一种生猪养殖多变量饲料投喂决策方法及其系统与流程

本发明涉及生猪养殖领域，更具体地，涉及一种生猪养殖多变量饲料投喂决策方法及其系统。

背景技术：

生猪饲养主要成本来自于投喂饲料，饲料成本占规模化生猪养殖总成本的60％-70％，居成本首位，在养猪效益中起关键作用。在生猪饲养过程中的温度、湿度等生猪生长环境，生猪采食、生猪排泄和生猪活动等生猪行为都会影响生猪生长。传统的人工投喂方法更多侧重于生猪的体重、年龄等信息来确定饲料投喂的量及营养成分，造成过量投喂降低饲料转化率，污染生态环境，增加生猪养殖成本。随着生猪养殖业的集约化迅猛发展，基于多变量精量饲料投喂成为降低生猪养殖成本有效途径。

欧美国家在精确化养殖方面进行了大量系统性研究，荷兰使用Velos智能化母猪管理系统和Agrovision FARM猪场管理软件，实现生猪养殖过程中的精细投喂，但在多变量精量饲料投喂方面研究较少。我国在生猪投喂方面也进行大量研究，这些研究主要侧重于饲料添加剂和配方的研究，对于多变量精量饲料投喂的研究也很少。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种生猪养殖多变量饲料投喂决策方法及其系统。

本发明所提供的一种生猪养殖多变量饲料投决策方法，包括：

S1：基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量，利用BP神经网络模型计算得到生猪所需的各类营养动态需求量；

S2：基于养殖场内的饲料信息和所述各类营养动态需求量，利用饲料选择决策模型得到投喂的饲料种类和饲料量。

根据本发明的另一个方面，提供一种生猪养殖多变量饲料投喂决策系统，包括：

信息采集系统，用于获取生猪的生长信息、生长环境信息、行为信息、每天所采食的各营养成分量和养殖场内的饲料信息；

BP神经网络系统，用于基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量，计算生猪所需的各类营养动态需求量；

饲料选择决策系统，用于基于养殖场内的饲料信息和所述各类营养动态需求量，确定投喂的饲料种类和饲料量。

本申请提出的生猪养殖多变量饲料投喂决策方法及系统的有益效果：

1)本申请能够得到在多个变量因子影响下的生猪所需且较为精确的饲料投喂量；

2)本发明的方法根据生猪不同生长期的生长信息、养殖环境信息以及行为信息，多参数融合来选择满足生猪生长营养需求和成本最低的饲料，提高饲料的转化率，降低生猪饲养成本，提高养殖效益；

3)利用计算机技术使用模型计算代替了手工计算饲料投喂量的计算方法，可以快速、简便、准确地得出不同生长阶段，不同环境，不同身体状况下的生猪每天采食所需投喂量，克服了现在养殖中主观性强，仅靠经验误差大等不足；

4)本发明以成本最小为目标函数，满足营养需要为约束条件构建饲料决策数学模型，通过求解该线性规划数学模型，动态确定投喂的饲料种类和饲料量，降低养殖户饲养成本，增加经济效益，减少生态环境污染。

附图说明

图1为根据本发明实施例中生猪多变量饲料投喂决策方法的总体流程示意图；

图2为根据本发明一个优选实施例中生猪养殖多变量饲料投喂决策方法的流程示意图；

图3为根据本发明一个优选实施例中使用神经网络模型计算的流程示意图；

图4为根据本发明实施例中生猪多变量饲料投喂决策系统的总体流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明所提供的生猪养殖多变量饲料投喂决策方法，如图1所示，包括：

S1：基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量，利用BP神经网络模型计算得到生猪所需的各类营养动态需求量；

S2：基于养殖场内的饲料信息和所述各类营养动态需求量，利用饲料选择决策模型得到投喂的饲料种类和饲料量。

本发明使用BP神经网络模型和饲料选择决策模型代替了手工计算饲料投喂量，可以得到在生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量等多个变量因子的影响下生猪所需且较为精确的饲料投喂量。

同时，在实现本发明的过程中，研究发现：生猪饲料投喂时，针对不同阶段生猪生长，根据多变量信息进行饲料投喂，能更精确，既降低成本也减少环境污染。

其中，BP神经网络模型包括：

(1)节点输出模型

隐节点输出模型：O_j＝f(Σw_ij×X_i-q_j) (1)

输出节点输出模型：Y_k＝f(Σt_jk×O_j-q_k) (2)

其中，X_j是样本集合X的一个样本值，f为非线性作用函数，q为神经元阈值，w_ij为隐层和输入层间神经元的初始权值。式(1)表示为：给定的样本输入X_j计算出隐层的实际输出O_j；t_jk是计算输出层与隐层间的权值，式(2)表示为根据上一层的实际输出O_j计算出输出层的实际值为Y_k。

(2)作用函数模型

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数：

f(x)＝1/(1+e^-X) (3)

