基于CS和BP的雞舍環境與產蛋性能關系模型研究

劉先旺 李華龍 李淼

摘要：為了分析層疊式密閉蛋雞舍多環境因子對蛋雞產蛋性能的影響，提出基于布谷鳥搜索算法和BP神經網絡的雞舍環境因子與產蛋性能關系回歸模型。選取主要環境影響因子參數（溫度、濕度、二氧化碳、風速、光照、氨氣）作為輸入量，雞的產蛋量作為輸出量，構建BP神經網絡基本模型。針對BP神經網絡容易陷入局部最小值的缺陷，對算法提出改進，采用布谷鳥搜索算法結合BP神經網絡，建立雞舍小氣候環境因子與產蛋性能關系回歸模型。通過具體試驗對CS-BPNN性能進行測試。試驗結果表明，相對于GA-BPNN、PSO-BPNN等對比模型，CS-BPNN提高了擬合精度，能夠更加準確地反映雞舍環境因子與產蛋性能的關系。

關鍵詞：雞舍環境;雞產蛋量;產蛋性能;回歸模型;BP神經網絡;布谷鳥算法;擬合精度;預測效果

中圖分類號： S831.4+5? 文獻標志碼： A? 文章編號：1002-1302（2019）11-0267-04

隨著我國蛋雞養殖業的發展，蛋禽業已成為了畜牧業發展中的主導產業之一，它對提高人們生活水平有著重要的作用[1]。層疊式蛋雞籠養以其具有土地面積利用率高、人均蛋雞飼養數高等優點，而受到了人們的青睞。為了擺脫養殖環境對外界氣候的依賴，我國的雞舍類型也由最初的開放式雞舍基本轉變為密閉式雞舍。隨著集約化養殖技術的發展，規模化養殖模式下雞舍暴露出的環境問題也層出不窮[2]。而冬季雞舍環境問題相對于春、夏、秋3季更為突出。密閉式雞舍在冬季存在低溫、高濕、氨氣濃度高等問題，并且溫度、濕度和氣流等溫熱環境因素是影響動物生理機能、生產性能和健康的關鍵因素[3]。據研究發現，冬季蛋雞的產蛋率較正常水平低5%～10%[4]。

由于雞舍環境參數多且多因子間作用機理復雜，雞舍環境對蛋雞的產蛋性能影響缺乏多因素評價指標，因此需要建立可直接應用于雞舍環境調控的多因子耦合環境評價模型，探尋雞舍環境因子與產蛋性能的關系，為集約化蛋雞養殖環境調控提供科學的理論研究方法。近年來很多學者針對雞舍環境對產蛋性能的影響做了許多研究，西北農林大學高騰等測定了八層層疊式蛋雞舍四季不同環境控制模式下的雞舍多種環境參數以及雞群的經濟性狀指標[5]。周可嘉等對八層層疊式蛋雞舍不同位置的環境參數和相應的蛋雞生產性能進行測定，利用主成分分析法分析得出冬春季超大規模雞舍的環境綜合評價指數，作為對雞舍環境綜合評價的依據[6]。但該方法是把層疊式雞舍環境多個參數指標化為少數幾個互不相關的綜合指標的多元統計方法，可能會因降維丟失含有配對樣本差異的重要信息，影響雞舍環境綜合評價準確性。查凌雁等對冬季雞舍內環境因子與產蛋率的相關性進行了分析[7]，該研究只考慮了溫度、風速、氨氣濃度3個環境影響因子，沒有對濕度、二氧化碳等因素做全面分析。

針對以上不足，本研究通過對密閉式雞舍冬季小氣候環境參數進行檢測，采用BP神經網絡建立雞舍小氣候環境因子與產蛋性能關系回歸模型，探討冬季層疊式密閉蛋雞舍多環境因子與蛋雞產蛋性能之間的關系，以期為密閉式蛋雞舍冬季環境調控與管理提供理論依據。

BP神經網絡具有自學習和逼近任意非線性系統的能力，采用BP人工神經網絡技術構建的非線性評價模型，避免人為確定各指標的權重帶來的主觀性，能夠滿足多因子耦合評價的要求，適合用于雞舍復雜環境的建模。但是BP神經網絡由于自身算法的原因，誤差收斂速度慢，易陷入局部極小值[8]。因此，學者們提出采用遺傳算法、粒子群算法、模擬退火算法、蟻群算法等對BP神經網絡參數進行優化[9-12]，能夠改善神經網絡易陷入局部最優和收斂速度慢的缺陷，提高了預測效果。本研究為了提高雞舍環境因子與產蛋性能關系回歸模型的擬合精度，提出了布谷鳥算法與BP神經網絡相結合的改進方法，通過與BP神經網絡、遺傳算法優化神經網絡、粒子群算法優化神經網絡對比，發現布谷鳥算法優化神經網絡方法速度更快、精度更高，從而能夠更加準確地探尋冬季雞舍環境因子與產蛋性能的關系。

1 雞舍監測試驗

1.1 試驗方案

試驗雞舍為金安禽業（安徽省安慶市宿松縣）密閉式蛋雞舍。飼養品種為海蘭褐蛋雞，22～25周齡，養殖規模為 15 500羽。雞舍屋脊走向為南北方向，長度92 m，跨12 m，高度2.80 m。在測試期間，采用側窗進風、縱向風機排風的通風方式，采用自動喂料系統，自由采食飲水。刮糞板自動清糞，每日清糞1次，2～3 d消毒1次。

