CN116720713B - 一种用于畜牧业禽类养殖管理方法、系统及存储介质 - Google Patents

一种用于畜牧业禽类养殖管理方法、系统及存储介质 Download PDF

Info

Publication number
CN116720713B
CN116720713B CN202310981591.4A CN202310981591A CN116720713B CN 116720713 B CN116720713 B CN 116720713B CN 202310981591 A CN202310981591 A CN 202310981591A CN 116720713 B CN116720713 B CN 116720713B
Authority
CN
China
Prior art keywords
robot
cell
task
henhouse
cells
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.)
Active
Application number
CN202310981591.4A
Other languages
English (en)
Other versions
CN116720713A (zh
Inventor
张华杰
甄伟文
邱漠河
李灿彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou City Construction College
Original Assignee
Guangzhou City Construction College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou City Construction College filed Critical Guangzhou City Construction College
Priority to CN202310981591.4A priority Critical patent/CN116720713B/zh
Publication of CN116720713A publication Critical patent/CN116720713A/zh
Application granted granted Critical
Publication of CN116720713B publication Critical patent/CN116720713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Birds (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于畜牧业禽类养殖管理方法、系统及存储介质；STEP 1:图论分析与优化：本发明将鸡舍及其周围环境抽象为节点，并根据它们之间的连接关系建立边。本发明得到了一个代表鸡舍及其周边环境的图。为了优化轮式智能机器人的调度和任务执行，本发明采用了Floyd算法；一、资源优化：通过图论分析和整数规划调度，本发明能够实现智能机器人的最优调度和任务执行。这包括选择最短路径和减少等待时间，从而减少能源的消耗和浪费。通过优化资源的利用，本发明可以有效减少碳排放。

Description

一种用于畜牧业禽类养殖管理方法、系统及存储介质
技术领域
本发明涉及低碳鸡舍技术领域，特别涉及一种用于畜牧业禽类养殖管理方法、系统及存储介质。
背景技术
智能鸡舍是指使用传统的机械设备和控制方法来提供基本的饲养环境和管理功能的鸡舍。传统智能鸡舍通常采用一些自动化设备和技术，以提高养殖效率和鸡只健康状况； 智能鸡舍的轮式智能机器人是一种用于鸡舍内部的自动化设备，具有移动能力和智能控制功能。这些机器人主要用于执行鸡舍内部的任务，如巡视、清洁、喂食、测量环境参数等。例如《智能轮式机器人在养殖场中路径规划的研究》（分类号：TP242，年期：2018年第02期）所公开的智能轮式机器人，这些机器人主要用于执行鸡舍内部的任务，如巡视、清洁、喂食、测量环境参数等。
传统智能鸡舍中的轮式智能机器人基于预设的程序和规则进行操作，导致无法满足低碳需求；具体来说，传统智能鸡舍中的轮式智能机器人通常基于预设的程序和规则进行任务执行，缺乏对实时环境和鸡只需求的智能感知和适应能力。这使得机器人的任务执行缺乏灵活性，无法根据实时情况进行动态调整，从而导致资源的不必要消耗和能源的浪费。
传统智能鸡舍中的轮式智能机器人通常采用基础的路径规划算法，如最短路径算法。这种方法忽略了鸡舍内部的复杂环境和动态变化，无法综合考虑任务优先级、距离次优和干涉避免等因素，导致机器人可能选择非最优的路径，增加任务执行的时间和能源消耗。传统智能鸡舍中的轮式智能机器人通常缺乏对实时数据的深度分析和智能决策能力。机器人无法根据实时数据进行智能的任务分配和资源利用优化，无法根据环境变化和鸡只需求进行精细化的调节和决策，从而无法实现低碳化的高效管理。
传统智能鸡舍中的轮式智能机器人基于预设的程序和规则进行操作，无法满足低碳需求的产生机制主要表现在任务执行的固定化、路径规划的限制性和数据分析与决策的缺失。为了解决这些问题，需要引入更先进的规划与评估方法，以实现智能鸡舍内轮式智能机器人的优化调度和任务执行。通过数据驱动的智能决策和优化路径规划，可以实现低碳化鸡舍的高效运行，减少资源浪费和能源消耗，进而实现低碳需求。
为此，提出一种用于畜牧业禽类养殖管理方法、系统及存储介质。
发明内容
有鉴于此，本发明实施例希望提供一种用于畜牧业禽类养殖管理方法、系统及存储介质，以解决或缓解现有技术中存在的技术问题，即轮式智能机器人基于预设的程序和规则进行操作，无法满足低碳需求的产生机制主要表现在任务执行的固定化、路径规划的限制性和数据分析与决策的缺失，并对此至少提供一种有益的选择；
本发明实施例的技术方案是这样实现的：
第一方面
一种用于畜牧业禽类养殖管理方法，包括多个设于鸡舍内的轮式智能机器人：
STEP 1: 图论分析与优化：在这一步骤中，本发明利用图论分析鸡舍内部和周围环境的连接关系，构建一个网络结构。具体而言，本发明将鸡舍及其周围环境抽象为节点，并根据它们之间的连接关系建立边。这样，本发明得到了一个代表鸡舍及其周边环境的图。
为了优化轮式智能机器人的调度和任务执行，本发明采用了Floyd算法，具体公式如下：其中，d[i][j]表示节点i到节点j的最短路径距离，d[i][k]表示节点i到节点k的距离，d[k][j]表示节点k到节点j的距离。通过计算最短路径距离，本发明可以确定机器人的最优行进路线，减少等待时间和优化资源利用。
STEP 2: 元胞自动机模型建立：在这一步骤中，本发明将鸡舍划分为多个元胞，每个元胞代表一个特定的位置或资源。本发明定义了元胞的状态和相互作用规则，以模拟鸡舍中的养殖环境和鸡只的行为。
具体而言，本发明定义了元胞的状态如下：
占用状态（occupied）：表示元胞被机器人占用。
未占用状态（unoccupied）：表示元胞空闲，可以被机器人使用。
需要饲料状态（need_food）：表示元胞内的鸡只需要增加饲料。
元胞之间的相互作用规则如下：
（1）相邻元胞根据路径优先：机器人在执行任务时，优先选择最短路径上的相邻元胞进行操作。
（2）距离次优和干涉避免：当相邻元胞上的机器人数量超过预设阈值时，机器人会选择距离次优的元胞，以避免干涉。
同时在本发明中，元胞自动机主要有两个作用：
（1）第一个作用是模拟鸡舍中的养殖环境和鸡只的行为，以实时监测鸡舍内部的温度、湿度、氧气水平等参数。通过元胞自动机模型，本发明可以将鸡舍划分为多个元胞，每个元胞代表一个特定的区域或单元，如鸡舍内的一定面积或饲养箱。在每个元胞中，本发明可以模拟和计算环境参数的变化，如温度、湿度等，以反映鸡舍内部的实际情况。这些模拟结果可以提供给控制器进行精确调节，以实现最适宜的生长环境，避免能源的过度消耗。
（2）第二个作用是在元胞自动机模拟中，机器人会优先选择路径最短的相邻元胞进行操作。通过定义适当的规则和状态转换，机器人可以根据路径优先的原则，选择最短路径来执行任务。这样做可以减少机器人的行进距离和时间，提高工作效率，进而降低能源的消耗。同时，元胞自动机模拟还可以考虑距离次优和干涉避免原则，避免任务之间的冲突和干涉，进一步优化资源的利用。
因此，元胞自动机在规划与评估方法中发挥了重要作用，既能模拟鸡舍环境和鸡只行为，实现精确调控，又能在机器人操作中优先选择最短路径，提高工作效率。这两个作用的结合使得智能低碳鸡舍的运行更加高效和节能。
STEP 3: 整数规划调度建模与求解 在这一步骤中，本发明采用整数规划方法对鸡舍内的轮式智能机器人的调度问题进行建模和求解。本发明定义了以下数学公式来表示问题：
变量：
x[i][j][t]: 二进制变量，表示在时间步t，机器人从节点i移动到节点j的状态，取值为1或0。
约束条件：
每个时间步每个节点只能有一个机器人：对于每个时间步t和每个节点i，限制机器人的数量不超过1，即其中j表示鸡舍内的其他节点。
任务执行约束：对于每个时间步t和每个节点i，当元胞i处于“需要饲料状态”时，限制机器人在该节点上的停留时间不超过预设阈值，即 。
路径连通约束：对于每个时间步t，保证机器人在节点间的移动符合图论中的最短路径约束，即 ，其中i表示出发节点，j表示到达节点。
目标函数：
最小化等待时间和资源利用率的加权和：将等待时间和资源利用率的加权和作为目标函数，以平衡任务执行的效率和资源的利用率。
通过这样的整数规划模型，本发明可以优化轮式智能机器人的调度问题，确保任务按照最优路径和最优时间进行执行，从而实现资源的有效利用和低碳化处理。
