遗传算法在猪饲料配方系统中的应用研究

发布时间：2016-10-26 15:38

本文关键词：计算机中国象棋博弈中的二次估值方法及其优化的研究，由笔耕文化传播整理发布。

第五章用NSGA-II算法解决饲料配方问题遗传算；5.3本章小结；本章是本文的核心部分，也是本文的创新之处；饲料配方问题主要目的就是控制成本和减少动物的氨排；遗传算法在猪饲料配方系统中的应用研究第六章总结与；第六章总结与展望；6.1论文总结；随着养殖业规模化和集成化的不断提高，饲料对其的影；养殖为例，大规模的养殖场每天都要消耗大量的猪饲料；本文提出了用NSG

第五章用NSGA-II算法解决饲料配方问题遗传算法在猪饲料配方系统中的应用研究

5.3本章小结

本章是本文的核心部分，也是本文的创新之处。本章中用NSGA-II算法来求解

饲料配方问题主要目的就是控制成本和减少动物的氨排放量。NSGA-II算法是在NSGA基础上的改进，提高效率和准确性，本章还对NSGA-II算法的交叉策略、变异策略和排序策略进行了相应的改进。通过和上一章的标准遗传算法结果的对比，在经济成本相差不大的情况下，氨的排放量显著降低，达到了预期目标。

遗传算法在猪饲料配方系统中的应用研究第六章总结与展望

第六章总结与展望

6.1论文总结

随着养殖业规模化和集成化的不断提高，饲料对其的影响也越来越大。以猪的

养殖为例，大规模的养殖场每天都要消耗大量的猪饲料，饲料的成本在某种程度上将决定养殖户的利润，因此，质高价低的饲料能够增加养殖户的收入，促进养殖业的发展。另外，数量庞大的猪群每天都会产生大量的氨气，氨气对动物的生长性能有很大的负面影响，它会降低机体的抵抗力，诱发各种疾病，影响疫苗的免疫效果。而且，氨气还会危害周围自然环境和人体健康。

本文提出了用NSGA-II算法解决多目标的饲料配方问题，实验结果表明不仅能

降低饲料成本而且减少了氨气的排放，主要做了如下工作：

(1)通过查阅文献和其它资料，阐述了我国饲料工业的历史和现状和饲料工业的

重要性。通过分析现有的饲料配方系统，了解到目前通常使用线性规划法设计饲料配方系统，本文指出了它的不足之处。

(2)阐述了遗传算法和NSGA-II算法的历史、发展进程。重点介绍了它们的基

本原理及和运行步骤。

(3)分别用线性规划法、标准遗传算法和NSGA-II算法来解决猪饲料配方设计

问题，并进行对比分析，实验表明，结果符合预期。NSGA-II算法配出的饲料，在成本相差不大的情况下，能显著降低猪氨的排放量。

6.2未来展望

氨气的防治措施有很多，除了在猪舍的硬件条件下功夫外，还可以从优化饲料

配方，改善营养水平方面，来减少氨气的排放量。由于粗蛋白是氨气产生的主要来源，因此本文在满足猪营养的前提下，尽可能的降低饲料中粗蛋白的含量。虽然本文完成了最初的设想，但未来还有很多地方值得去研究和完善：

(1)按照理想蛋白模式理论，在饲料配方中补充合成氨基酸，在保证猪的生产性

能的前提下，可以节省天然蛋白质的量，从而减少猪的粪尿中氨的排放量。因此，

第六章总结与展望遗传算法在猪饲料配方系统中的应用研究从这个角度来看，未来可以一方面减少粗蛋白的含量，另一方面可以适当增加赖氨酸和色氨酸等合成氨基酸的量，达到进一步降低猪氨排放量的目的。

(2)本文虽然以50-80kg猪饲料配方为研究对象,由于遗传算法不需要标准的模

型，它对原料和约束条件的数量等因素的依赖性并不强，所以在实际的操作中，既可以对不同生长阶段的猪饲料配方进行科学设计，也可以针对不同的畜禽的饲料配方进行求解运算。

遗传算法在猪饲料配方系统中的应用研究参考文献

参考文献

[1] 吴文斗，曹志勇.利用优化的遗传算法解决饲料配方设计问题.云南大学学报，

2009，31(3)：242-246.

