《基于遗传算法精品猪养殖控制系统优化研究》由会员分享，可在线阅读，更多相关《基于遗传算法精品猪养殖控制系统优化研究（5页珍藏版）》请在金锄头文库上搜索。
1、基于遗传算法精品猪养殖控制系统优化研究摘 要:精品猪生长环境温度控制目标的设定合理与否，宜接影响它们的生长及环境调控的能 耗和养殖系统经济效益。简单介绍了利用改进BP神经网络基于实验的输入输出数据建立 生猪生长温度模型的方法，采用改进的模糊遗传算法(FGA)在线对温度设定量进行优化；在 控制过程中，采用改进的模糊遗传算法(FGA)在线对模糊控制器的参数进行自适应调整，并 和传统的模糊控制器进行比较，结果表明经过优化后的模糊控制器具有较好的性能。关键词：精品猪；改进神经网络(BP)；模糊遗传算法(FGA)；模糊控制Quality Pig Farming Control System Optimi
2、zation Research Based on Fuzzy Genetic AlgorithmAbstrcat : High-quality goods pig environmental temperature setting points affect their grov/th and the environmental regulation energy consumption and cultivation the system economic efficiency directly. Based on the input-output sampled data, the met
3、hod of modeling pig temperature with BP Neural Network was simply introduced, Fuzzy Genetic Algorithm (FGA) was used to optimizate on-line temperature settings; In control process, Fuzzy Genetic Algorithm (FGA) was used to regulate the parameters of a fuzzy controller, The experimental results have
4、shown fuzzy controller gets better than before.Keys： Quality pig; BP neural network (BP); Fuzzy genetic algorithms (FGA); Fuzzy control1、引言在养猪生产中，饲料利用率除了受动物、饲粮的影响外，在很大程度上还受环境因素的 影响，其中影响最显著的是环境温度。环境温度影响猪的热调节，通过热调节进而影响其 健康状况和生产性能。本研究针对我国养猪实际，根据温度对生长育肥猪采食量、日增重和 料重比的影响规律，为正确指导养猪生产实践和合理的温度调控提供参考。为提高养殖系统
5、的经济效益，降低养殖成本，必须对温度进行有效地控制。例如：低温下，增加采食量以补偿维持体温的能量需要，随环境温度的降低，采食量增加; 高温卜降低采食量以减少产热而使体温不致过高，随环境温度的升高，采食量下降；而高温, 能极显著地降低日增重；尽管低温和高温都降低饲料转化率，但高温不仅延长出栏时间，而 且对猪的健康造成更大的危害，因此生产中应对高温给予更多的关注。但从经济的角度来看, 高温的效益比低温更低，因为高温下的生长速度更低，将延长猪的出栏时间；而低温对猪的 生产或健康的负面影响较小，因此生产管理中应对温度给予更多的关注。本文用一个神经网络来建立生猪的多输入多输出非线性温度模型，并提出了神经
6、网络的辨 识方法，从而避开了生猪生理、生长等内部非线性、时变性、饱和等复杂性，将训练好的 BP网络模型作为生猪温度控制系统的生猪温度模型，采用遗传算法来优化温度的设定点； 应用遗传算法、模糊控制技术对生猪生长的环境温度进行控制。2、遗传算法优化控制系统设计养殖环境是一个多输入输出复杂的生理、生长反应过程，它具有强非线性、强藕合性、参 数分布等特点。在养殖过程中，养殖环境控制机构南北卷帘、东西卷布、天窗、风机、热风 炉、湿帘等机构开度和外界的气候将影响环境温度，根据温度对生猪不同生长阶段的料重比 的影响程度，进行分段控制，即在不同生长阶段用不同的控制量进行控制。系统如图1。图1精品猪养殖优化控制
7、系统在优化系统I中，根据生猪的不同生长阶段采用遗传算法和生猪的温度模型来优化环境温 度的设定值，在此设定值基础上灵活地控制养殖环境温度；在优化系统I中生猪的反应(日 增重和消耗饲料)，由于受到环境温度的影响，首先是采用神经网络来辨识，用遗传算法通 过和神经网络模型来寻找最优环境温度设定点。在优化系统II中，养殖环境的温度由于受到 控制设备状态等因素的影响，利用神经网络来辨识，用遗传算法和环境的神经网络模型来优 化模糊控制器最优的隶属参数和控制规则来调整环境温度。温度2.1 FGA在优化控制系统中的应用设性模糊遗传算法的实现思想是：在群体的遗传算法过程中，通过模糊控制器及时、自适 应地调整交又、
8、变异概率以使遗传算法解的质量更好，收敛速度更快，并在此过程中找到最 佳的模糊规则。模糊遗传算法中Pc、Pm并不是固定不变的，而是在每次迭代过程结束后, 根据当前种群中个体适应度的综合情况，使用模糊控制的方法，生成下次遗传操作的Pc和 Pm,以加快遗传算法的进程，改进收敛质量，其步骤如卜L图2模糊遗传算法流程图Stepl:初始化。设置迭代次数计数器k-0;设置最大送代次数K;随机生成M个个 体作为初始群体oldpop(O)。Step2：个体评价。计算群体oldpop(k)中各个个体的适应度。Step3：选择运算。将选择算子作用于群体。本文选用的选择算子为适应度选择法(赌 轮选择法)。SteP4：
9、交又和变异运算。将交义算子和变异算子作用于群体，且其交又概率Pc(k) 和变异概率Pm(k)来源于模糊控制器的输出。群体oldpop(k)经过选择、交又、变异运 算之后得到下一代群体oldpop(k4-l)o用模糊控制器来确定每一组Pc、Pm值的方法和 通过迭代过程获得使遗传算法效果最佳的模糊控制规则的方法详见文献4。Step5:终止条件判断。若kWK,则k-k+1,转到Step2；若kK,则将进化过程 中所得到的具有最大适应度的个体作为最优解输出，终止计算。模糊遗传算法流程图见图2。 2.2优化系统I优化系统I中，由神经网络辨识的生猪温度模型和遗传算法构成，通过模拟确定的神经 网络模型和遗传
10、算法分别找到最佳环境温度设定值。系统为了获得比较大的经济效益，本文 选择料重比的倒数作为适应度函数，表征在此刻饲料的效益最大化，即：J = (aD(k)iW(k) / *=i(1)其中W(k)为猪增重量，D(k)为消耗饲料的重量，a,月为该温度下猪增重和消耗饲料的 影响系数，K=1,2N为米样时间。(1) 神经网络根据实验数据和专家经验，生猪的生长温度与生猪生长环境系统的控制机构的状态和入 口温度、湿度等主要因素有关。根据文献1在不同的环境温度条件下，动态模拟出生猪生长 口增重、消耗的饲料和料重比等变化曲线，使输入到输出呈动态非线性映射关系。采用基于 改进的BP神经网络辨识生猪生长温度模型，如
11、下图3所示。图3生猪温度神经网络模型辨识结构BP神经网络含有3层，辨识生猪在不同的环境温度下T (k) (k=1,2,N;不同采样时刻) 生猪的增重W (K) (k=l,2,N;不同采样时刻)和消耗的饲料D (K) (k=l,2,N;不同采样 时刻)的模型，它的输入是过去时刻的增重、消耗的饲料和多个时刻的温度，输出是猪增重 W (K)和饲料D (K)o本文采用改进的BP算法，对BP神经网络进行训练的目标是使下面的 平均平方和误差(MSE)最小：,v ,v (2)&=寺(阮-荷士室(时荷-恢(对)Uu其中NO是数据点的总数，Wj(k)和Hj(k)表示第j个输出量在第k个数据点的增重期 望值和模型