综上所述，本发明的规划与评估方法包含了图论、元胞自动机和整数规划三个要素之间的相互作用。通过图论分析和优化，本发明得到机器人的最优行进路径；通过元胞自动机模型，本发明模拟鸡舍环境和鸡只行为，进行任务调度和资源优化；通过整数规划调度建模与求解，本发明实现机器人的最优调度和任务执行。这些要素之间的相互支持、相互影响和相辅相成，共同实现了智能低碳鸡舍的高效运行和资源利用，为低碳化的鸡舍管理提供了一种可行的方案。
第二方面
一种用于畜牧业禽类养殖管理系统，所述系统包括：
1）轮式智能机器人：用于在鸡舍内部进行任务执行、物资运输操作；
2）传感器设备：
温度传感器：用于监测鸡舍内部温度，并提供温度数据用于调节环境条件；
湿度传感器：用于监测鸡舍内部湿度，并提供湿度数据用于调节环境条件；
氧气传感器：用于监测鸡舍内部氧气水平，并提供氧气数据用于调节环境条件；
光照传感器：用于监测鸡舍内部光照强度，并提供光照数据用于调节环境条件；
3）控制器：用于接收传感器数据，并执行如上述所述的养殖管理方法。
4）通信设备：
通信模块：用于与外部系统进行数据交互和远程控制，与云平台或监控中心进行通信；
网络设备：路由器、交换机，用于提供内部设备之间的通信和与外部网络的连接；
5）数据存储与处理设备：
数据存储设备：云服务器、本地服务器或存储器，用于存储传感器数据、规划与评估结果相关信息；
数据处理设备：计算机或嵌入式系统，用于处理传感器数据，执行如上述所述的养殖管理方法。
轮式智能机器人是物联网低碳鸡舍中的重要组成部分，用于在鸡舍内部执行各种任务，如巡视、清洁、喂食、测量环境参数等。它具有自动化导航和智能控制功能，能够根据预设的程序和规则进行操作。轮式智能机器人通过搭载传感器设备，如温度传感器、湿度传感器、氧气传感器和光照传感器，实时监测鸡舍内部的环境参数，并将数据传输给控制器进行处理。同时，它可以根据任务优先级和路径规划算法，选择最优路径进行移动，以减少等待时间和优化资源利用。轮式智能机器人的自动化和智能化特性能够提高鸡舍的工作效率和资源利用效率，减轻人工劳动负担，为低碳化养殖提供技术支持。
在物联网低碳鸡舍中，传感器设备起到收集鸡舍内部环境数据的作用。温度传感器、湿度传感器、氧气传感器和光照传感器等传感器设备能够实时监测鸡舍内部的温度、湿度、氧气水平和光照强度等参数。这些传感器将收集到的数据传输给控制器进行处理和分析。
控制器是物联网低碳鸡舍的核心部件，接收传感器设备传输过来的数据，并根据预设的养殖方法和规则执行相应的控制策略。它能够根据传感器数据进行环境调控，控制鸡舍内部的温度、湿度和氧气水平等参数，以提供最适宜的生长环境。此外，控制器还负责接收来自通信设备的远程指令，实现远程控制和监测鸡舍运行状态。
通信设备在物联网低碳鸡舍中起到连接鸡舍与外部系统的作用。它包括通信模块、网络设备等组件，用于与云平台、监控中心或其他外部系统进行数据交互和远程控制。通过通信设备，鸡舍内部的数据可以实现实时传输和共享，同时实现远程监控和管理。
数据存储与处理设备用于存储和处理传感器数据以及规划与评估结果相关的信息。它可以是云服务器、本地服务器或其他存储设备，用于长期存储传感器数据和系统运行日志。同时，数据处理设备如计算机或嵌入式系统，用于对传感器数据进行处理、分析和决策支持，实现智能化的养殖方法和规划与评估方法的应用。
第三方面
一种存储介质，存储有能够实现如上述所述的养殖管理方法的程序指令。该存储介质可以是物理介质或数字介质，以存储能够实现上述所述养殖方法（规划与评估方法）的程序指令。物理介质可以是硬盘、固态硬盘、磁带等，数字介质可以是内存、闪存、云存储等。这些存储介质提供了可靠的数据存储和读取能力，可以长期保存养殖方法的相关程序指令。存储介质的工作原理基于物理或数字技术。在物理介质中，数据通过磁性或光学方式被编码和储存，如硬盘中的磁头读写数据，磁带中的磁道储存数据。而在数字介质中，数据以电子信号的形式存储，如内存中的电荷状态或闪存中的电荷量。存储介质使用控制器或芯片来管理数据的存取和操作。储养殖方法的程序指令，包括基于图论、元胞自动机和整数规划的规划与评估方法。这些程序指令记录了养殖方法的具体步骤、算法和规则，为智能化鸡舍的运行提供了基础。
与现有技术相比，本发明的有益效果是：
一、资源优化：通过图论分析和整数规划调度，本发明能够实现智能机器人的最优调度和任务执行。这包括选择最短路径和减少等待时间，从而减少能源的消耗和浪费。通过优化资源的利用，本发明可以有效减少碳排放。
二、精确调控：借助元胞自动机模型和传感器设备，本发明能够实时监测鸡舍内部的温度、湿度、氧气水平等参数。基于这些数据，本发明可以精确调节鸡舍的环境条件，提供最适宜的生长环境，避免过度能源消耗。这种精确调控能力有助于降低能源的使用量，减少碳排放。
三、任务协调：通过相互作用规则和路径优化，本发明可以协调轮式智能机器人在鸡舍内的任务执行。机器人根据路径优先、距离次优和干涉避免原则，避免任务的重叠和资源的浪费。这种任务协调能力有助于提高工作效率，减少能源消耗和碳排放。
四、数据驱动决策：通过传感器设备和数据存储与处理设备，本发明能够收集和分析大量的鸡舍环境数据。这些数据可以用于评估和改进养殖方法，优化鸡舍的能源利用和低碳化管理策略。数据驱动决策能够帮助本发明更好地理解鸡舍的运行情况，采取合理的措施来降低能源消耗和减少碳排放。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的逻辑示意图。
实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
实施例1：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
一种用于畜牧业禽类养殖管理方法，包括多个设于鸡舍内的轮式智能机器人，并作如下实施：
STEP 1: 图论分析与优化：利用图论方法分析智能鸡舍内部和周围环境的路径网络/拓扑关系，并构建鸡舍及其周围环境的网络结构；通过图论算法，如最短路径算法、最小生成树算法，确定最优的能量和物质流动路径，以最小化能源浪费和资源的不必要消耗。
STEP 2: 元胞自动机模拟与预测：将智能鸡舍划分为多个元胞，并定义元胞自动机模型来模拟鸡舍中的养殖环境和鸡只的行为；
STEP 3: 整数规划调度与优化：利用整数规划方法对鸡舍内的机器人调度问题进行建模和求解。将调度问题转化为整数规划模型，定义决策变量来表示机器人的状态和任务分配，约束条件来限制机器人的行动和任务执行，目标函数来优化资源利用率和最小化等待时间，进而在整体上实现低碳操作。整数规划调度通过约束条件和目标函数来支持元胞自动机模型的行动和决策，在整数规划模型中加入约束条件，元胞自动机模型提供关于鸡舍环境和鸡只行为的模拟和预测，用于优化整数规划调度中的约束条件和目标函数。
具体的：本实施例展示了一种基于图论、元胞自动机和整数规划的智能低碳鸡舍的设计与实施与养殖管理方法。该方法通过综合运用图论分析、元胞自动机模拟和整数规划调度优化，实现智能化的鸡舍控制与管理，以达到低碳化和高效化的养殖目标。本实施例将对此方法的原理、逻辑以及在智能低碳鸡舍中的具体应用进行详细说明。
（1）图论的作用：图论在智能低碳鸡舍中扮演重要角色。通过图论的分析，可以将鸡舍内外部的连接关系构建成一个网络结构，用于优化资源的利用和能源的调配。具体而言，图论可以帮助分析和优化鸡舍内部的布局、设备的摆放位置以及机器人的运动路径等。通过构建网络结构，并通过最短路径算法（如Floyd算法）寻找机器人流动的最短路径，可以减少机器人的行进距离和时间，优化资源利用，降低能源消耗。
（2）元胞自动机的功能：元胞自动机在智能低碳鸡舍中有多个重要功能。首先，元胞自动机可以模拟鸡舍中的养殖环境和鸡只的行为。通过将鸡舍划分为多个元胞，每个元胞代表一个特定的区域或单元，可以模拟和计算环境参数的变化，如温度、湿度等。这些模拟结果可以提供给控制器进行精确调节，以实现最适宜的生长环境，避免能源的过度消耗。其次，元胞自动机在机器人操作中起到了重要作用。通过定义适当的规则和状态转换，机器人可以根据路径优先的原则，选择最短路径来执行任务。这样做可以减少机器人的行进距离和时间，提高工作效率，进而降低能源的消耗。此外，元胞自动机模拟还可以考虑距离次优和干涉避免原则，避免任务之间的冲突和干涉，进一步优化资源的利用。
（3）整数规划调度与优化：整数规划调度与优化在智能低碳鸡舍中起到关键作用。通过整数规划方法，可以建立数学模型来描述鸡舍中轮式智能机器人的调度问题，并通过优化目标函数找到最优的调度方案。整数规划方法可以考虑多个因素，如任务执行时间、机器人能力、资源利用率等，并在满足约束条件的前提下，寻找最佳的任务调度策略。整数规划的核心是建立数学模型，包括定义决策变量、约束条件和目标函数。决策变量可以表示机器人的任务执行顺序、路径选择等。约束条件可以包括任务的时间窗口限制、机器人的能力限制、资源利用率限制等。目标函数可以是多个指标的加权和，如最小化等待时间和资源利用率的加权和，以实现高效的任务调度和资源利用。通过整数规划的求解过程，可以得到最优的机器人调度方案，使得任务能够在最短的时间内完成，同时最大限度地减少能源消耗和碳排放。这样可以提高鸡舍的自动化程度和工作效率，降低人工劳动负担，并减少能源的浪费，从而实现智能低碳鸡舍的目标。