[2] 王海峰，张健.遗传算法及其在渔饲料配方中的应用[J].上海水产大学学报，2004，

13(4)：339-342.

[3] 雷德明，严新平.多目标智能优化算法及其应用[M].北京：科学出版社，，2009.

[4] 张宗华，赵霖，张伟.遗传程序设计理论及其应用综述[J].计算机工程与应用，2003，

39(13)：94-97.

[5] 张晓芳.基于Pareto多目标优化的SVM多类分类算法的实现[D].武汉：武汉科技

大学，2008.

[6] Rudolph G. Convergence Analysis of Canonical Genetic Algorithm[J].IEEE Trans on

Neural Networks,1994,5(1):96-101.

[7] 房好帅.带精英策略NSGA的研究及其在区域水资源优化配置中的应用[D].太原：

中北大学，2008.

[8] 王海岩.建筑工程项目发包决策优化研究[D].沈阳：东北大学，2005.

[9] 张赜.计算机中国象棋博弈中的二次估值方法及其优化的研究[D].沈阳：东北大

学，2006.

[10] 王静.冷连轧机轧制工艺规程遗传优化方法研究[D].秦皇岛：燕山大学,2010.

[11] Dr echsler D, Dr echsler R,Becher B. Multi objective optimization based on relation

favour[C]. Proc 1st Evolutionary Multi Criterion Optimization. Berlin: Springer –

Verlag,2001:154-166.

[12] 李福强.基于ANSYS平台的遗传算法在结构优化设计中的应用[D].西安：西安

建筑科技大学，2008.

[13] 孙靖.用于区间参数多目标问题的遗传算法[D].徐州：中国矿业大学，2012.

[14] Nadler D A .Tushman M L, Competing by Design[M].New York:Oxford,1997.

[15] 崔丽.基于免疫遗传计算的钻前工程多目标优化研究[D] .大连：大连海事大学，

参考文献遗传算法在猪饲料配方系统中的应用研究

2009.

[16] 竺琼.遗传算法在模拟电路故障诊断中的应用[D].南京：南京航空航天大学，

2011.

[17] Handels H, Ross Th. Feature Selection for Optimized Skin Tumor Recognition

Using Genetic Algorithms[J]. Artificial Intelligence in Medicine,1999;16:283-297.

[18] Muhlenbein H, Schomish M, Born J. The parallel genetic algorithm as function

optimizer[J]. Parallel Computing,1991,17:619-325.

[19] 孟鑫.智能方法在火电机组运行中的应用[D].天津：天津大学，2008.

[20] 杨敬涛.水电站厂内经济运行高级应用软件算法研究与实现[D].武汉：华中科技

大学，2004.

[21] 周代红.遗传聚类算法及其在医学图像分割中的应用[D]. 曲阜：曲阜师范大学，

2007.

[22] While L.A new analysis of the Leb Measure algorithm for calculating the hyper

volume[C]. Proc of 3rd Int Conf on Evolutionary Multi Criterion Optimization.

Berlin: Springer-Verlag,2005:62-76.

[23] C.A.Colleo Coello, D.A.van Veldhuizen, and G.B.Lamont, Evolutionary Algorithms

for Solving Multi-Objective Problems.Norwell,MA:Kluwer,2002.

[24] 李海涛.基于遗传算法的工程项目多资源均衡优化研究[D] .大连：大连理工大学，

2012.

[25] 范淑梅.基于自适应遗传算法的航天器快速轨道机动研究[D] .济南：山东大学，

2008.

[26] Tanaka M, Tanino T. Global optimization by the genetic algorithm in a multi

objective decision support system[C]. Proc of the 10th Int Conf on Multiple

Criteria Decision.

[27] 鞠海华.基于NSGA-II作业车间调度研究[D].济南：山东大学，2008.

[28] 高媛.非支配排序遗传算法(NSGA)的研究与应用[D].杭州：浙江大学，2006.

[29] Knowles,J,D and Corne,D,W.2000. Approximating the Non-dominated Front Using

the Pareto Archived Evolution Strategy. Evolutionary Computer,149-172.

下载地址：遗传算法在猪饲料配方系统中的应用研究_图文46.Doc

　　【】