(3)误差计算模型

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：

E_P＝1/2×Σ(t_pi-O_pi)² (4)

其中，t_pi为节点i的期望输出值，O_pi为节点i的计算输出值。

(4)自学习模型

神经网络的学习过程，即连接下层节点与上层节点之间的权重矩阵w_ij的设定和误差修正过程。BP学习方式分为有师学习方式(需要设定期望值)和无师学习方式(只需要输入模式之分)。自学习模型为：

Δw_ij(n+1)＝h×Φ_i×O_j+α×Δw_ij(n) (5)

其中，h为学习因子，Φ_i为输出节点i的计算误差，O_j为输出节点j的计算输出，α为动量因子。

在本发明中，更优选使用其中的误差计算模型来训练样本，以生猪的生长信息、生长环境信息、行为信息和每天所需要的各营养成分量作为输入变量，生猪每天应需要的各营养需求量作为输出变量，通过不断训练样本，将误差降到可接受范围内，以此来动态计算生猪各类营养需求量。

在本发明的一个优选实施例中，利用BP神经网络模型计算得到生猪所需的各类营养需求量的具体步骤为，见图3：

S11：参数初始化，随机初始化网络的权值矩阵以及阈值；初始化训练误差E＝0，最小训练误差E_min为一个小的正数；设置训练样本数为P，学习率0＜η＜1；

S12：输入训练样本，即生猪的生长信息、生长环境信息、行为信息和每天的采食的各营养成分量，计算神经网络各层的输出向量；

S13：计算网络的输出误差，根据式

计算总体输出误差，其中，t_pi为节点i的期望输出值，O_pi为节点i的计算输出值；

S14：计算各层的误差信号；

S15：调整各层的权值矩阵，根据自学习模型更新权值矩阵；

S16：检查是否完成一次训练，若计数器p，p＜P，p＝p+1，返回步骤S12；否则，转向步骤S17；

S17：检查网络总体输出误差是否满足精度要求，若满足E＜E_min，则训练结束；否则，置E为“0”，p为“1”，返回步骤S12。

在本发明的实施例中，为了能更准确地得到生猪每天应需要的各营养需求量，生猪的生长信息通常选用体重信息。按体重可将生猪生长划分为不同生长阶段，饲料需求量也不同，通过信息管理等软件系统可以收集到生猪生长信息。

其中，生猪的生长环境信息通常选用生长环境温度信息和生长环境湿度信息，生猪的行为信息包括每天的采食次数、采食时间、排泄次数、活动时间以及活动次数。

通常上述信息通过信息管理系统得到。将获取得到的上述信息作为BP神经网络模型的输入变量，生猪每天应需要的各营养需求量作为BP神经网络模型的输出变量，通过不断训练样本，将误差降到可接受范围内，以此来动态计算生猪各类营养需求量，见图2。

饲料选择决策模型可以为本领域中已知的任意的分配选择模型。在本发明一个优选实施例中，为了实现投喂成本的最小化，决策模型优选通过以成本最小为目标函数和以满足营养需要为约束条件联合构建。

即S2的步骤优选为：

S21：基于养殖场内各饲料的市场单价和各饲料的日投喂量，得到最小投喂成本目标函数；

S22：基于养殖场内各饲料的日投喂量和各饲料中所含的营养元素，列举方程组，得到含有所述约束条件的线性规划模型；

S23：基于所述各类营养动态需求量和所述最小投喂成本目标函数，求解上述线性规划模型得到投喂的饲料种和饲料量。

其中，S21中的目标函数可以为：

其中，c_i记为全部饲料中某一种饲料的市场单价，设(x_i+η_iΔx)为饲料m_i的日投喂量，x_i为每日需要添加的全部饲料中某一种饲料的量，η_i为前一日吃剩下的全部饲料中某一种饲料的占剩下总饲料的百分比，其值也为全部饲料中某一种饲料的日投喂量所在总饲料的日投喂量的百分比，Δx为前一日吃剩下的总饲料量，目标函数最小投喂成本Z。

在本发明一个优选实施例中，为了能更好的降低饲养成本，含有约束条件的线性规划模型具体为：根据饲料信息列举方程组，得到线性规划；

饲料用量约束：

其中(i＝1,2,...,n)

营养元素摄入量约束：

其中(j＝1,2,...,v)，非负约束：x_i≥0,i＝1,2,......,p；

其中，x_i为饲料m_i的日投喂量，和分别表示饲料的用料上限和下限，将第j种营养元素记为n_j用和分别表示营养元素n_j摄入量的上限和下限；在单位质量的m_i中，营养元素n_j质量百分含量记为u_ij。即针对每种营养元素均建立其约束条件方程。