具体的：（1）图论和元胞自动机之间的相互作用、相辅相成关系和有益效果（低碳）：图论提供了鸡舍内各元胞之间的连接关系和路径信息，为元胞自动机模型提供基础结构。通过图论分析，可以计算得到元胞之间的最短路径和距离，为机器人在元胞之间进行任务调度和移动提供依据。元胞自动机模型通过模拟和计算元胞状态的变化，反映鸡舍内部环境参数的变化，如温度、湿度等。这些模拟结果提供给整数规划调度和控制器，实现最优生长环境和资源利用的调节，从而减少能源消耗和提高效率。图论提供元胞自动机模型所需的网络结构和路径信息，而元胞自动机模型通过模拟和计算元胞状态的变化，为整数规划调度提供约束条件和目标函数的输入。因此，图论和元胞自动机之间的相互作用实现智能鸡舍的低碳操作，提高能源利用效率，减少能源浪费和环境影响。
（2）图论和整数规划调度之间的相互作用、相辅相成关系和有益效果（低碳）：图论提供鸡舍内元胞之间的连接关系和路径信息，为整数规划调度提供任务分配的基础。通过图论分析，可以计算得到元胞之间的最短路径和距离，为机器人在元胞之间执行任务提供最优路径选择的依据。整数规划调度通过建立数学模型、定义决策变量、约束条件和目标函数，优化任务调度和资源利用。通过整数规划调度的优化，可以最大限度地减少任务执行时间和资源浪费，提高鸡舍的运行效率实现低碳性能。
（3）整数规划调度和元胞自动机之间的相互作用、相辅相成关系和有益效果（低碳）：元胞自动机为整数规划调度提供约束条件和目标函数的输入：元胞自动机模型模拟和计算鸡舍内部环境参数的变化，如温度、湿度等。这些模拟结果可以作为整数规划调度的约束条件，限制任务分配和资源利用的条件。例如，元胞自动机模型可以指示哪些区域需要增加饲料或提供更优的生长环境，整数规划调度可以根据这些信息合理分配任务和调度机器人的行动。元胞自动机优化整数规划调度的输入：通过元胞自动机模型的模拟和计算，可以优化整数规划调度中的约束条件和目标函数。元胞自动机模型预测鸡舍内部的状态变化和鸡只的行为，例如饲料的消耗速率、环境参数的变化等。这些预测结果可以用于调整整数规划调度中的任务执行时间和资源利用率，以实现更高效的任务分配和资源利用。元胞自动机模型可以提供关于鸡舍内部环境和鸡只行为的模拟和预测，而整数规划调度可以通过优化任务分配和资源利用来降低能源消耗。两者相结合，可以综合考虑鸡舍内部环境的优化、任务分配的效率和能源的利用等方面，从而实现低碳的养殖操作。例如，通过合理的任务调度和路径规划，减少机器人的移动距离和能源消耗；通过元胞自动机模型的模拟和预测，调整任务执行时间和资源利用，避免资源浪费和能源过度消耗。
综上，基于图论、元胞自动机和整数规划的智能低碳鸡舍方法通过图论的分析和优化、元胞自动机的模拟和任务协调、整数规划的调度与优化，实现了鸡舍的智能化控制与管理，提高了工作效率、降低了能源消耗，达到了低碳化的目标。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例2：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
在STEP 1中，采用Floyd算法进行图论分析，Floyd算法用于计算带权图中所有节点之间的最短路径。对于智能鸡舍的图论分析与优化：
距离矩阵初始化：
D[i][j]：一个二维矩阵，表示图中节点v_i和节点v_j之间的距离；其中D[i][j]存储节点i和节点j之间的最短距离；
w(e)：表示图中边e=(v_i, v_j)的权重；如果存在连接节点v_i和v_j的边，则将D[i][j]的值设置为w(e)；
E：表示图中所有边的集合；如果节点v_i和节点v_j之间没有边连接，将距离D[i][j]设置为无穷大（∞），表示这两个节点之间没有直接连接；
D[i][i]对于所有i都设置为0，表示节点到自身的距离为0；
Floyd算法迭代计算：
其中，其中，N：表示图中节点或顶点的总数；
k：Floyd算法的第一个循环（for k = 1 to N）中使用的变量，表示考虑用于寻找两个节点之间最短路径的中间节点；
i，j：Floyd算法的第二个和第三个循环（for i = 1 to N，for j = 1 to N）中使用的变量，表示计算最短路径的起始节点和目标节点；
D[i][k]表示节点v_i到中间节点v_k的最短距离；
D[k][j]表示中间节点v_k到目标节点v_j的最短距离；
更新D[i][j]的值，取当前D[i][j]的值和D[i][k]加上D[k][j]的值的最小值；这一步用于找到节点i和节点j之间的最短路径，结合了中间节点k的影响。
具体的：Floyd算法是一种动态规划算法，通过逐步迭代更新距离矩阵，计算图中任意两个节点之间的最短路径距离。算法通过使用中间节点，逐渐扩展路径的长度，直到计算出所有节点之间的最短路径。
进一步的：
a) 距离矩阵初始化： 在算法开始时，初始化距离矩阵D，其中D[i][j]表示节点v_i到节点v_j的最短路径距离。根据图中边的连接情况，分别给出已连接的边和未连接的边的初始权重。对于已连接的边，使用其权重作为初始距离；对于未连接的边，将其距离设置为无穷大（表示不可达）；对于节点自身，距离设置为0。
b) Floyd算法迭代计算： 通过迭代计算，更新距离矩阵D中的元素，使其逐步逼近最短路径距离。算法通过引入中间节点k，将路径分为两部分：一部分经过中间节点k，另一部分不经过中间节点k。对于每个中间节点k，遍历所有节点对(i, j)，并通过比较D[i][j]和D[i][k]+ D[k][j]的大小，更新D[i][j]为较小值。
迭代过程如下：
对于每个中间节点k（从1到N）：
对于每对节点(i, j)（从1到N）：
计算
重复以上迭代过程，直到所有节点对之间的最短路径距离被计算出。
再进一步的：在算法实现中，使用二维数组D来表示距离矩阵，其中D[i][j]表示节点v_i到节点v_j的最短路径距离。通过遍历中间节点k和节点对(i, j)，更新D[i][j]为D[i][j]和D[i][k]+ D[k][j]的较小值，即取两条路径中较短的一条。在智能低碳鸡舍中，通过应用Floyd算法进行图论分析，可以计算出鸡舍中任意两个位置之间的最短路径距离。这对于轮式智能机器人在鸡舍内部的任务执行和物资运输至关重要。
具体而言，Floyd算法可以帮助确定机器人在鸡舍内部的最佳路径，从而减少机器人的行进距离和时间，优化资源利用，降低能源消耗。通过在距离矩阵中记录最短路径距离，可以使机器人能够智能地选择路径，使其能够以最高效的方式完成任务。在智能低碳鸡舍中，轮式智能机器人可以执行多种任务，如饲料补给、环境监测、清洁操作等。通过应用Floyd算法计算出的最短路径，机器人可以快速且经济地到达目标位置，减少行进的冗余和浪费。这样不仅提高了机器人的工作效率，还能够降低能源的消耗，实现智能低碳鸡舍的目标。
示例性的，将鸡舍内划分九个节点：
节点之间的连接关系和权重：
边 (1, 2) 的权重为 2、边 (1, 4) 的权重为 5、边 (2, 3) 的权重为 3、边 (2,5) 的权重为 6、边 (3, 6) 的权重为 4、边 (4, 5) 的权重为 2、边 (4, 7) 的权重为 7、边 (5, 6) 的权重为 1、边 (5, 8) 的权重为 4、边 (6, 9) 的权重为 3、边 (7, 8) 的权重为 2、边 (8, 9) 的权重为 5
根据上述参数，进行Floyd算法的计算过程：
距离矩阵初始化：
Floyd算法迭代计算：
迭代计算的具体步骤如下：
/>
按照以上步骤，完成了Floyd算法的迭代计算。最终得到的距离矩阵D如下：
/>
通过以上计算，得到了智能鸡舍中所有节点之间的最短路径距离，用距离矩阵D来表示。在该示例中，节点之间的最短路径距离如下所示：
节点间的最短路径距离：
节点1到节点1的最短路径距离为0；节点1到节点2的最短路径距离为2；节点1到节点3的最短路径距离为5；节点1到节点4的最短路径距离为5；节点1到节点5的最短路径距离为6；节点1到节点6的最短路径距离为5；节点1到节点7的最短路径距离为7；节点1到节点8的最短路径距离为9；节点1到节点9的最短路径距离为12。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例3：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
在STEP 2中通过定义规则和状态转换，预测鸡舍中的各种情况和变化趋势，优化养殖策略并及时采取相应措施，改善养殖效果并实现低碳操作：
元胞自动机模型：每个元胞 c_i 表示鸡舍内的一个特定位置或资源，具有以下属性：
状态变量 s_i，表示元胞的状态；例如是否被占用或需要增加饲料。
邻居集合 N_i，表示与元胞 c_i 相邻的元胞集合；
相互作用规则：
相邻元胞根据路径优先：机器人优先选择路径最短的相邻元胞进行操作；
距离次优和干涉避免：如果多个相邻元胞具有相同的最短路径距离，机器人选择距离次优的元胞，并避免与其他机器人产生干涉；
目标函数：
约束条件：
s_i：表示元胞 c_i 的状态变量，可以是一个二进制变量，用于表示元胞是否被占用或需要增加饲料；
s_i = 1：表示元胞被占用或需要增加饲料，s_i = 0 表示元胞空闲或不需要增加饲料；
N_i：表示与元胞 c_i 相邻的元胞集合。可以用邻接矩阵或邻接表的形式表示。N_i 可以包含与元胞 c_i 相邻的所有元胞的编号或引用。
约束条件是针对每个元胞c_i的状态变量s_i的限制；Σs_i表示所有与元胞c_i相邻的元胞的状态变量之和，w_i表示以时间步为单位的元胞c_i的等待数量限制；约束条件表明每个元胞的状态变量之和不能超过其等待数量限制。
在STEP 2中，利用元胞自动机模型来预测鸡舍中的各种情况和变化趋势，并通过定义规则和状态转换来优化养殖策略和实施相应的措施，以改善养殖效果并实现低碳操作；元胞自动机模型是一种基于格点的离散模型，将鸡舍划分为多个元胞，每个元胞表示一个特定的位置或资源。每个元胞具有状态变量s_i，用于表示元胞的状态，例如是否被占用或需要增加饲料。
