量D用于表征每种原料使用比例的分布,每种原料的初始标准差为每种原料使用比例区间长度的一半,即
(2)生成初始父代种群
使用构造式饲料配方生成法利用初始信息素矩阵P、初始比例均值向量U与初始比例标准差向量D随机生成Size个满足约束条件的饲料配方构成父代种群S。
(3)生成子代种群
使用构造式饲料配方生成法利用最新信息素矩阵P、最新比例均值向量U与最新比例标准差向量D随机生成Size个满足约束条件的饲料配方构成子代种群Q。
(4)评估函数计算
计算当前父代种群S与子代种群Q中每个饲料配方的营养价值与原料成本。
(5)选择新的父代种群。将当前父代种群与子代种群合并成为集合R,并对集合R基于营养价值V与原料成本C进行非支配排序,确定每个解的非支配等级rank,根据非支配等级rank从小到大依次选择Size个解构成新的父代种群S。
(6)更新构造信息
根据新的父代种群S中解的原料构成与比例信息,更新信息组矩阵、比例均值向量与比例标准差向量。
然后,对信息素矩阵P中每一个关联信息素进行更新,具体计算方式为:
其中ρ为挥发系数,τmin=0为信息素下界,τmax=1为信息素上界,更新后的关联信息素大小需要位于上下界之间,而对角线信息素仍然等于所处行最大的L个信息素的均值。
比例均值向量U与比例标准差向量D的更新方式为:
其中η为平滑系数,H为原料在当前父代种群S中出现的次数,如果某种原料在所有解中都没被选中,即H=0,则均值收敛至该原料单一原料比例约束的下界,标准差收敛至该原料单一原料比例约束区间的长度。如果某种原料在当前父代种群S中出现的次数大于等于1,即H≥1,则计算该原料所有使用比例的均值和标准差,ε为一个足够小的常数,防止标准差收敛为0。
(7)结束条件判断
判断是否达到算法迭代次数Gen,如果达到则优化程序结束,输出当前父代种群中解所代表的饲料配方,否则回到步骤(3)。
由上可知,饲料配方优化问题是一个带有复杂约束条件的NP难问题,传统演化计算方法多使用修复机制或惩罚机制来处理约束,当约束条件较为复杂时,这些机制面临效率不高或无法产生合法解的问题。本发明要解决的正是带有单一原料比例约束、原料大类比例约束与使用原料种数约束的饲料配方优化问题,亟需改进现有算法以适应问题特征。因此,本发明设计了构造式饲料配方生成法处理复杂约束条件,从而保障产生满足约束的合法解。随后借助多目标优化算法框架同时优化营养价值与原料成本两个目标,从而给出不同营养价值与原料成本组合的可行方案供饲料厂选择,从而高效地解决带复杂约束条件的饲料配方优化问题。
本发明中的基于构造式分布估计算法为一种面向饲料配方优化问题的有效求解方法,使用该方法可以在满足各项约束条件的基础上,在可接受的时间范围内,求得多个营养价值最高同时原料成本最低的饲料配方供饲料厂选择进行生产,以实现经济效益最大化,具有十分广泛的应用前景。
本实施例还提供一种饲料配方优化系统,包括:
约束条件确定模块,用于确定饲料配方原料,以及原料对应的约束条件;
优化问题搭建模块,用于构建饲料配方优化问题模型,并确定模型的优化目标;
饲料配方优化模块,用于采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;
其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
本实施例的一种饲料配方优化系统,可执行本发明方法实施例所提供的一种饲料配方优化方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供一种饲料配方优化装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本实施例的一种饲料配方优化系统,可执行本发明方法实施例所提供的一种饲料配方优化方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种饲料配方优化方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种饲料配方优化方法,其特征在于,包括以下步骤:
确定饲料配方原料,以及原料对应的约束条件;
构建饲料配方优化问题模型,并确定模型的优化目标;
采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,
获得最终的饲料配方;
其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
2.根据权利要求1所述的一种饲料配方优化方法,其特征在于,所述确定饲料配方原料,以及原料对应的约束条件,包括:
设饲料配方可选用的原料一共有N种,对应编号为{1,2,3,...,N},原料一共分为Z个大类,对应标号为{1,2,3,...,Z};第i种原料的营养价值为vi,成本为ci,所属大类为gi∈{1,2,3,...,Z};
单一原料比例约束:第i种原料的使用比例wi需要满足约束条件lbi≤wi≤ubi(0≤lbi<ubi≤1),其中lbi为原料i的比例下限,ubi为原料i的比例上限;
使用原料种数约束:饲料配方所使用原料种数为K种,其中1≤K≤N。
4.根据权利要求1所述的一种饲料配方优化方法,其特征在于,所述采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,包括:
将饲料配方优化问题表述为带有单一原料比例约束、原料大类比例约束与使用原料种数约束的带基数约束的组合优化问题,采用构造式饲料配方生成法与构造式比例分配,生成满足各项约束的饲料配方,构建分布估计算法的种群,采用非支配排序选择营养价值最大化与原料成本最小化的饲料配方。
5.根据权利要求4所述的一种饲料配方优化方法,其特征在于,所述含构造法的分布估计算法通过以下方式优化饲料配方:
A1、初始化参数;初始化的参数包括:单一原料比例约束条件BC、原料大类比例约束条件GC、使用原料种数约束K、信息素矩阵P、比例均值向量U、比例标准差向量D、种群规模Size、迭代次数Gen;
A2、生成初始父代种群:基于构造式饲料配方生成法随机生成合法解构成父代种群S,合法解的标准是满足单一原料比例约束条件、原料大类比例约束条件与使用原料种数约束;
A3、生成子代种群:基于构造式饲料配方生成法随机生成合法解构成子代种群Q;
A4、计算当前父代种群与子代种群中每个解代表饲料配方的营养价值V与原料成本C;
A5、将当前父代种群与子代种群合并成为集合R,并对集合R基于营养价值和原料成本进行非支配排序确定每个解的非支配等级,根据非支配等级从小到大依次选择解构成新的父代种群;
A6、根据新的父代种群中解的原料构成与比例信息,更新信息素矩阵、比例均值向量与比例标准差向量;
A7、如果达到结束条件,则优化程序结束,输出当前父代种群中解所代表的饲料配方,否则回到步骤A3。
7.根据权利要求6所述的一种饲料配方优化方法,其特征在于,所述根据新的父代种群中解的原料构成与比例信息,更新信息素矩阵、比例均值向量与比例标准差向量,包括:
所述信息素矩阵P的更新方式为:
式中,ρ为挥发系数,τmin=0为信息素下界,τmax=1为信息素上界,更新后的关联信息素大小需要位于上下界之间,而对角线信息素等于所处行最大的L个信息素的均值;
所述比例均值向量U与比例标准差向量D的更新方式为:
式中,η为平滑系数,H为原料在当前父代种群S中出现的次数,如果某种原料在所有解中都没被选中,即H=0,则均值收敛至该原料单一原料比例约束的下界,标准差收敛至该原料单一原料比例约束区间的长度;如果某种原料在当前父代种群S中出现的次数大于等于1,即H≥1,则计算该原料所有使用比例的均值和标准差,ε为一个足够小的常数,防止标准差收敛为0。
8.一种饲料配方优化系统,其特征在于,包括:
约束条件确定模块,用于确定饲料配方原料,以及原料对应的约束条件;
优化问题搭建模块,用于构建饲料配方优化问题模型,并确定模型的优化目标;
饲料配方优化模块,用于采用含构造法的分布估计算法和构造信息更新策略,对饲料配方优化问题模型进行处理,获得最终的饲料配方;
