一个多近端Bundle-based Chick-Mash饲料配方优化方法

文摘

饲料配方的发展本质上是一个问题优化其中包括选择最好的选择,从一组指定的可能性。本研究的目的是开发一个通用的优化决策支持系统家禽饲料生产通过多目标近端包的应用方法,考虑到能源优化、限制氨基酸变异和提供一个最小的生产成本。交互式多目标bundle-based区间优化方法用于解决这个问题。这种技术提供了一个广泛的选择为决策者制定一个有效的选择和最佳饲料成本最小化,实现更加平衡的配给,限制了蛋氨酸的增长变化,和优化基于代谢能量饲料在他/她的处理。该方法的算法是基于目标函数的分类。根据这一分类,成立一个新的(多目标)优化问题和解决多目标近端包方法。方法依次生成不同的替代配方的决策者到达最后的决定。结果显示为价值路径根据他们的价值观,和列表的替代方案,显然,没有一个选择可以更好的提高没有损害他人。在这一点上,决策者将从列表中做出选择,根据自己的喜好。这是通过排名的三个目标根据决策者的偏好。因此,决策者必须愿意牺牲一些东西。 This work therefore provided a platform to provide solution to the problem of conflicting objectives of energy optimization, limiting氨基酸变异和配给在饲料配方成本最小化。

关键字

优化、饲料、Chick-Mash Poualtry喂食,最佳的解决方案。

介绍

提要playn积分作用的一个因素在决定成功的畜牧生产的发展。另一方面饲料配方的过程测量饲料原料的数量需要放在一起,形成单一的均匀混合物(饮食)suppliesll poualtry营养需求的1]。它是poualtry生产的基本操作,确保饲料ingredientsre经济利用的最优增长的鸡。这需要一个好的知识poualtrynd饲料原料(2]。非(3)调查的因素涉及innimal饲料配给制定的成本包括饲料原料,feedcceptability thenimal,可靠性thenimal消化制定feednd提要中的有毒物质的百分比。饲料配方的发展本质上是选择bestalternative优化涉及的问题,从指定的可能性。由于需要考虑的各种约束,提要日益difficualt混合。然后关键生产bestnimal diett最小成本以减少操作costnd获得更多的利润。令人满意的饮食在畜牧生产的发展,要求全面了解营养requirementsnd组成饲料原料的质量(4]。饮食的营养特点制定包括成分selectionnd营养水平。

followingre problemsssociated与饲料配方成分变化,价格变化,nd营养失衡的不同成分(5]。

沃(6)是第一个研究员whottempted解决饲料混合使用数学规划问题。他第一次使用线性规划优化牲畜配给在经济方面。这种方法已被用于饲料生产确定最低成本配方,将尊重指定的约束。因此,线性规划用于饲料配方的单一标准。在寻找最佳的配方,主要目标是确定最优水平的组件或关键的成分。成分(饲料输入)重新独立variablesnd因变量(质量性能指标或响应)再保险的因素进行优化(最大化或最小化)。当涉及到各种反应,结合响应优化是可取的

使用数学程序工具的primaryim tossist育种者,在制定配给,既从营养和经济观点更有效率。它可能inddition usedlso扔饲料使用的可变成本。最低成本配方,经常牺牲产品的质量productcceptability不是,通常,成分的线性函数。n重要的饲料配方复杂因素在大多数问题是限制或约束的存在。mualti-objective优化问题通常有多个最优解,已知帕累托最优解决方案。每个父母最优解代表不同compromisemong设计目标。因此,设计师感兴趣许多帕累托最优解决方案,以选择适合他的设计妥协偏好结构。有许多不同的methodsvailable求解mualti-objective优化问题。popularpproach之一是冷凝mualtiple目标单一,综合目标函数的方法这样的加权和,几何平均数,扰动,tchybeshev min-max, nd目标编程。notherpproach优化一个目标而把其他客观限制。在每个模拟Thesepproaches给一个帕累托最优的解决方案。

极端寒冷的天气条件是死亡的主要原因poualtry农场。nd尽管是采取措施,控制;这个问题一直有增无减。nccuratend效率最大化的代谢能因此需要制定poualtry饲料(7]。能源最大化应该因此被视为moresn客观而谢谢约束。限制essentialminocid(蛋氨酸)islso至关重要的由于其函数体内蛋白质合成。这是许多身体部位的成分,这样的肌肉,器官,integumentnd羽毛。将三个objectivesre放在一起为了满足thenimal的营养需要,考虑到生产成本。符合thebove声明flexiblealternative mualtiple-objective编程(MOP)模型在处理这些矛盾的目标(2]。

poualtry饲料中的能量是表示全球ofpparent代谢能量,能量的内容组件完成dietsre通常kJ表达或乔丹(偶尔在千卡)。

Andequate供应energyt lowmbient温度islways重大挑战。nd decreasingmbient温度,小鸡能源需求增加阻力吨极端寒冷.Hence小鸡饲料的能源需求是成反比tombient温度。t低温,每日摄取islready低,母鸡将会减少摄入量少增加饲料的能量浓度,增加能量摄入的净效应(8]。Lazo etl。(4)提出了一系列能源系统可能考虑poualtry饲料的配方,其中包括可消化能、代谢能,净能量。