定义了相互作用规则来控制元胞之间的交互行为：
（1）相邻元胞根据路径优先：机器人在执行任务时优先选择路径最短的相邻元胞进行操作。这样可以减少机器人的行进距离和时间，提高工作效率，并减少能源消耗。
（2）距离次优和干涉避免：如果多个相邻元胞具有相同的最短路径距离，机器人会选择距离次优的元胞，并避免与其他机器人产生干涉。这样可以避免机器人之间的冲突和碰撞，确保任务的顺利执行。
的目标是通过优化元胞的状态变量s_i来实现最佳的养殖效果和低碳操作。定义了目标函数，即最小化所有元胞状态变量乘以相应权重w(i, j)的和。这里w(i, j)表示元胞c_i与相邻元胞c_j之间的权重。
同时，还需要满足约束条件，即保证所有元胞状态变量的总和不超过元胞的容量w_i。这保证了鸡舍内部的资源利用的合理性和限制，避免资源的浪费。
通过元胞自动机模型、相互作用规则、目标函数和约束条件的定义，可以通过优化元胞的状态变量，预测和调整鸡舍中的养殖环境和资源分配，实现最佳的养殖效果和低碳操作。这个步骤的原理在于通过对元胞状态的规划和调控，使得智能鸡舍能够根据实时的情况和变化趋势做出合理的决策和调整，提高养殖效率，减少资源浪费，实现低碳操作的目标。
示例性的，本实施例的鸡舍参数优选如下：
鸡舍尺寸： 10*10，总共有100个元胞。
鸡舍的邻接关系：根据鸡舍的实际布局，定义每个元胞的邻居集合N_i。可以采用邻接矩阵或邻接表的形式表示邻居关系。
状态变量：每个元胞c_i具有一个状态变量s_i，用于表示元胞的状态。在这个示例中，设s_i为二进制变量，s_i=1表示元胞被占用或需要增加饲料，s_i=0表示元胞空闲或不需要增加饲料。目标函数权重：定义权重w(i, j)，表示元胞c_i与相邻元胞c_j之间的权重。这里可以设定权重为正整数，范围为1到10。随后，进行如下操作：
P1、初始化元胞状态：
为每个元胞随机分配一个初始状态s_i，取值为0或1。
P2、进行状态转换：
遍历每个元胞c_i，根据相邻元胞的状态和规则进行状态转换。
根据相邻元胞根据路径优先的规则，选择路径最短的相邻元胞进行操作。如果有多个相邻元胞具有相同的最短路径距离，根据距离次优和干涉避免的规则选择合适的元胞。
根据当前状态和规则，更新元胞的状态s_i。
重复进行状态转换，直到满足终止条件（例如达到预设的迭代次数或稳定状态）。
P3、计算目标函数值：
遍历所有元胞c_i，计算目标函数的值，即ΣΣ(w(i, j) * s_i)。
检查约束条件：
遍历所有元胞c_i，检查约束条件Σs_i ≤ w_i是否满足，其中w_i表示元胞c_i的容量。
通过以上步骤，可以优化元胞的状态变量s_i，并根据最优的状态进行养殖策略的调整和实例。
设一个示例，其中鸡舍的尺寸为4x4，共有16个元胞。将用以下参数来进行推导：邻接关系：使用邻接矩阵表示邻接关系，其中1表示相邻，0表示不相邻：
邻接矩阵：
状态变量：每个元胞c_i具有一个状态变量s_i，设随机初始化元胞的状态如下：
初始状态：
目标函数权重：随机设定元胞之间的权重如下：
接下来，按照以下步骤进行推导：
（1）初始化元胞状态：根据初始状态s_i，得到每个元胞的初始状态。
（2）进行状态转换：根据相邻元胞的状态和规则，更新元胞的状态。设定按照路径优先和距离次优的规则进行选择。
（3）对于元胞c_1，它的相邻元胞为c_2和c_3。根据规则，选择路径最短的c_2进行操作。
（4）对于元胞c_2，它的相邻元胞为c_1、c_3和c_4。根据规则，选择路径最短的c_1进行操作。
以此类推，对每个元胞进行状态转换。
最终，得到更新后的状态：
更新后的状态：
重复进行状态转换：可以继续迭代进行状态转换，直到达到预设的终止条件。计算目标函数值：根据目标函数的公式，计算所有元胞的状态变量乘以权重的和。在这个示例中，得到：
检查约束条件：在这个示例中，设定每个元胞的容量上限为2。因此，需要检查每个元胞的状态变量之和是否小于等于2。
根据以上步骤，通过元胞自动机模型进行状态转换和优化，最终得到了优化后的元胞状态以及计算出的目标函数值。这个过程通过定义规则和状态转换，预测鸡舍中的情况和变化趋势，优化养殖策略并实施相应的措施，从而实现低碳操作。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例4：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
1）相邻元胞根据路径优先：在元胞自动机模拟中，机器人会根据路径优先原则选择路径最短的相邻元胞进行操作。这可以通过定义机器人选择相邻元胞的规则来实现。引入决策变量d[i][j]来表示机器人i在当前时刻t选择相邻元胞c_j的决策。
决策变量d[i][j]的取值为1，当且仅当d[i][j]等于所有相邻元胞c_k中的最小值。这意味着机器人i会选择与其距离最近的相邻元胞进行操作。以下公式描述了决策变量d[i][j]的计算过程：
通过这种方式，机器人将优先选择与其距离最近的相邻元胞，从而实现路径优先的操作。对于机器人i在当前时刻t，如果其与所有相邻元胞k的距离d[i][k]中，d[i][j]的值是最小的（j是某个相邻元胞），则将d[i][j]设置为1，表示机器人i选择相邻元胞c_j进行操作。
2）距离次优和干涉避免： 当多个相邻元胞具有相同的最短路径距离时，机器人选择距离次优的元胞，并避免与其他机器人产生干涉。引入了优先级机制和干涉避免机制来实现这个目标。
2.1）优先级机制：为每个机器人设置一个优先级参数p[i]，表示机器人i的优先级。可以通过将优先级参数与元胞选择决策变量结合起来，进一步细化机器人的操作。
决策变量d[i][j]的取值为1，当且仅当d[i][j]等于所有相邻元胞c_k中的最小值，并且机器人i的优先级p[i]小于相邻机器人k的优先级p[k]。以下公式描述了这个机制的计算过程：
这意味着机器人i会选择与其距离最近的相邻元胞，并且在相邻元胞具有相同的最短路径距离的情况下，只有当机器人i的优先级p[i]小于相邻机器人k的优先级p[k]时，机器人i才会选择该元胞进行操作。
2.2）干涉避免机制：为了避免不同机器人之间的行动相互干涉，引入了干涉避免机制。干涉避免机制通过限制同一元胞上的机器人数量来避免干涉。定义了一个干涉变量interference[i]来表示机器人i是否与其他机器人产生干涉。
干涉变量interference[i]的取值为1，当且仅当机器人i所在的元胞c_i的相邻元胞中至少有一个元胞c_j满足Σd[k][j]>1的条件，其中k≠i。以下公式描述了这个机制的计算过程：
对于机器人i，在当前时刻t如果有其他机器人k也选择相邻元胞c_j进行操作（Σd[k][j]>1），则将interference[i]设置为1，表示机器人i与其他机器人产生干涉；反之，如果没有其他机器人与机器人i在同一元胞上进行操作，则将interference[i]设置为0，表示没有干涉。
这意味着如果机器人i所在的元胞c_i的相邻元胞中有至少一个元胞c_j，使得至少有两个机器人选择该元胞进行操作，那么机器人i会被标记为干涉，表示与其他机器人产生干涉。这样可以确保不同机器人之间的行动不会相互干涉。通过以上相邻元胞选择规则和干涉避免机制，可以在智能低碳鸡舍中优化轮式智能机器人的操作。这些规则和机制的应用可以提高机器人的效率，减少能源消耗，避免干涉，从而实现低碳操作。
示例性的：本实施例的鸡舍有5个相邻元胞，分别编号为c_1, c_2, c_3, c_4, c_5。有3个智能轮式机器人，分别编号为r_1, r_2, r_3。为了简化示例，设每个机器人只能选择一个相邻元胞进行操作。
（1）相邻元胞根据路径优先：
为了选择路径最短的相邻元胞，引入决策变量d[i][j]，表示机器人i在当前时刻是否选择相邻元胞c_j进行操作。可以通过以下公式来计算d[i][j]：
在的示例中，设定d[i][j]的初始值为0，表示机器人i不选择相邻元胞c_j。将计算d[i][j]的值，找出路径最短的相邻元胞。
定义相邻元胞之间的距离如下：
现在根据上述公式来计算每个机器人的决策变量d[i][j]：
对于机器人r_1：
对于机器人r_2：
d[r_2][根据路径优先的原则，每个机器人选择了距离最短的相邻元胞进行操作。
（2）距离次优和干涉避免：
当多个相邻元胞具有相同的最短路径距离时，机器人需要选择距离次优的元胞，并避免与其他机器人产生干涉。为此，引入优先级机制和干涉避免机制。
优先级机制和干涉避免机制：
为每个机器人设置一个优先级参数p[i]，表示机器人i的优先级。可以通过将优先级参数与元胞选择决策变量结合起来，来确定机器人的选择。下面是描述这个机制的公式：
在示例中，设定机器人r_1的优先级p[r_1]为1，机器人r_2的优先级p[r_2]为2，机器人r_3的优先级p[r_3]为3。将使用上述公式来计算每个机器人的决策变量d[i][j]：
优先级参数：
相邻元胞之间的距离：
现在来计算每个机器人的决策变量d[i][j]。
对于机器人r_1：
对于机器人r_2：
/>
根据决策变量，可以得出以下结论：
机器人r_1选择操作相邻元胞c_1和c_4。
机器人r_2选择操作相邻元胞c_2和c_5。
机器人r_1不选择操作相邻元胞c_2、c_3和c_5。
机器人r_2不选择操作相邻元胞c_1、c_3和c_4。
这意味着在给定的决策变量下，机器人r_1和r_2选择了不同的相邻元胞进行操作，避免了彼此的干涉。机器人r_1选择了距离最近的相邻元胞c_1和c_4作为优先，而机器人r_2选择了距离次优的相邻元胞c_2和c_5。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例5：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