其中，S23的具体步骤为：基于S1中计算得到的生猪的所需的各类营养需求量信息和养殖场内饲料信息，使用上述饲料选择决策模型动态地确定投喂的饲料种类和饲料量。

本发明所提供的生猪养殖多变量饲料投喂决策系统，如图4所示，包括：

信息采集系统A1，用于获取生猪的生长信息、生长环境信息、行为信息、每天所采食的各营养成分量和养殖场内的饲料信息；

BP神经网络系统A2，用于基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量，计算生猪所需的各类营养动态需求量；

饲料选择决策系统A3，用于基于养殖场内的饲料信息和所述各类营养动态需求量，确定投喂的饲料种类和饲料量。

其中，信息采集系统中包括信息管理系统。

其中，BP神经网络系统中包括BP神经网络模型，在BP神经网络模型包括误差计算模型。

其中，饲料选择决策系统包括目标函数的建立模块和约束条件的建立模块。

本发明的系统还包括输出模块。

实施例1

以金锣集团养猪场为例，所有生猪的生长状态信息以及生长环境 信息等都可通过购买的基础信息管理软件获得，为饲料投喂提供基础数据。营养物质以蛋白质、粗纤维、维生素、钙、磷为例。

本实施例中生猪养殖多变量饲料投喂决策方法包括：

步骤1)，通过信息管理系统，获取生猪体重生长信息，记录生猪体重生长信息，详细记录每头生猪的基本信息；

步骤2)，通过信息管理系统，获取生猪生长环境信息，包括温度、湿度，详细记录每头生猪生长环境的基本信息；

步骤3)，通过信息管理系统，获取生猪行为信息，包括采食行为、排泄行为和活动行为，详细记录每头生猪每天采食次数、采食时间、排泄次数、活动时间以及活动次数；

步骤4)，通过信息管理系统，获取每头生猪每天所需要的各营养成分量；

步骤5)，根据步骤1)中得到的生猪生长信息，步骤2)中得到的生猪生长环境信息，步骤3)中得到的生猪行为信息以及步骤4)中得到的生猪每天所采食的各营养成分量，基于神经网络的方法计算出多变量下生猪所需的各类营养动态需求量；

步骤6)：通过信息管理系统，获取饲料信息，主要是获取养殖场内的现有全部饲料信息；

步骤7)，获取饲料选择决策模型，所述模型是，以成本最小为目标，来选择满足生猪营养需求的饲料；

步骤8)，根据步骤5)中获取到生猪生长营养需要量信息以及步骤6)中的饲料信息，使用步骤7)饲料选择决策模型动态确定投喂的饲料种类和饲料量。

其中，在步骤5)中：

1、参数初始化，随机初始化网络的权值矩阵以及阈值；初始化训练误差E＝0，最小训练误差E_min为一个小的正数；设置训练样本数为P，学习率0＜η＜1；

2、输入训练样本，即步骤1)、2)、3)、4)中获得的生猪相关信息，计算神经网络各层的输出向量；

3、计算网络的输出误差，根据式计算总体输出误差；

4、计算各层的误差信号；

5、调整各层的权值矩阵，根据自学习模型更新权值矩阵；

6、检查是否完成一次训练，若计数器p，p＜P，p＝p+1，返回步骤2；否则，转向步骤7；

7、检查网络总体输出误差是否满足精度要求，若满足E＜E_min，则训练结束；否则，置E为“0”，p为“1”，返回步骤2。

在该步骤5)中，主要通过步骤1)、2)、3)、4)获取的生猪相关信息，建立BP神经网络模型，其中以生猪体重、环境温度、环境湿度、生猪采食次数、采食时间、排泄次数、生猪每天所需要的各营养成分量作为输入变量，生猪每天应需要的各营养需求量作为输出变量。通过不断训练样本，将误差降到可接受范围内，以此来动态计算生猪营养需求量。

其中，在步骤7)中，获取饲料选择决策模型，所述模型是以成本最小为目标，来选择满足生猪营养需求的饲料；模型包括目标函数和约束条件方程。

实际应用中，其中步骤S7中的决策模型为如下式：

目标函数：

Z_min＝7x₁+6.2x₂+6.3x₃+5.5x₄+5.2x₅ (1)

满足如下约束条件成立：

其中，目标函数是为得到成本最优饲料投喂，Z_min指饲料投喂成本值；x₁，x₂，x₃，x₄，x₅分别表示A、B、C、D、E五种不同生猪饲料投喂量，x_i对应第i种饲料投喂量，Δx为前一日所剩饲料，(η_i,i＝1,2,3,4,5)分别为蛋白质、粗纤维、维生素、钙、磷在Δx中的百分比含量；模型约束条件中，约束条件是饲料投喂过程中必须满足生猪生长需要，式(2)是蛋白质约束条件方程，式(3)是粗纤维约束方程，式(4)是维生素约束方程，式(5)是钙约束方程，式(6)是磷约束方程。

利用本实施例提供的生猪养殖多变量饲料投喂决策方法，能够得到在多个变量影响下的生猪较为精确的投喂量。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。