另一方面,sulphurminocid并整合methioninend cysteinend thesere参与复杂的代谢过程(9]。蛋氨酸执行的功能蛋白质身体synthesisnd许多身体部位的成分,这样的肌肉,器官,nd羽毛。它islso参与功能不相关的蛋白质合成,这样多胺的合成10]。nd尽管中发挥的重要作用methioninend poualtry饲料中赖氨酸的配方,它并非没有副作用,因此,需要优化它们,这样我们不会under-formulate或over-formulate他们的饮食11]。

本文展示了基于web的通用决策支持系统的开发poualtry喂食。本研究isimed t为优化开发通用的决策支持系统poualtry饲料生产通过thepplication mualtiobjective近端bundlepproach,考虑能量优化、限制theminocid variationnd提供最小的生产成本。ofpplying这个方法的好处是,它提供了更有效的解决方案的最优组合成分,相比线性programmingpproach [12]。

方法

许多方法制定小鸡饲料的存在。这个项目的微分methodpplied互动mualtiobjective Bundle-based(灵气)优化方法。Thelgorithm灵气的方法是基于目标函数的分类。代谢能的优化;配给成本,nd limitingmino-acid解决迭代地使用这种方法。对于单个迭代,决策者(用户)issked分类目标函数为五个不同的类。饲料配方mualti-objective编程模型的发展模式,将最大化能量代谢,减少因此配给costndminocid是本章的重点。灵气是一种最常用的数学优化模型需要解决冲突的决策者已经beendopted目标。饲料配方的问题研究,深入了解强调交互。系统变量identifiednd约束的特点。 The problem consists of eight variables, seven constraints,nd three criteria.

决策变量、客观functionsnd约束问题

饲料成分的各自的数量(即。决策变量)的配方poualtry feedres中定义表1

表1:表示数量的决策变量的饲料原料

三个函数intoccount在这个问题包括成本、energynd蛋氨酸变异函数。

•能量函数

根据Olomu [13),代谢能poualtry easiestnd最方便获得。它来源于公式,我= DE-UE,问题是尿energynd DE是消化的能量。因此,这个模型的目标是最大化能量contentgainst极端寒冷。这是吉文斯:

(1)

•配给成本函数

functionsn成本目标是由:

(2)

•Limitingminocid变异

的最小化ofminocid饲料是由:

(3)

•问题约束

约束区间最小到最大的营养需求是吉文斯:

(4)

成分的约束是总和ofll配方中的成分。它可以用百分比来表示或总。

(5)

我= 1……n, j = 1……. . m

数据collectionnd处理

这包括饲料所需数据的收集研究。养分含量的饲料原料、饲料的值的范围,所需specificationnd obtainednd准备原料的成本。定量配料的成本得到从当前市场价格在尼日利亚的饲料成分。不同的营养提供个人最大和最小饮食夹杂物脂肪,纤维,钙,磷,proteinnd赖氨酸。中给出的数据了表2- - - - - -5。

表2:Productionims为小鸡饲料

表3:每公斤的原料成本

表4:每个成分的营养水平(约束表)

表5:标准表。

的chick-mash mualti-objective饲料配方模型

上述广义饲料配方模型是一个通用模型,可以应用使用值表2- - - - - -5。是从mualti-objective函数表2和3获得以下方程组如下所示。蛋氨酸函数是一个非线性函数,因为它代表一个方差限制氨基酸,而成本和能量函数都是线性的。mualti-objectives给出如下:

降低成本(f1) = 54 x₁+ 50 x₂x + 78₃x + 61₄+ 13 x₅33 + x₆+ 12 x₇+ 12 x₈;

最大化能量(f2) = 3434 x₁x + 3300₂+ 2700 x3₃x + 2640₄x + 2175₅x + 2860₇;(6)

最小化蛋氨酸(f3) = 0.18 x12 + 0.18将+ 0.59 x32 + 0.48×0.24 + 0.39 x52 + x72;

使用广义模型得到了以下约束如下所示:

脂肪:4 x₁+ 5 x₂+ 2倍₃+ 6 x₄+ 6 x₅33 + x₆+ 12.5倍₇≤3.5;

纤维:2 x₁+ 6 x₂+ 6.5倍₃+ 5 x₄+ 12 x₅+ 12.5倍₇≤5.0

钙:0.01倍₁+ 0.10倍₂+ 0.20倍₃+ 0.20倍₄+ 0.21倍₅37 + x₆+ 0.04倍₇+ x 38₈≤1.0

磷:0.09倍₁+ 0.09倍₂+ 0.60倍₃+ 0.20倍₄+ 0.16倍₅+ 1.50倍₆+ 0.48倍₇≤0.45 (7)

蛋白质:10倍₁+ 9 x₂+ 45 *₃+ 45 *₄+ 18 x₅+ 12 x₇≤20

赖氨酸:0.25倍₁+ 0.25倍₂+ 2.8倍₃+ 1.6倍₄+ 0.64倍₅+ 0.5倍₇≤1.0

成分:x₁+ x₂+ x₃+ x₄+ x₅+ x₆+ x₇+ x₈≤1000;

然后解决上述使用灵气网络数据库。

不可微互动mualti-objective bundle-based优化系统(灵气)的方法

灵气是mualti-objective优化系统,有能力处理的微分函数和优化多个目标同时,从而创建一组不同的解决方案(14]。现在的决策者(用户)的非劣解从列表中选择最好的解决方案。这种方法允许决策者指导搜索aalternating迭代优化和偏好清晰度(15]。

这个区间互动mualti-objective Bundle-based(灵气)因此适合解决这一非线性优化方法,饲料配方问题相互冲突的目标(16]。它的算法是基于目标函数的分类依据个人迭代,决策者(用户)被要求将目标函数划分为五个不同的类(17]。

•那些需要改进,

•那些需要改进,直到一些抱负水平,

•那些被接受,

•这些受损,直到一些束缚,

•那些允许自由改变。

根据分类,形成一个新的(mualti-objective)优化问题,解决了由产甲烷(mualti-objective近端包)方法。Kiwiel产甲烷的方法是一个泛化的近端包不可微单目标优化方法mualti-objective案例。mualtiple目标函数分别治疗不雇佣任何数值(18]。该方法能够处理一些非凸局部李普希兹连续非线性(可能是不可能的)目标函数约束(19]。决策者因此一个使最终决定哪种解决方案的最合适的目标。

灵气方法的优点

以下是灵气方法的优势超过其他mualti-objective优化方法(17]:

它能平衡一些等式和不等式约束冲突的标准主题。

它可以分析战略位置图不同的目标。

它有能力处理的微分和复杂的功能。

强项在灵气方法是帕累托最优解。

它可以解决当地和全球的帕累托最适条件。

结果

解释resualts

目标分类

分类功能是必要的,因为我们有多个目标函数来处理。对于一个目标函数,最优resualts将直接显示。

因为灵气的解决方案过程是迭代通常不是只有一个绝对正确的解决方案。因此你被要求引导解决所需的方向。分类是一个过程,用户表达的欲望。你可以选择哪些函数的值应该从当前水平和减少的功能(也就是那么重要。他们的价值观可以增加)。如果第二或第四aalternative被选中时,你被要求指定函数的边界值;也就是说,抱负水平和上/下边界,分别17]。

期望水平:定义所需的目标函数的值。

上/下限:定义了函数不应该超过极限值,如果可能的话。

解决方案的概念用于灵气

•帕累托最优

一个标准向量z^*(包括目标函数的值x点^*)是帕累托最优的如果没有组件可以改善没有损害的至少一个其他组件。在这种情况下,x^*也被称为帕累托最优。帕累托最优效率,同义词non-interiority和边缘worth-Pareto最优15]。

理想的标准向量和最低点向量

•ICV =理想标准向量

理想的标准向量由每个目标函数可以达到最佳值。ICV代表的下界的帕累托最优解集。(即帕累托最优设置)。从这个问题给出每个目标的ICV:

最小化函数给出了ICV尽可能最大化函数的最小值和最大值。

•最低点向量。

最低点向量的上界估计在帕累托最优的解决方案。它代表了最严重的值,每个目标函数可以实现帕累托最优设置。的低谷值这三个目标是:

•最小化函数给出了最低点的最高价值和最大化函数最小值。

•因为我们处理的是帕累托最优解(妥协)我们必须愿意放弃为了提高其他一些客观的东西。这就是为什么分类是可行的前提是至少一个目标函数是前两类和至少一个目标函数是在过去的两类。

讨论Resualts

有五套新aalternatives由系统生成。这些aalternatives标记Aalternative 1…。Aalternative 6所示图1- - - - - -4。决策者是自由选择的四个适合他,最后决定之前。所选aalternatives给出如下:

Aalternative 1(标准向量:(20.31445^*依照E + 3, 5.491057, 1772.162))

Aalternative 2(标准向量:(13.37071^*依照E + 3, 1.533576, 1019.42))

Aalternative 3(标准向量:(20.34011^*依照E + 3, 3.209189, 1658.513))

Aalternative 4(16.36793标准向量:^*依照E + 3, 1.199876, 1086.065))

Aalternative 5(标准向量:20.09646^*依照E + 3, 5.468131, 1780.108))

显示在aalternative解决方案图2作为价值路径根据他们的价值,便于决策者考虑的范围。aalternatives列表的,很明显,没有aalternatives可以更好的提高没有损害他人。在这一点上,决策者将从列表中做出选择,根据自己的喜好。这是通过排名的三个目标根据决策者的偏好。例如,如果最首选的标准向量z^*是成本,然后用最少的成本即aalternative 2。(标准向量:(13.37071^*依照E + 3, 1.533576, 1019.42))被选中。这里aalternative2选为帕累托最优是基于最少的成本。但应该注意的是,aalternative2从列表中能量函数的帕累托最优解。因此,决策者必须愿意牺牲一些东西。

但如果小鸡的成长是至关重要的,然后aalternative 1(标准向量:20.31445^*E + 3,依照5.491057,1772.162),氨基酸是首选的最高标准。然而这将增加饲料原料的成本。这个方法是受雇于Žgajnar & Kavčič[20.)制定营养均衡和经济上可接受的配给,也满足条件猪养殖。

结论

饲料配方的发展本质上是一个优化的问题,包括选择最好的aalternative,从一组指定的可能性。集的可能性提出了工作使决策者提前预测每个组所需原料的可能性。

因此这种技术提供了一个广泛的aalternatives决策者为了使一个有效的和最佳饲料配方。

引用

1. 李千叶。Poualtry营养和喂养。动物营养手册。2009;316 - 331。
2. 哈桑NA, et al。Poualtry喂养开发一个通用的决策支持系统。国际先进的工程科学杂志》上。2015;5:1-6。
3. 不久,动物饲料和饲料管理。2012。
4. Lazo摩根大通和戴维斯哒。原料和饲料的评估:Aquacualture百科全书,r . r . Stickney德克萨斯州。Wiley-Inter科学出版。2000;453 - 463。
5. 科学和诺伊达·g·动物饮食配方优化技术。优化。2011;1:1-5。
6. 阵线沃。最小费用乳制品饲料。农业经济学杂志。1951;33:299 - 310。
7. Abayomi OO, et al。国际期刊在科技飞速发展的生产力前景Mualti-Criteria动物饲料配方的问题:一个案例研究的尼日利亚饲料粉碎机行业。2015;6。
8. 亨氏j .建议的能量和营养层。2011;46:61。
9. Bunchasak c .膳食Poualtry生产蛋氨酸的作用。Poualtry科学杂志。2009;46:169 - 179。
10. 拉特肖JD。主要实践层饲料中氨基酸水平的重要性。NutZepInt, 1981年。
11. 小t .有机poualtry生产肉。2010;1。
12. 七PT和七。硒和维生素c的影响与高能量饮食补充肉鸡在寒冷的性能(15‚ºc)环境。2009;1:25-32。
13. Olomu JM。单胃的动物营养:原理和实践。Jachem出版商尼日利亚。1995;68 - 69。
14. 比赛当天艳阳高照马K和ƒ¤克拉ƒ¤毫米。在交互式Mualti-objective优化同步方法。欧洲运筹学杂志。2006;170:909 - 922。
15. Rangoaga m . Mualti-Objective规划问题的决策支持系统,南非大学。2009。
16. 哈伊姆YY。Mualti-objective决策理论和方法。Elsiever科学出版有限公司,纽约,1983年。
17. 比赛当天艳阳高照马K和ƒ¤克拉ƒ¤毫米。交互式Mualti-objective优化系统WWW-NIMBUS在互联网上。电脑和运筹学。2000;27:709 - 723。
18. 饲料配方Problem.M OlalereOlusegun a Mualti-Objective方法。sc的论文。尼日利亚伊巴丹大学。2012年,25 - 30。
19. 马库斯Hartikainen。交互式方法Mualti-Objective优化:NIMBUSMethod的细节。大学数学信息技术部门Jyvaskyla,芬兰。2012。
20. 一个…½gajnar J和Kavcic s Mualti-goal猪定量公式。数学优化方法。2009;7:775 - 782。