元胞自动机的另一个作用是模拟鸡舍中的养殖环境和鸡只的行为，以实时监测鸡舍内部的温度、湿度、氧气水平等参数。通过元胞自动机模型，本发明可以将鸡舍划分为多个元胞，每个元胞代表一个特定的区域或单元，如鸡舍内的一定面积或饲养箱。在每个元胞中，本发明可以模拟和计算环境参数的变化，如温度、湿度等，以反映鸡舍内部的实际情况。这些模拟结果可以提供给控制器进行精确调节，以实现最适宜的生长环境，避免能源的过度消耗。
可以理解的是，上述温度、湿度、氧气水平等参数基于鸡舍内的传感器设备（即多个种类的传感器）进行检测评估。
进一步的：采用传热传质方程来模拟和计算鸡舍内部环境参数的变化，可以进一步迭代元胞自动机模型的算法，以考虑传热传质过程
初始化阶段：
a. 定义鸡舍的元胞网格，每个元胞代表一个特定的区域或单元，如鸡舍内的一定面积或饲养箱。
b. 为每个元胞设置初始的温度和湿度值。
计算阶段：
a. 对于每个元胞 c_i：
i.计算元胞 c_i 的传热传质速率：
ii. 根据传热传质速率计算温度和湿度的变化：
b. 更新每个元胞的温度和湿度值：
其中：
T_i 表示元胞 c_i 的温度；
H_i 表示元胞 c_i 的湿度；
T_ambient 和 H_ambient 表示鸡舍的环境温度和湿度；
k_i 是元胞 c_i 的传热系数；
q_i 和 q'_i 表示元胞 c_i 的传热传质速率；
m_i 和 m'_i 表示元胞 c_i 的传热传质速率；
ρ_i 是元胞 c_i 的密度；
C_p_i 是元胞 c_i 的比热容；
V_i 是元胞 c_i 的体积；
具体的：设置大小为 M×N 的二维元胞网格或图论网络，代表鸡舍内部的区域。每个元胞 c_{i,j} 都具有温度 T_{i,j} 和湿度 H_{i,j}。
初始化阶段：
定义元胞网格的大小和初始温度湿度值。M=10, N=10，每个元胞的初始温度和湿度可以设置为相同的常数值。
设置环境温度 T_ambient 和湿度 H_ambient。
模拟计算阶段：
对于每个元胞 c_{i,j}：
i. 计算传热传质速率：
ii. 计算传热传质速率的变化量：
iii. 更新温度和湿度值：
重复以上步骤，直到达到设定的模拟时间。
在该示例中，考虑了传热传质方程来模拟和计算鸡舍内部温度和湿度的变化。通过迭代计算每个元胞的传热传质速率和变化量，并更新温度和湿度值，可以模拟和计算鸡舍内部环境参数的变化。这样，可以根据实际需求精确控制鸡舍的温湿度，避免能源的过度消耗，实现低碳操作的目标。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例6：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
x[i][j] ：决策变量，表示机器人 i 是否执行任务 j；t[i][j] 是决策变量，表示机器人 i 在执行任务 j 时的起始时间；
d[i][j] ：机器人 i 在执行任务 j 时所需的时间步数；
s_i ：元胞自动机模型中元胞 c_i 的状态变量，表示元胞的状态；
α：权衡等待时间和资源利用率的权重参数；
w_i ：元胞 c_i 以时间步为单位的等待数量限制。
在STEP 3中，引入整数规划模型来优化机器人任务调度，以实现低碳智能鸡舍的目标。
目标函数：希望通过优化任务调度，使得等待时间和资源利用率达到最优。因此，的目标函数可以表示为：
其中，x[i][j] 是决策变量，表示机器人 i 是否执行任务 j；t[i][j] 是决策变量，表示机器人 i 在执行任务 j 时的起始时间；d[i][j]是机器人 i 在执行任务 j 时所需的时间步数；α 是权衡等待时间和资源利用率的权重参数。
约束条件： 为了确保任务调度的有效性和合理性，需要添加一些约束条件：
每个任务只能由一个机器人执行：
每个机器人只能执行一个任务：
如果机器人 i 不能执行任务 j，则决策变量 x[i][j] 应为 0：
任务的顺序和时序要求：
元胞状态与任务执行的关联：
元胞等待数量限制：
目标函数是一个由两个部分组成的求和项；第一部分ΣΣ(x[i][j]* t[i][j])表示机器人执行任务的总时间，其中x[i][j]是决策变量，表示机器人i是否执行任务j，t[i][j]是决策变量，表示机器人i在执行任务j时的起始时间；第二部分α * ΣΣ(x[i][j]* d[i][j])表示等待时间的惩罚项，其中α是权重参数，d[i][j]是决策变量，表示机器人i执行任务j所需的时间步数；
约束条件：Σx[i][j]= 1，表示每个机器人必须执行一个任务；
Σx[i][j] ＜ 1，表示每个任务只能由一个机器人执行；
x[i][j]= 0，表示如果机器人i不能执行任务j，则将决策变量x[i][j]设置为0；
t[i][j] ≥ t[i'][j]+ d[i'][j]，表示如果机器人i执行了任务j，则机器人i在执行任务j的起始时间必须晚于其他机器人i'在执行任务j的起始时间，其中i ≠ i'；
s_i = 1，表示如果机器人i执行了任务j，则将状态变量s_i设置为1，表示机器人i正在执行任务；
Σ(x[i][j]* d[i][j]) ≤ w_i，表示机器人i执行的所有任务的总时间步数不超过元胞c_i的等待数量限制w_i（以时间步为单位）。
通过优化上述目标函数和约束条件，可以得到最优的机器人任务调度方案。目标函数中的第一项表示等待时间的总和，希望尽量减少机器人的等待时间，以提高效率和资源利用率。目标函数中的第二项是权衡因子，通过调整参数 α，可以根据具体需求平衡等待时间和资源利用率的重要性。
约束条件确保了任务调度的有效性和合理性，包括每个任务只能由一个机器人执行、每个机器人只能执行一个任务、任务的顺序和时序要求以及元胞状态与任务执行的关联。另外，元胞的等待数量限制也被考虑在内，以确保鸡舍内部的等待资源数量不超过设定的限制。通过整数规划模型，可以得到最优的机器人任务调度方案，该方案考虑了等待时间和资源利用率及低碳需求，并通过合理的任务分配和顺序安排来实现低碳智能鸡舍的目标。
示例性的：本实施例优选：
机器人数量：2
任务数量：3
机器人执行任务所需时间（单位：时间步）：
机器人1：任务A（t[1][A]= 2）、任务B（t[1][B]= 3）、任务C（t[1][C]= 4）
机器人2：任务A（t[2][A]= 3）、任务B（t[2][B]= 2）、任务C（t[2][C]= 4）
元胞等待数量限制（以时间步为单位）：
元胞1：w[1] = 4
元胞2：w[2] = 5
目标函数：
在此示例中，将目标函数分为两部分。第一部分是任务执行时间的总和，希望尽量减少机器人的任务执行时间。第二部分是权衡项，通过调整参数 α，可以权衡等待时间和资源利用率的重要性。
约束条件：
每个任务只能由一个机器人执行：
每个机器人只能执行一个任务：
如果机器人 i 不能执行任务 j，则决策变量 x[i][j] 应为 0：
任务的顺序和时序要求：
元胞状态与任务执行的关联：
元胞等待数量限制：
解算过程：因篇幅限制，本实施例使用Gurobi来求解该问题，其中：
机器人1执行任务B，任务B的起始时间为0时间步；
机器人2执行任务A，任务A的起始时间为0时间步；
机器人2执行任务C，任务C的起始时间为3时间步。
总结性的：根据目标函数的权重参数选择，通过优化机器人的任务执行顺序和时序，最小化了任务执行时间和资源利用率的综合成本。这样，可以实现低碳需求，减少了机器人的空闲时间和能源消耗。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例7：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
1）整数规划调度对元胞自动机的支持：
整数规划调度通过约束条件和目标函数来支持元胞自动机模型的行动和决策，在整数规划模型中加入约束条件，确保机器人的任务分配与元胞自动机模型中的元胞状态相一致：
x[i][j]= 1, if s_i = 1 (元胞 c_i 被占用或需要增加饲料)
x[i][j]= 0, if s_i = 0 (元胞 c_i 空闲或不需要增加饲料)
x[i][j]: 一个决策变量，表示机器人i是否执行任务j；如果x[i][j]等于1，则表示机器人i执行任务j；如果x[i][j]等于0，则表示机器人i不执行任务j；
s_i: 这是元胞自动机模型中的状态变量，表示元胞c_i的状态；如果s_i等于1，表示元胞c_i被占用或需要增加饲料；如果s_i等于0，表示元胞c_i空闲或不需要增加饲料；
x[i][j]的取值：由元胞c_i的状态s_i决定，如果元胞被占用或需要增加饲料（s_i=1），则机器人被分配执行相应的任务（x[i][j]=1），如果元胞空闲或不需要增加饲料（s_i=0），则机器人不执行任务（x[i][j]=0）；
这样，整数规划调度的决策变量 x[i][j] 与元胞自动机模型中元胞状态 s_i 之间建立了关联，确保任务分配符合元胞的状态。
2）元胞自动机模型对整数规划调度的支持：元胞自动机模型提供关于鸡舍环境和鸡只行为的模拟和预测，用于优化整数规划调度中的约束条件和目标函数，使用元胞自动机模型预测元胞的状态变化和鸡只的行为，进而调整整数规划调度中的任务执行时间和资源利用率：
。
t[i][j]: 一个决策变量，表示机器人i在执行任务j时的起始时间；在整数规划调度中用于确定机器人执行任务的时间安排；
d[i][j]: 一个参数，表示机器人i在执行任务j时所需的时间步数；在元胞自动机模型中，通过模拟和预测元胞的状态变化，计算出机器人在执行任务时所需的时间步数；
s_i: 元胞自动机模型中的状态变量，表示元胞c_i的状态；如果s_i等于1，表示元胞c_i被占用或需要增加饲料；如果s_i等于0，表示元胞c_i空闲或不需要增加饲料；
整数规划调度模型中的目标是最小化总体的调度时间和资源利用率；在元胞自动机模型中，根据元胞的状态s_i，可以动态调整机器人执行任务的起始时间t[i][j]；当元胞被占用或需要增加饲料时（s_i=1），机器人在执行相应任务时需要额外的时间（d[i][j]）；因此，通过将元胞自动机模型中的状态信息与整数规划调度中的任务执行时间相关联，实现元胞自动机模型对整数规划调度的支持和相互作用。
这样，元胞自动机模型的元胞状态变化可以影响整数规划调度中的任务执行时间，实现元胞自动机模型对整数规划调度的支持和相互作用。
具体的，在低碳智能鸡舍的场景中，整数规划调度和元胞自动机模型相互支持和相互作用，通过约束条件和目标函数的定义，实现对鸡舍环境和机器人任务调度的优化。
整数规划调度对元胞自动机的支持：整数规划调度的决策变量 x[i][j] 与元胞自动机模型中元胞状态 s_i 之间建立了关联。约束条件如下：
如果元胞 c_i 被占用或需要增加饲料（s_i = 1），则决策变量 x[i][j] 为1，表示机器人 i 执行任务 j。
如果元胞 c_i 空闲或不需要增加饲料（s_i = 0），则决策变量 x[i][j] 为0，表示机器人 i 不执行任务 j。
通过这样的约束条件，整数规划调度确保任务的分配与元胞的状态相一致，确保鸡舍中的元胞状态与机器人任务调度之间的协调和一致性。
元胞自动机模型对整数规划调度的支持： 元胞自动机模型通过模拟和预测鸡舍环境和鸡只行为，提供了优化整数规划调度的支持。在元胞自动机模型中，元胞状态的变化可以影响整数规划调度中的任务执行时间和资源利用率。
具体的，通过元胞自动机模型预测元胞的状态变化和鸡只的行为，可以调整整数规划调度中的任务执行时间 t[i][j]。当元胞 c_i 被占用或需要增加饲料（s_i = 1）时，任务执行时间 t[i][j] 增加 d[i][j] 个时间步，表示机器人 i 在执行任务 j 时的起始时间延后。这样，元胞自动机模型的元胞状态变化影响了整数规划调度中任务的执行时间，实现了元胞自动机模型对整数规划调度的支持和相互作用。
通过整数规划调度和元胞自动机模型的相互支持和相互作用，可以在低碳智能鸡舍中实现任务调度的优化和鸡舍环境的智能管理。通过合理的任务分配和调度，最小化能源的消耗，提高资源的利用效率，减少空闲时间和能源浪费。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例8：为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
下面将展示本具体实施方式上述所提供的一种用于畜牧业禽类养殖管理方法、系统及存储介质在实际应用时，对其进行驱动或控制的程序，该程序存储于控制器内进行执行，其原理为：
#include<iostream>
#include<vector>
#include<limits>
// STEP 1: 图论分析 - Floyd算法
void floydAlgorithm(std::vector<std::vector<int>>&distanceMatrix, intnumNodes) {
for (int k = 0; k<numNodes; k++) {
for (int i = 0; i<numNodes; i++) {
for (int j = 0; j<numNodes; j++) {
if (distanceMatrix[i][k]!= std::numeric_limits<int>::max()&&
distanceMatrix[k][j]!= std::numeric_limits<int>::max()&&
distanceMatrix[i][k]+ distanceMatrix[k][j]<distanceMatrix[i][j]) {
distanceMatrix[i][j]= distanceMatrix[i][k]+distanceMatrix[k][j];
}
}
}
}
}
// STEP 2: 元胞自动机模拟
void cellularAutomatonModel(std::vector<std::vector<int>>&environment, int numRows, int numCols) {
// 模拟环境参数的变化
// 省略具体实现代码
// 预测元胞状态变化和鸡只行为
// 省略具体实现代码
}
// STEP 3: 整数规划调度
void integerProgrammingScheduling(std::vector<std::vector<int>>&taskMatrix, int numRobots, int numTasks) {
std::vector<std::vector<int>>schedule(numRobots, std::vector<int>(numTasks, 0));
// 设置决策变量和约束条件
// 省略具体实现代码
// 最小化目标函数
// 省略具体实现代码
}
int main() {
// 示例参数
int numNodes = 4;
std::vector<std::vector<int>>distanceMatrix = {
{0, 5, 10, std::numeric_limits<int>::max()},
{5, 0, 3, 15},
{10, 3, 0, 7},
{std::numeric_limits<int>::max(), 15, 7, 0}
};
int numRows = 5;
int numCols = 5;
std::vector<std::vector<int>>environment(numRows, std::vector<int>(numCols, 0));
int numRobots = 3;
int numTasks = 5;
std::vector<std::vector<int>>taskMatrix(numRobots, std::vector<int>(numTasks, 0));
// STEP 1: 图论分析
floydAlgorithm(distanceMatrix, numNodes);
// STEP 2: 元胞自动机模拟
cellularAutomatonModel(environment, numRows, numCols);
// STEP 3: 整数规划调度
integerProgrammingScheduling(taskMatrix, numRobots, numTasks);
return 0;
其原理为：floydAlgorithm 函数实现了图论分析中的Floyd算法，用于计算带权图中所有节点之间的最短路径。它通过对距离矩阵进行迭代计算，不断更新节点之间的最短路径距离。
cellularAutomatonModel 函数实现了元胞自动机模拟，用于模拟和计算鸡舍内部环境参数的变化。
integerProgrammingScheduling 函数实现了整数规划调度，用于优化机器人的任务调度。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
应用例
为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的示例性的应用说明。
设有一个智能低碳鸡舍，其中包括轮式智能机器人、传感器设备、控制器和通信设备。的目标是通过这些技术实现对鸡舍的智能化管理和低碳养殖。需要指出的是，下述的部分解算过程省略，但解算的原理和其示例性的展示也已由实施例二至七展示，故可作为等同替换：
STEP1: 图论分析 首先使用图论进行分析，通过Floyd算法计算鸡舍中各个元胞之间的最短路径距离。设定有一个4x4的鸡舍布局，其中共有16个元胞，每个元胞代表一个特定区域。使用距离矩阵来表示元胞之间的距离，初始状态下，所有元胞之间的距离都设置为无穷大。
距离矩阵初始化：
通过Floyd算法的迭代计算，可以得到每个元胞之间的最短路径距离矩阵。最短路径距离矩阵：
STEP2: 元胞自动机模拟 接下来，使用元胞自动机模型来模拟和计算鸡舍内部环境参数的变化。设定关注温度参数，每个元胞表示鸡舍中的一个特定位置，状态变量s_i表示该位置的温度状态。
设定初始状态下，元胞状态为：
通过元胞自动机模型的运算和相互作用规则，可以模拟和计算温度的变化。
最终得到的温度状态为：
通过元胞自动机模型，可以模拟和预测鸡舍中温度的变化趋势，根据实际情况调整鸡舍的环境条件，实现最适宜的生长环境。
STEP3: 整数规划调度 最后，使用整数规划调度来优化机器人的任务调度，以实现高效的鸡舍管理和低碳养殖。设定有两个轮式智能机器人，它们需要执行四个任务，任务之间有不同的执行时间和资源消耗。
定义决策变量x[i][j]表示机器人i是否执行任务j，t[i][j]表示机器人i在执行任务j时的起始时间，d[i][j]表示机器人i执行任务j所需的时间步数。
的目标是最小化任务执行时间和资源消耗，同时满足任务分配的约束条件。
可以定义如下的目标函数和约束条件：
目标函数：
约束条件：
每个任务只能由一个机器人执行：
每个机器人一次只能执行一个任务：
任务与机器人的关联：
任务执行顺序约束：
元胞状态与任务执行的关联：