12、的实际输出值，Dj(k)和Mj(k)表示第j个输出量在第k个数据点的饲料期望值 和模型的实际输出值。训练数据是生猪在不同温度下增重和消耗的饲料，在训练过程中提供 给神经网络。根据使上式平均平方和误差最小和使训练时间最短的原则，选择隐层神盆元数 为 64 个。w I I(2) 遗传编码I ime delay1 ime delay遗传编码就是把待解决问题的可行性解从解空间转换到遗传算法所能处理的搜索空间的 -种转换方法。在遗传算法的运行过程中，并不是对所求解问题的实际决策变筮直接连I操 作,而是对表示可行解的个体编码施加各种遗传操作，通过这种遗传操作来达到优化的日的。 在优化系统I中，要优化的参数
13、为温度设定值，数量较少，但要有一定的精度，故采用二 进制编码方法，各参数与二进制编码的映射关系为：= T,顽 + binrep/ (丁心叮响)(3)其中缶为要设定的温度，Tmn,TnW为温度的变化范围，binrep为一-个L长的二进制串所 表示的二进制整数C2.3优化系统H优化系统TI中，主要是通过遗传算法对包括量化因子和比例因子、隶属函数宽度以及 模糊规则进行优化，分别找到模糊控制器参数的最佳值确保生猪生长环境温度的精度，木文 采用系统设定值与系统输出值之I可误差的绝对值之和的相反数作为适应度函数，即：T = -tTw-T4)阵1其中：T心为设定值，匚为系统输出值，K为采样次数，该适应度函数
14、综合考虑了系统的上 升时I可、超调量和稳态误差等多个性能指标。寻优目标就是要使得适应度函数T为最大。 在优化过程中采用三层BP神经网络辨识影响生猪生长的环境。（1）模糊控制器设计在实现模糊控制算法时，必须把输入的精确量转换为模糊集论域中的某一个相应的值。这 实际上就是要进行基本论域（精确量）到模糊集的论域（模糊量）的转换，这种转换过程的 实现就需要引入量化因子的概念。若误差和误差变化率为模糊控制崩的两个输入，则误差的 量化因子是ke,误差变化率的量化因子是kc。同样，经模糊控制算法给出的控制量（精确 量），还不能直接控制对象，还必须通过比例因子ku将其转换到为控制对象所能接受的基 本论域中去。
15、理论分析和大量实验结果表明，量化因子和比例因子的大小及两个量化因子之 间的大小相对关系，对模糊控制器的控制性能影响极大，通常是通过大量的调试来选择合适 的量化因子及比例因子，这是一个相当繁琐的过程。模糊控制规则中前提的语言变量构成模糊输入空间，结论的语言变量构成模糊输出空 间。每个模糊语言值对应一个模糊于集，实际上就是要确定该子集隶属函数曲线的形状。模 糊子集的隶属函数的形状，对控制效果的影响较大。形状尖的隶属函数具有高分辨率特性。 反之，它就具有低分辨率的特性。本文以冬季提高生猪生长环境温度控制为例，关闭其他执 行机构，采用热风炉来提高生猪生长环境的温度，以下图4和图5为温度误差和温度误差
16、变化率隶属度函数，图6输出热风炉通风时间隶属函数和图7输出热风炉加热长短模糊规则。图5误差变化率隶属函数图4误差隶属函数图6通风时间隶属函数图7模糊规则模糊规则的获得一般是基于专家知识或经验的，但是对于不同的控制对象，专家的知识和 经验只能起到一个指导性作用，控制规则也应随被控对象的变化而变化，应通过定的寻优 方法来获得与被控对象最匹配的规则。为此，该文将对量化因子、比例因子ke、kc、Ku 模糊子集的隶属函数的宽度参数a、b、c以及模糊控制规则XI、X2、X3进行综合优化。（2） 遗传编码本文采取的是多参数串联编码原则，所以这里每条染色体前后可分为三部分，一为二进制 编码的量化因子、比例因子（ke、kc、Ku）；二为二进制编码的隶屈函数宽度