其中,所述含构造法的分布估计算法在满足各项约束条件的基础上,求得多个营养价值最高同时原料成本最低的饲料配方;所述构造信息更新策略能利用父代种群中的饲料配方信息更新构造信息,引导构造式饲料配方生成法生成营养价值更大,同时原料成本更低,且满足各项约束条件的饲料配方。
9.一种饲料配方优化装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-7任一项所述方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211555551.5A CN115809556A (zh) | 2022-12-06 | 2022-12-06 | 一种饲料配方优化方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211555551.5A CN115809556A (zh) | 2022-12-06 | 2022-12-06 | 一种饲料配方优化方法、系统、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809556A true CN115809556A (zh) | 2023-03-17 |
Family
ID=85485077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211555551.5A Pending CN115809556A (zh) | 2022-12-06 | 2022-12-06 | 一种饲料配方优化方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495017A (zh) * | 2023-11-14 | 2024-02-02 | 河北玖兴农牧发展有限公司 | 一种饲料生产控制系统 |
-
2022
- 2022-12-06 CN CN202211555551.5A patent/CN115809556A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495017A (zh) * | 2023-11-14 | 2024-02-02 | 河北玖兴农牧发展有限公司 | 一种饲料生产控制系统 |
CN117495017B (zh) * | 2023-11-14 | 2024-05-28 | 河北玖兴农牧发展有限公司 | 一种饲料生产控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thodesen et al. | Genetic improvement of tilapias in China: genetic parameters and selection responses in growth of Nile tilapia (Oreochromis niloticus) after six generations of multi-trait selection for growth and fillet yield | |
Tichit et al. | A co-viability model of grazing and bird community management in farmland | |
EP1776665A1 (en) | System and method for optimizing animal production | |
CN102823528B (zh) | 一种鱼虾多个性状选择育种方法 | |
CN115809556A (zh) | 一种饲料配方优化方法、系统、装置和存储介质 | |
WO2007016106A2 (en) | System and method for optimizing animal production using genotype information | |
CN115719152B (zh) | 一种农业碳排放管理方法和系统 | |
CN106372740B (zh) | 一种牧区水土草畜平衡模型的计算方法及系统 | |
CN102511430B (zh) | 一种对虾多家系配种制种方法 | |
Leung et al. | Bioeconomic modelling of shrimp and prawn: a methodological comparison | |
CN114239933A (zh) | 饲料配方的确定方法、装置、电子设备及存储介质 | |
Illius | Linking functional responses and foraging behaviour to population dynamics | |
Bastola et al. | Economically important production relationships in channel catfish (Ictalurus punctatus) foodfish production | |
Gous | A model to optimize broiler productivity. | |
Zhdanova et al. | Mathematical modeling of selection by sex-limited trait: to the question of maintenance of litter size polymorphism in natural populations of arctic foxes | |
De Graaf et al. | Simulation of Nile tilapia (Oreochromis niloticus niloticus L.) culture in ponds, through individual‐based modelling, using a population dynamic approach | |
Costa et al. | Data analytics in aquaculture | |
Hou et al. | Multi-objective scheduling model of green production based on genetic algorithm under agricultural supply side structure | |
CN111882108B (zh) | 一种混养模式下肉鸡仓储式圈舍分配方法 | |
Haythorne et al. | An improved pattern-guided evolution approach for the development of adaptive individual-based ecological models | |
CN104573839A (zh) | 一种库存管理优化方法、装置和系统 | |
Cho | Development of computer models for fish feeding standards and aquaculture waste estimations: A treatise | |
US11810644B2 (en) | System and method for genomic association | |
CN113875697B (zh) | 一种快速高效选育地方鸡种产蛋性能的方法 | |
Kurniawan et al. | The Effects of Different Sources of Protein on the Growth Performance and Digestibility Protein of Local Chickens Crossbreed: A Meta-analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |