【技术实现步骤摘要】
本专利技术属于配方智能优化领域，特别是涉及一种基于数据驱动的生猪饲料配方优化方法。
技术介绍
1、传统的生猪饲料配方优化方法，如线性规划、混合整数规划和启发式算法，虽然在一定程度上能解决问题，但在面对复杂的实际情况时，如参数众多、限制条件复杂等，它们的性能往往有所欠缺，难以得出最优解。针对这些问题，研究者开始引入更为先进的优化算法，如遗传算法和粒子群算法。这些算法借鉴了自然界中的生物行为，以提高搜索效率和解的质量。然而，尽管这些算法在某些方面优于传统方法，它们仍然无法完全满足饲料配方优化的需求。近年来，研究者们提出了更多的群体智能优化算法，以期在饲料配方优化问题上找到更加精确和高效的解决方案。
2、鲸鱼优化算法是由mirjalili m等于2016年提出的一种智能群体优化算法，与其他群体算法相比，例如麻雀优化算法、蝗虫优化算法等，鲸鱼优化算法的数学模型较为简单，算法的搜索性能更强。但算法的随机性仍然是一个重要问题。尤其在饲料配方优化问题中，过大的随机性可能会导致算法在搜索过程中产生大量的无效解，从而降低了优化的效率，且搜索精度较低。
技术实现思路
1、本专利技术的目的是提供一种基于数据驱动的生猪饲料配方优化方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于数据驱动的生猪饲料配方优化方法，包括以下步骤：
3、s1.基于生猪饲养数据构建目标函数；
4、s2.对鲸鱼优化算法woa进行优化，得到优化后的鲸鱼优化
5、s3.对levy飞行策略进行优化，并将其引入优化后的鲸鱼优化算法，得到二次优化的鲸鱼优化算法awoa；
6、s4.基于二次优化的鲸鱼优化算法awoa对所述目标函数进行参数优化，确定生猪饲料的最佳配方。
7、可选的，所述生猪饲养数据包括：生猪生长速率、饲料消耗量和环境因素。
8、可选的，所述构建目标函数具体为：以最小化经济成本z为目标函数，如下：
9、min(z)＝c1x1+c2x2+............cjxj
10、约束条件如下：
11、x1+x2+x3........+xj＝1
12、其中，xj为第j个原料在一公斤饲料配方中的占比，cj表示第j个原料的价格。
13、可选的，对所述鲸鱼优化算法woa进行优化具体为：对woa中的参数a、b和r进行优化，其中，a是线性衰减的变量，b和r均为随机生成的常量。
14、可选的，对参数a的优化具体为：将衰减模式从线性衰减改为指数衰减，优化后的参数a的衰减公式为：
15、
16、其中，t是当前迭代次数；t_half是最大迭代次数的一半。
17、可选的，对参数r的优化具体为：调整参数r的生成方式，优化后的参数r的取值公式为：
18、
19、其中，t是当前迭代次数，t是最大迭代次数；q是[0,1]之间的随机数。
20、可选的，对参数b的优化具体为：将参数b的取值与鲸鱼优化算法的适应度差值相关联，实时调节参数b的取值。
21、可选的，所述对levy飞行策略进行优化具体为：对经典levy飞行策略的步长进行优化，优化后的levy飞行策略步长公式为：
22、
23、其中，fcurrent是上一次迭代时算法适应度，fprevious是本次迭代的算法适应度，β是levy分布中的参数，取值范围是[1,2]；v和u是标准正态分布中的随机数，α是学习率，s是步长。
24、可选的，所述基于二次优化的鲸鱼优化算法awoa对所述目标函数进行参数优化，具体为：
25、1)初始化算法相关参数，包括解的维度、最大迭代次数、三种行为模式下的参数；
26、2)定义适应度函数用于评估每个配比方案的优劣；适应度函数有两个评价指标：总成本、各项营养元素是否达标；
27、3)进入主循环，通过三种行为来更新每只鲸鱼的位置，从而优化原料配比方案；
28、4)在每次迭代中，比较所有鲸鱼的适应度值，更新当前最优解，即找到总成本最小且满足营养需求的配比方案；
29、5)若达到最大迭代次数则输出结果，否则返回3)。
30、可选的，所述适应度函数表达式如下：
31、f(x)＝min(z)+penalty(x)
32、其中，min(z)是总成本，penalty(x)是惩罚项，表达式如下：
33、
34、其中，bj是各种营养元素的必须量；nij是表示每种原料所含的营养成分的矩阵；k是惩罚因子，初始设置惩罚因子k＝10000，通过逐步调整和观察适应度值的分布，最终找到一个合适的惩罚因子，使得未满足营养需求的方案被显著惩罚，从而引导算法找到最优解。
35、本专利技术的技术效果为：
36、本专利技术对woa模型中的参数进行重新建模，并将其与适应度相联系。同时，还将对levy飞行策略进行优化，并将其加入到算法的行为模式中，从而在提高搜索效率的同时，也能保证搜索的精度，实现了高效的饲料成分优化，显著提升了生猪生长速率及饲料成本效益。
本文档来自技高网...【技术保护点】
1.一种基于数据驱动的生猪饲料配方优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述生猪饲养数据包括：生猪生长速率、饲料消耗量和环境因素。
3.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述构建目标函数具体为：以最小化经济成本z为目标函数，如下：
4.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对所述鲸鱼优化算法WOA进行优化具体为：对WOA中的参数a、b和r进行优化，其中，a是线性衰减的变量，b和r均为随机生成的常量。
5.根据权利要求4所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对参数a的优化具体为：将衰减模式从线性衰减改为指数衰减，优化后的参数a的衰减公式为：
6.根据权利要求4所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对参数r的优化具体为：调整参数r的生成方式，优化后的参数r的取值公式为：
7.根据权利要求4所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对参数
8.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述对Levy飞行策略进行优化具体为：对经典Levy飞行策略的步长进行优化，优化后的Levy飞行策略步长公式为：
9.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述基于二次优化的鲸鱼优化算法AWOA对所述目标函数进行参数优化，具体为：
10.根据权利要求9所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述适应度函数表达式如下：
...【技术特征摘要】
1.一种基于数据驱动的生猪饲料配方优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述生猪饲养数据包括：生猪生长速率、饲料消耗量和环境因素。
3.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，所述构建目标函数具体为：以最小化经济成本z为目标函数，如下：
4.根据权利要求1所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对所述鲸鱼优化算法woa进行优化具体为：对woa中的参数a、b和r进行优化，其中，a是线性衰减的变量，b和r均为随机生成的常量。
5.根据权利要求4所述的基于数据驱动的生猪饲料配方优化方法，其特征在于，对参数a的优化具体为：将衰减模式从线性衰减改为指数衰减，优化后的参数a的衰减公式为：
6.根据权利要求4...
【专利技术属性】
技术研发人员：方艺，周小波，闫顺丕，许正荣，焦俊，辜丽川，李华，谈超，余添康，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。