资源消耗限制：
可以使用整数规划的求解算法（如线性规划求解器）来求解这个优化问题，得到最优的任务调度方案。通过整数规划调度，可以实现机器人的任务优化调度，合理安排任务的执行顺序和时间，以最小化资源消耗和提高鸡舍管理的效率。这与元胞自动机模型相辅相成，通过模拟和计算元胞状态变化，为整数规划调度提供准确的输入数据和约束条件。最终实现了低碳鸡舍的智能化管理。

Claims (8)

1.一种用于畜牧业禽类养殖管理方法，包括多个设于鸡舍内的轮式智能机器人，其特征在于：
STEP 1:图论分析：使用图论方法分析低碳鸡舍内部的路径连接关系，并构建鸡舍及其周围环境的网络/拓扑结构；
采用Floyd算法进行图论分析：
距离矩阵初始化：；
D[i][j]：一个二维矩阵，表示图中节点v_i和节点v_j之间的距离；其中D[i][j]存储节点i和节点j之间的最短距离；
w(e)：表示图中边e=(v_i, v_j)的权重；如果存在连接节点v_i和v_j的边，则将D[i][j]的值设置为w(e)；
E：表示图中所有边的集合；如果节点v_i和节点v_j之间没有边连接，将距离D[i][j]设置为无穷大（∞），表示这两个节点之间没有直接连接；
D[i][i]对于所有i都设置为0，表示节点到自身的距离为0；
Floyd算法迭代计算：；
其中，N：表示图中节点或顶点的总数；
k：Floyd算法的第一个循环（for k = 1 to N）中使用的变量，表示考虑用于寻找两个节点之间最短路径的中间节点；
i，j：Floyd算法的第二个和第三个循环（for i = 1 to N，for j = 1 to N）中使用的变量，表示计算最短路径的起始节点和目标节点；
D[i][k]表示节点v_i到中间节点v_k的最短距离；
D[k][j]表示中间节点v_k到目标节点v_j的最短距离；
更新D[i][j]的值，取当前D[i][j]的值和D[i][k]加上D[k][j]的值的最小值；这一步用于找到节点i和节点j之间的最短路径，结合了中间节点k的影响；
STEP 2:元胞自动机模拟与预测：将低碳鸡舍划分为多个元胞，并定义元胞自动机模型来模拟鸡舍中的养殖环境和鸡只的行为；采用传热传质方程来模拟和计算鸡舍内部环境参数的变化；每个元胞 c_i 表示鸡舍内的一个位置或资源，具有以下属性：
状态变量 s_i，表示元胞的状态；
邻居集合 N_i，表示与元胞 c_i 相邻的元胞集合；
相互作用规则：
相邻元胞根据路径优先：机器人优先选择路径最短的相邻元胞进行操作；
距离次优和干涉避免：如果多个相邻元胞具有相同的最短路径距离，机器人选择距离次优的元胞，并避免与其他机器人产生干涉；
目标函数：；
约束条件：；
s_i：表示元胞 c_i 的状态变量，是一个二进制变量，用于表示元胞是否被占用或需要增加饲料；
s_i = 1：表示元胞被占用或需要增加饲料，s_i = 0 表示元胞空闲或不需要增加饲料；
N_i：表示与元胞 c_i 相邻的元胞集合；
约束条件是针对每个元胞c_i的状态变量s_i的限制；Σs_i表示所有与元胞c_i相邻的元胞的状态变量之和，w_i表示以时间步为单位的元胞c_i的等待数量限制；约束条件表明每个元胞的状态变量之和不能超过其等待数量限制；
STEP 3:整数规划调度与优化：利用整数规划方法对鸡舍内的机器人调度问题进行建模和求解；整数规划调度通过约束条件和目标函数来支持元胞自动机模型的行动和决策，在整数规划模型中加入约束条件，元胞自动机模型提供关于鸡舍环境和鸡只行为的模拟和预测，用于优化整数规划调度中的约束条件和目标函数。
2.根据权利要求1所述的养殖管理方法，其特征在于：
（1）相邻元胞根据路径优先：在元胞自动机模拟中，机器人选择路径最短的相邻元胞进行操作，机器人i在当前时刻t选择相邻元胞 c_j 的决策变量 d[i][j]：
；
d[i][j]：一个二进制变量，表示机器人 i 在当前时刻 t 是否选择相邻元胞 c_j 进行操作；
d[i][k]：机器人 i 在当前时刻 t 与相邻元胞 c_k 的距离；
对于机器人i在当前时刻t，如果其与所有相邻元胞k的距离d[i][k]中，d[i][j]的值是最小的，其中j是某个相邻元胞，则将d[i][j]设置为1，表示机器人i选择相邻元胞c_j进行操作；
（2）距离次优和干涉避免：当多个相邻元胞具有相同的最短路径距离时，机器人选择距离次优的元胞，并避免与其他机器人k产生干涉：
（2.1）优先级机制：为每个机器人设置一个优先级参数 p[i]，表示机器人 i 的优先级：；
在选择相邻元胞进行操作时，机器人i会优先考虑具有较小优先级p[i]的元胞，如果p[i]小于其他相邻元胞k的优先级p[k]，则机器人i会选择相邻元胞c_j进行操作；
（2.2）干涉避免机制：引入干涉避免机制，确保不同机器人之间的行动不会相互干涉；定义干涉变量interference[i] 来表示机器人i是否与其他机器人k产生干涉：
；
d[k][j]：其他机器人 k 在当前时刻 t 是否选择相邻元胞 c_j 进行操作；
interference[i]：一个二进制变量，表示机器人 i 是否与其他机器人k产生干涉；
对于机器人i，在当前时刻t如果有其他机器人k也选择相邻元胞c_j进行操作（Σd[k][j] > 1），则将interference[i]设置为1，表示机器人i与其他机器人k产生干涉；反之，如果没有其他机器人k与机器人i在同一元胞上进行操作，则将interference[i]设置为0，表示没有干涉。
3.根据权利要求1或2所述的养殖管理方法，其特征在于：在所述STEP 3中：整数规划模型：
;
目标函数是一个由两个部分组成的求和项；第一部分ΣΣ(x[i][j] * t[i][j])表示机器人执行任务的总时间，其中x[i][j]是决策变量，表示机器人i是否执行任务j，t[i][j]是决策变量，表示机器人i在执行任务j时的起始时间；第二部分α * ΣΣ(x[i][j] * d[i][j])表示等待时间的惩罚项，其中α是权重参数，d[i][j]是决策变量，表示机器人i执行任务j所需的时间步数；
约束条件：Σx[i][j] = 1，表示每个机器人必须执行一个任务；
Σx[i][j] ＜ 1，表示每个任务只能由一个机器人执行；
x[i][j] = 0，表示如果机器人i不能执行任务j，则将决策变量x[i][j]设置为0；
t[i][j] ≥ t[i'][j] + d[i'][j]，表示如果机器人i执行了任务j，则机器人i在执行任务j的起始时间必须晚于其他机器人i'在执行任务j的起始时间，其中i ≠ i'；
s_i = 1，表示如果机器人i执行了任务j，则将状态变量s_i设置为1，表示机器人i正在执行任务；
Σ(x[i][j] * d[i][j]) ≤ w_i，表示机器人i执行的所有任务的总时间步数不超过元胞c_i的等待数量限制w_i。
4.根据权利要求3所述的养殖管理方法，其特征在于：还包括：
（1）整数规划调度对元胞自动机的支持：;
x[i][j]: 一个决策变量，表示机器人i是否执行任务j；如果x[i][j]等于1，则表示机器人i执行任务j；如果x[i][j]等于0，则表示机器人i不执行任务j；
s_i: 这是元胞自动机模型中的状态变量，表示元胞c_i的状态；如果s_i等于1，表示元胞c_i被占用或需要增加饲料；如果s_i等于0，表示元胞c_i空闲或不需要增加饲料；
（2）元胞自动机模型对整数规划调度的支持：使用元胞自动机模型预测元胞的状态变化和鸡只的行为，进而调整整数规划调度中的任务执行时间和资源利用率：
;
t[i][j]: 一个决策变量，表示机器人i在执行任务j时的起始时间；在整数规划调度中用于确定机器人执行任务的时间安排；
d[i][j]: 一个参数，表示机器人i在执行任务j时所需的时间步数；在元胞自动机模型中，通过模拟和预测元胞的状态变化，计算出机器人在执行任务时所需的时间步数；
s_i: 元胞自动机模型中的状态变量，表示元胞c_i的状态；如果s_i等于1，表示元胞c_i被占用或需要增加饲料；如果s_i等于0，表示元胞c_i空闲或不需要增加饲料。
5.一种用于畜牧业禽类养殖管理系统，其特征在于：所述管理系统用于执行权利要求1~4中任意一项所述的养殖管理方法，所述管理系统包括：
（1）轮式智能机器人：用于在鸡舍内部进行任务执行、物资运输操作；
（2）传感器设备：
温度传感器：用于监测鸡舍内部温度，并提供温度数据用于调节环境条件；
湿度传感器：用于监测鸡舍内部湿度，并提供湿度数据用于调节环境条件；
氧气传感器：用于监测鸡舍内部氧气水平，并提供氧气数据用于调节环境条件；
光照传感器：用于监测鸡舍内部光照强度，并提供光照数据用于调节环境条件；
（3）控制器：用于接收传感器数据，并执行如权利要求1~4中任意一项所述的养殖管理方法。
6.根据权利要求5所述的管理系统，其特征在于：所述管理系统还包括：
（4）通信设备：
通信模块：用于与外部系统进行数据交互和远程控制，与云平台或监控中心进行通信；
网络设备：路由器、交换机，用于提供内部设备之间的通信和与外部网络的连接。
7.根据权利要求6所述的管理系统，其特征在于：所述管理系统还包括：
（5）数据存储与处理设备：
数据存储设备：云服务器、本地服务器或存储器，用于存储传感器数据、规划与评估结果相关信息；
数据处理设备：计算机或嵌入式系统，用于处理传感器数据，执行如权利要求1~4中任意一项所述的养殖管理方法。
8.一种存储介质，其特征在于：存储有能够实现如权利要求1~4中任意一项所述的养殖管理方法的程序指令。
