《基于CS和BP的鸡舍环境与产蛋性能关系模型研究》-农学论文，农业论文-论文范文参考-科学狗论文网

标题

基于CS和BP的鸡舍环境与产蛋性能关系模型研究

范文

刘先旺李华龙李淼

摘要：为了分析层叠式密闭蛋鸡舍多环境因子对蛋鸡产蛋性能的影响，提出基于布谷鸟搜索算法和BP神经网络的鸡舍环境因子与产蛋性能关系回归模型。选取主要环境影响因子参数（温度、湿度、二氧化碳、风速、光照、氨气）作为输入量，鸡的产蛋量作为输出量，构建BP神经网络基本模型。针对BP神经网络容易陷入局部最小值的缺陷，对算法提出改进，采用布谷鸟搜索算法结合BP神经网络，建立鸡舍小气候环境因子与产蛋性能关系回归模型。通过具体试验对CS-BPNN性能进行测试。试验结果表明，相对于GA-BPNN、PSO-BPNN等对比模型，CS-BPNN提高了拟合精度，能够更加准确地反映鸡舍环境因子与产蛋性能的关系。

关键词：鸡舍环境;鸡产蛋量;产蛋性能;回归模型;BP神经网络;布谷鸟算法;拟合精度;预测效果

中图分类号： S831.4+5? 文献标志码： A? 文章编号：1002-1302（2019）11-0267-04

随着我国蛋鸡养殖业的发展，蛋禽业已成为了畜牧业发展中的主导产业之一，它对提高人们生活水平有着重要的作用[1]。层叠式蛋鸡笼养以其具有土地面积利用率高、人均蛋鸡饲养数高等优点，而受到了人们的青睐。为了摆脱养殖环境对外界气候的依赖，我国的鸡舍类型也由最初的开放式鸡舍基本转变为密闭式鸡舍。随着集约化养殖技术的发展，规模化养殖模式下鸡舍暴露出的环境问题也层出不穷[2]。而冬季鸡舍环境问题相对于春、夏、秋3季更为突出。密闭式鸡舍在冬季存在低温、高湿、氨气浓度高等问题，并且温度、湿度和气流等温热环境因素是影响动物生理机能、生产性能和健康的关键因素[3]。据研究发现，冬季蛋鸡的产蛋率较正常水平低5%～10%[4]。

由于鸡舍环境参数多且多因子间作用机理复杂，鸡舍环境对蛋鸡的产蛋性能影响缺乏多因素评价指标，因此需要建立可直接应用于鸡舍环境调控的多因子耦合环境评价模型，探寻鸡舍环境因子与产蛋性能的关系，为集约化蛋鸡养殖环境调控提供科学的理论研究方法。近年来很多学者针对鸡舍环境对产蛋性能的影响做了许多研究，西北农林大学高腾等测定了八层层叠式蛋鸡舍四季不同环境控制模式下的鸡舍多种环境参数以及鸡群的经济性状指标[5]。周可嘉等对八层层叠式蛋鸡舍不同位置的环境参数和相应的蛋鸡生产性能进行测定，利用主成分分析法分析得出冬春季超大规模鸡舍的环境综合评价指数，作为对鸡舍环境综合评价的依据[6]。但该方法是把层叠式鸡舍环境多个参数指标化为少数几个互不相关的综合指标的多元统计方法，可能会因降维丢失含有配对样本差异的重要信息，影响鸡舍环境综合评价准确性。查凌雁等对冬季鸡舍内环境因子与产蛋率的相关性进行了分析[7]，该研究只考虑了温度、风速、氨气浓度3个环境影响因子，没有对湿度、二氧化碳等因素做全面分析。

针对以上不足，本研究通过对密闭式鸡舍冬季小气候环境参数进行检测，采用BP神经网络建立鸡舍小气候环境因子与产蛋性能关系回归模型，探讨冬季层叠式密闭蛋鸡舍多环境因子与蛋鸡产蛋性能之间的关系，以期为密闭式蛋鸡舍冬季环境调控与管理提供理论依据。

BP神经网络具有自学习和逼近任意非线性系统的能力，采用BP人工神经网络技术构建的非线性评价模型，避免人为确定各指标的权重带来的主观性，能够满足多因子耦合评价的要求，适合用于鸡舍复杂环境的建模。但是BP神经网络由于自身算法的原因，误差收敛速度慢，易陷入局部极小值[8]。因此，学者们提出采用遗传算法、粒子群算法、模拟退火算法、蚁群算法等对BP神经网络参数进行优化[9-12]，能够改善神经网络易陷入局部最优和收敛速度慢的缺陷，提高了预测效果。本研究为了提高鸡舍环境因子与产蛋性能关系回归模型的拟合精度，提出了布谷鸟算法与BP神经网络相结合的改进方法，通过与BP神经网络、遗传算法优化神经网络、粒子群算法优化神经网络对比，发现布谷鸟算法优化神经网络方法速度更快、精度更高，从而能够更加准确地探寻冬季鸡舍环境因子与产蛋性能的关系。

1 鸡舍监测试验

1.1 试验方案

试验鸡舍为金安禽业（安徽省安庆市宿松县）密闭式蛋鸡舍。饲养品种为海兰褐蛋鸡，22～25周龄，养殖规模为 15 500羽。鸡舍屋脊走向为南北方向，长度92 m，跨12 m，高度2.80 m。在测试期间，采用侧窗进风、纵向风机排风的通风方式，采用自动喂料系统，自由采食饮水。刮粪板自动清粪，每日清粪1次，2～3 d消毒1次。

测量对象：（1）环境参数：温度，湿度，二氧化碳，风速，光照，氨气。（2）产蛋量：每天人工记录各试验组笼架的产蛋数、蛋质量和存栏数。

测量时间：12月17日至1月20日（35 d），每天测量3次：07：00—09：00、13：00—15：00、18：00—20：00。

环境参数测量方法：鸡舍结构为三列四走道，每个走道按上、中、下、前、中、后分布9个监测点，每个监测点监测6个鸡笼。鸡舍环境监测点分布如图1所示。

鸡蛋测量方法：鸡蛋每天收蛋前测1次，统计每个监测点的鸡蛋总数量和总质量，除以该监测点的鸡的数量，算出平均每只鸡的产蛋量。

1.2 数据选取及预处理

经过以上的试验监测可以得到鸡舍内各监测点每天3组环境数据和1个产蛋量数据，由于密闭式鸡舍内小气候环境相对稳定，不同监测点的环境存在差异而同一监测点一天内波动不大，所以将各点早中晚监测的数据取平均值作为一天当中的环境数据平均值。这样各监测点每天的环境数据平均值与该点的产蛋量平均值一一对应，便于后面建立鸡舍环境因子与产蛋性能关系回归模型。考虑到测量试验期间可能存在由于机器故障（如喂料機停转、风机故障等）或外界干扰引起的少数试验数据异常现象，为避免影响建模结果，将这些异常数据剔除。将最终保留下来的数据做归一化处理，目的是取消各维数据之间的数量级差别，避免因为输入输出数据数量级差别较大引起的网络预测误差较大。归一化采用Matlab自带函数mapminmax。

2 BP神经网络模型

BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出的一种按误差逆传播算法训练的多层前馈网络，理论上3层神经网络可以实现输入和输出间的任意非线性映射[8]。BP神经网络拓扑结构模型如图2所示，输入层和输出层节点数是基于问题本身决定的，由于本设计的鸡舍环境参数为温度、湿度、光照、风速、氨气浓度、二氧化碳浓度共6个，所以输入层节点数m为6。鸡舍环境模型的目标输出为鸡产蛋对应任一训练样本，实际输出为yk，期望输出为dk。隐层节点数对BP神经网络预测精度有较大影响：节点数太少，网络不能很好地学习，需要增加训练的次数，精度也受影响;节点数太多，训练时间增加，网络容易过拟合。本研究中根据隐含层节点选择参考公式及多次试验将隐层节点设定为10个，最佳隐含层节点数的选择参考公式为BP神经网络在训练过程中采用梯度下降法来调整各层连接权值和阈值，梯度下降法的计算过程是沿梯度下降的方向求解极小值，其结果受初始权值阈值影响较大[13]。因此在BP神经网络训练之前随机初始化权值和阈值会导致BP神经网络容易陷入局部最优解，导致模型拟合效果不理想。因此本研究采用布谷鸟搜索（CS）算法结合BP神经网络的改进办法，以解决上述问题。

3 CS结合BP的算法改进3.1 布谷鸟算法

布谷鸟搜索（cuckoo search，CS）算法是一种新提出的群体智能优化算法，它的基本思想源于鸟类的Levy飞行行为和布谷鸟的鸟巢寄生行为[14-17]，在算法中，利用Levy飞行更新解，这样算法具有非常强的全局搜索能力，同时，根据巢寄生行为中原巢主发现布谷鸟卵的思想，对一部分解进行丢弃并更新。

CS算法包括如下3个规则：（1）布谷鸟1次下1个蛋，随机放在1个鸟巢中进行孵化。（2）一部分鸟巢放着优质蛋，这些鸟巢将被保留到下一代。（3）布谷鸟蛋被寄主鸟发现，寄主鸟就丢弃鸟蛋或者鸟巢，寻找新的鸟巢，以免影响寻找优化问题的解。

3.2 CS-BP鸡舍环境模型

当前有很多专家学者都研究过使用布谷鸟算法优化神经网络。例如Nawi等做过关于布谷鸟算法优化BP神经网络的验证，证明算法结合的效果精确度更高，运算速度快，误差更小[18]。屈迟文等使用布谷鸟算法优化灰色神经网络[19];高述涛等用布谷鸟算法优化BP神经网络做短时交通流量预测[20]，都得到了较好的结果。这些研究中都是先使用布谷鸟算法在给定空间范围内进行全局搜索，在布谷鸟算法迭代结束时将搜索结果赋予BP神经网络，作为其初始权值阈值进行训练。但是在布谷鸟算法中，算法的搜索完全依靠随机游走，因此不能保证算法快速收敛的性能，搜索结果也存在一定的随机性。

本研究中对CS-BP算法提出了新的方案，在布谷鸟算法进行搜索的过程中引入梯度下降算法，由于梯度下降算法有较强的局部搜索能力，这样即保留了布谷鸟算法较强的全局搜索性能，又增加了算法的局部搜索精确性，并加快了收敛速度。最后在布谷鸟算法迭代结束时将最优搜索结果赋予BP神经网络，作为其初始权值阈值进行训练。这种方法能够克服BP神经网络的容易陷入局部最小的缺点。本研究将以具体试验来验证其效果，改进的算法具体如下。

首先在给定的空间范围内初始化种群并初始化算法的基本参数。其中每个鸟巢代表一组将要优化训练的神经网络的权值和阈值，按照适应度函数进行计算（适应度函数为误差评价指标），找到当前最优的鸟巢位置。然后根据解的适应度值的优劣将种群分成2个部分，较劣解会通过Levy飞行更新;对于其余的较优解，则通过BP神经网络的梯度下降法增强局部搜索。部分劣解（pa）会被丢弃并以一个随机步长更新产生新解。将迭代多次的最优质的鸟巢作为神经网络最优的权值和阈值，进行梯度下降训练，得到最终鸡舍环境因子与产蛋性能关系回归模型。

为了检验上述改进算法的性能，本研究将鸡舍监测试验测得的环境参数预处理后作为神经网络学习样本来开展算法检验试验。本研究共690组环境样本，590组用于模型学习训练和自身检测，另100组样本用于进行模型泛化能力检测，利用决定系数R2、平均绝对误差（MAE）和平均相对误差（MAPE）来评价模型的拟合效果，R2越大越好，MAPE和MAE值则越小越好。评价指标公式为高，没有拟合效果非常差的情况出现，说明这2种算法都很好地克服了陷入局部最优的缺陷。对比10次试验结果来看，改进后的CS-BP整体拟合效果更好，预测准确度更高。所以本研究最后将保留改进后的CS-BP建立的鸡舍环境因子与产蛋性能关系回归模型。

4 对比模型

为了检验本研究建立的CS-BPNN的鸡舍环境因子与产蛋性能关系回归模型的性能相比于采用其他算法是否更优，采用BP神经网络（BPNN）、遗传算法优化BP神经网络（GA-BPNN）、粒子群算法优化BP神经网络（PSO-BPNN）进行对比试验。本研究将试验测得的环境参数预处理后作为神经网络学习样本，构建3层神经网络。所有算法中BP神经网络的迭代次数为100代，学习率参数为0.1，分别用BP神经网络算法、CS-BP算法，PSO-BP算法和GA-BP算法进行训练回测。考虑到智能优化算法搜索模型最优参数的随机性，所有试验均重复10次，取最佳的1次结果进行对比，所有算法都在CPU双核2.8 GHz，RAM8.00 GB，Windows 10，Matlab 2010b的平台上实现。PSO算法参数设置：种群规模为20，最大迭代次数为50，学习因子c1=c2=1.494 45;GA算法的参数设置：交叉概率=0.2，变异概率=0.1，种群个数和最大进化次数与PSO算法相同;CS算法参数设置：鸟巢数为20，发现概率Pa=0.25，最大迭代次数为50。在搜索过程中达到最大迭代次数则停止搜索。试验结果如图3、图4、图5、图6所示。

通过表2的數据分析可以得知，布谷鸟算法优化BP神经网络模型测试得到的平均相对误差和平均绝对误差都是最低的，决定系数最高，效果要优于BP神经网络的测试结果以及粒子群算法和遗传算法优化BP神经网络的测试结果。这说明选用布谷鸟优化BP神经网络模型，可以建立更好更有效的鸡舍环境因子与产蛋性能关系回归模型。

5 结语

本研究介绍了使用布谷鸟算法优化BP神经网络建立鸡舍环境因子与产蛋性能关系回归模型的改进方法，首先进行数据选取以及预处理，将鸡舍环境参数作为神经网络训练参数，通过改进的布谷鸟算法对神经网络的权值和阈值进行迭代优化，进而建立鸡舍环境因子与产蛋性能关系回归模型。同时，本研究还将此方法与当前主流的粒子群算法和遗传算法优化的BP神经网络算法以及未优化的BP神经网络算法进行了对比试验。结果表明，CS-BP算法能够有效地分析鸡舍环境因子与产蛋性能的关系。根据本研究建立的鸡舍环境因子与产蛋性能关系回归模型，可进一步计算出产蛋量达到最高时的各环境因子参数值，从而为鸡舍环境的调控的优化提供理论基础。

参考文献：

[1]刘世荣，刘雁征，李云开. 笼养蛋鸡健康养殖技术研究的现状与发展趋势[J]. 中国农学通报，2008，24（1）：23-28.

[2]王新政. 禽舍环境智能控制关键技术研究[D]. 哈尔滨：东北林业大学，2012.

[3]俞宏军，李保明，施正香，等. 北京密闭式商品蛋鸡舍冬季环境研究（初报）[J]. 农业工程学报，1997，13（增刊1）：75-79.

[4]张妮娅，刘焕良，张金凤，等. 华中地区夏季蛋鸡舍环境状况调查研究[J]. 养殖与饲料，2008（12）：1-5.

[5]高腾. 自动化超大规模蛋鸡养殖舍环境控制方法研究[D]. 杨凌：西北农林科技大学，2013.

[6]周可嘉. 现代化超大规模蛋鸡舍冬春季環境参数控制综合评价研究[D]. 杨凌：西北农林科技大学，2014.

[7]查凌雁，王菲，赵淑梅，等. 密闭式鸡舍冬季环境特征及其对产蛋率的影响[J]. 中国家禽，2013，35（21）：27-30.

[8]刘天舒. BP神经网络的改进研究及应用[D]. 哈尔滨：东北农业大学，2011.

[9]王德民. 基于遗传算法优化BP神经网络的风电功率预测[J]. 电子设计工程，2013，21（22）：95-98.

[10]郝海霞. 用粒子群算法优化BP神经网络进行函数拟合[J]. 山西师范大学学报（自然科学版），2017（1）：14-16.

[11]洪亮，张浩，朱明，等. 基于模拟退火算法优化BP神经网络的色彩空间转换[J]. 包装工程，2017，38（13）：195-198.

[12]王秋平，马春林，肖玲玲，等. 蚁群算法优化BP神经网络在主汽温控制中的应用[J]. 化工自动化及仪表，2013，40（7）：834-837.

[13]刘品. BP神经网络结构优化研究及应用[D]. 北京：中国地质大学，2016.

[14]Yang X S，Deb S. Cuckoo search via Lévy flights[C]// IEEE transactions world congress on nature & biologically inspired computing. IEEE，2010：210-214.

[15]Yang X S，Deb S. Engineering optimisation by cuckoo search[J]. International Journal of Mathematical Modelling & Numerical Optimisation，2010，1（4）：330-343.

[16]Yang X S，Deb S. Multiobjective cuckoo search for design optimization[J]. Computers & Operations Research，2013，40（6）：1616-1624.

[17]Pavlyukevich I. Lévy flights，non-local search and simulated annealing[J]. Journal of Computational Physics，2007，226（2）：1830-1844.

[18]Nawi N M，Khan A，Rehman M Z. A new back-propagation neural network optimized with cuckoo search algorithm[C]// Lecture notes in computer science. Berlin，Heidelberg：Springer，2013，7971：413-426.

[19]屈迟文，傅彦铭，戴俊. 基于改进CS优化算法的灰色神经网络预测模型[J]. 西南师范大学学报（自然科学版），2014，39（1）：131-136.

[20]高述涛. CS算法优化BP神经网络的短时交通流量预测[J]. 计算机工程与应用，2013，49（9）：106-109.余晓玲，宋慷慷，林珍铭. 工业城市土地生态安全评价及其障碍因子分析[J]. 江苏农业科学，2019，47（11）：271-275.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。