CN202310981591.4A 2023-08-07 2023-08-07 一种用于畜牧业禽类养殖管理方法、系统及存储介质 Active CN116720713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981591.4A CN116720713B (zh) 2023-08-07 2023-08-07 一种用于畜牧业禽类养殖管理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981591.4A CN116720713B (zh) 2023-08-07 2023-08-07 一种用于畜牧业禽类养殖管理方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116720713A CN116720713A (zh) 2023-09-08
CN116720713B true CN116720713B (zh) 2023-12-19

Family

ID=87875494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981591.4A Active CN116720713B (zh) 2023-08-07 2023-08-07 一种用于畜牧业禽类养殖管理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116720713B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892927A (zh) * 2024-03-18 2024-04-16 中国科学院水生生物研究所 一种数智化水产养殖碳核算及碳汇能力评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972993A (zh) * 2019-11-21 2020-04-10 华南农业大学 基于云服务的畜禽养殖智能化信息管理系统及方法
CN112189622A (zh) * 2020-10-10 2021-01-08 四川厚全好鲜见信息科技有限公司 一种数据驱动型数字蛋鸡养殖系统
CN113283642A (zh) * 2021-05-07 2021-08-20 淮阴工学院 一种家禽饲料检测与配方系统
CN114418183A (zh) * 2021-12-20 2022-04-29 淮阴工学院 畜禽健康体征大数据物联网检测系统
CN114847168A (zh) * 2022-05-17 2022-08-05 四川华能宝兴河水电有限责任公司 一种畜牧业智能化养殖系统
WO2022166919A1 (zh) * 2021-02-08 2022-08-11 中国农业大学 一种畜禽舍养殖环境温度预测控制系统及其调控方法
CN116029604A (zh) * 2023-02-03 2023-04-28 华南农业大学 一种基于健康舒适度的笼养肉鸭养殖环境调控方法
CN116301048A (zh) * 2023-03-27 2023-06-23 太原市徒普斯网络科技有限公司 无人机路径规划方法、系统、电子设备以及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972993A (zh) * 2019-11-21 2020-04-10 华南农业大学 基于云服务的畜禽养殖智能化信息管理系统及方法
CN112189622A (zh) * 2020-10-10 2021-01-08 四川厚全好鲜见信息科技有限公司 一种数据驱动型数字蛋鸡养殖系统
WO2022166919A1 (zh) * 2021-02-08 2022-08-11 中国农业大学 一种畜禽舍养殖环境温度预测控制系统及其调控方法
CN113283642A (zh) * 2021-05-07 2021-08-20 淮阴工学院 一种家禽饲料检测与配方系统
CN114418183A (zh) * 2021-12-20 2022-04-29 淮阴工学院 畜禽健康体征大数据物联网检测系统
CN114847168A (zh) * 2022-05-17 2022-08-05 四川华能宝兴河水电有限责任公司 一种畜牧业智能化养殖系统
CN116029604A (zh) * 2023-02-03 2023-04-28 华南农业大学 一种基于健康舒适度的笼养肉鸭养殖环境调控方法
CN116301048A (zh) * 2023-03-27 2023-06-23 太原市徒普斯网络科技有限公司 无人机路径规划方法、系统、电子设备以及存储介质

Also Published As

Publication number Publication date
CN116720713A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Wang et al. Particle swarm optimization algorithm: an overview
Teng et al. An improved hybrid grey wolf optimization algorithm
Shyalika et al. Reinforcement learning in dynamic task scheduling: A review
Wei et al. Deep reinforcement learning for joint datacenter and HVAC load control in distributed mixed-use buildings
US20210278825A1 (en) Real-Time Production Scheduling with Deep Reinforcement Learning and Monte Carlo Tree Research
Özbakır et al. Bee colony intelligence in zone constrained two-sided assembly line balancing problem
CN116720713B (zh) 一种用于畜牧业禽类养殖管理方法、系统及存储介质
Tang et al. A novel hierarchical soft actor-critic algorithm for multi-logistics robots task allocation
Nguyen et al. Efficient time-series forecasting using neural network and opposition-based coral reefs optimization
Zaporozhets et al. Hybrid bionic algorithms for solving problems of parametric optimization
CN112199172B (zh) 一种面向异构多核处理器的混合式任务调度方法
CN113504798A (zh) 一种仿生物群体协商行为的无人机集群协同目标搜索方法
Xu et al. Research on computing offloading strategy based on Genetic Ant Colony fusion algorithm
CN110969295A (zh) 列车区段延误预测误差控制方法
Xu et al. Improved fish migration optimization with the opposition learning based on elimination principle for cluster head selection
WO2020227983A1 (en) Hybrid-learning neural network architecture
Zhang Optimization Algorithm
Lu et al. Deep reinforcement learning for solving AGVs routing problem
CN115717758A (zh) 一种室内空间温度和湿度调控方法及系统
Sixdenier et al. Sidam: A design space exploration framework for multi-sensor embedded systems powered by energy harvesting
CN115293623A (zh) 一种生产调度模型的训练方法、装置、电子设备及介质
CN115526092A (zh) 一种电力负荷预测方法及装置
Fang et al. DI_GA: A heuristic mapping algorithm for heterogeneous network-on-chip
Honglin et al. Collaborative optimization of task scheduling and multi-agent path planning in automated warehouses
Baskan et al. Artificial bee colony algorithm for continuous network design problem with link capacity expansions

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
GR01 Patent grant
GR01 Patent grant