測量對象：（1）環境參數：溫度，濕度，二氧化碳，風速，光照，氨氣。（2）產蛋量：每天人工記錄各試驗組籠架的產蛋數、蛋質量和存欄數。

測量時間：12月17日至1月20日（35 d），每天測量3次：07：00—09：00、13：00—15：00、18：00—20：00。

環境參數測量方法：雞舍結構為三列四走道，每個走道按上、中、下、前、中、后分布9個監測點，每個監測點監測6個雞籠。雞舍環境監測點分布如圖1所示。

雞蛋測量方法：雞蛋每天收蛋前測1次，統計每個監測點的雞蛋總數量和總質量，除以該監測點的雞的數量，算出平均每只雞的產蛋量。

1.2 數據選取及預處理

經過以上的試驗監測可以得到雞舍內各監測點每天3組環境數據和1個產蛋量數據，由于密閉式雞舍內小氣候環境相對穩定，不同監測點的環境存在差異而同一監測點一天內波動不大，所以將各點早中晚監測的數據取平均值作為一天當中的環境數據平均值。這樣各監測點每天的環境數據平均值與該點的產蛋量平均值一一對應，便于后面建立雞舍環境因子與產蛋性能關系回歸模型。考慮到測量試驗期間可能存在由于機器故障（如喂料機停轉、風機故障等）或外界干擾引起的少數試驗數據異常現象，為避免影響建模結果，將這些異常數據剔除。將最終保留下來的數據做歸一化處理，目的是取消各維數據之間的數量級差別，避免因為輸入輸出數據數量級差別較大引起的網絡預測誤差較大。歸一化采用Matlab自帶函數mapminmax。

2 BP神經網絡模型

BP神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的一種按誤差逆傳播算法訓練的多層前饋網絡，理論上3層神經網絡可以實現輸入和輸出間的任意非線性映射[8]。BP神經網絡拓撲結構模型如圖2所示，輸入層和輸出層節點數是基于問題本身決定的，由于本設計的雞舍環境參數為溫度、濕度、光照、風速、氨氣濃度、二氧化碳濃度共6個，所以輸入層節點數m為6。雞舍環境模型的目標輸出為雞產蛋對應任一訓練樣本，實際輸出為yk，期望輸出為dk。隱層節點數對BP神經網絡預測精度有較大影響：節點數太少，網絡不能很好地學習，需要增加訓練的次數，精度也受影響;節點數太多，訓練時間增加，網絡容易過擬合。本研究中根據隱含層節點選擇參考公式及多次試驗將隱層節點設定為10個，最佳隱含層節點數的選擇參考公式為BP神經網絡在訓練過程中采用梯度下降法來調整各層連接權值和閾值，梯度下降法的計算過程是沿梯度下降的方向求解極小值，其結果受初始權值閾值影響較大[13]。因此在BP神經網絡訓練之前隨機初始化權值和閾值會導致BP神經網絡容易陷入局部最優解，導致模型擬合效果不理想。因此本研究采用布谷鳥搜索（CS）算法結合BP神經網絡的改進辦法，以解決上述問題。

3 CS結合BP的算法改進3.1 布谷鳥算法

布谷鳥搜索（cuckoo search，CS）算法是一種新提出的群體智能優化算法，它的基本思想源于鳥類的Levy飛行行為和布谷鳥的鳥巢寄生行為[14-17]，在算法中，利用Levy飛行更新解，這樣算法具有非常強的全局搜索能力，同時，根據巢寄生行為中原巢主發現布谷鳥卵的思想，對一部分解進行丟棄并更新。

CS算法包括如下3個規則：（1）布谷鳥1次下1個蛋，隨機放在1個鳥巢中進行孵化。（2）一部分鳥巢放著優質蛋，這些鳥巢將被保留到下一代。（3）布谷鳥蛋被寄主鳥發現，寄主鳥就丟棄鳥蛋或者鳥巢，尋找新的鳥巢，以免影響尋找優化問題的解。

3.2 CS-BP雞舍環境模型

當前有很多專家學者都研究過使用布谷鳥算法優化神經網絡。例如Nawi等做過關于布谷鳥算法優化BP神經網絡的驗證，證明算法結合的效果精確度更高，運算速度快，誤差更小[18]。屈遲文等使用布谷鳥算法優化灰色神經網絡[19];高述濤等用布谷鳥算法優化BP神經網絡做短時交通流量預測[20]，都得到了較好的結果。這些研究中都是先使用布谷鳥算法在給定空間范圍內進行全局搜索，在布谷鳥算法迭代結束時將搜索結果賦予BP神經網絡，作為其初始權值閾值進行訓練。但是在布谷鳥算法中，算法的搜索完全依靠隨機游走，因此不能保證算法快速收斂的性能，搜索結果也存在一定的隨機性。

本研究中對CS-BP算法提出了新的方案，在布谷鳥算法進行搜索的過程中引入梯度下降算法，由于梯度下降算法有較強的局部搜索能力，這樣即保留了布谷鳥算法較強的全局搜索性能，又增加了算法的局部搜索精確性，并加快了收斂速度。最后在布谷鳥算法迭代結束時將最優搜索結果賦予BP神經網絡，作為其初始權值閾值進行訓練。這種方法能夠克服BP神經網絡的容易陷入局部最小的缺點。本研究將以具體試驗來驗證其效果，改進的算法具體如下。

首先在給定的空間范圍內初始化種群并初始化算法的基本參數。其中每個鳥巢代表一組將要優化訓練的神經網絡的權值和閾值，按照適應度函數進行計算（適應度函數為誤差評價指標），找到當前最優的鳥巢位置。然后根據解的適應度值的優劣將種群分成2個部分，較劣解會通過Levy飛行更新;對于其余的較優解，則通過BP神經網絡的梯度下降法增強局部搜索。部分劣解（pa）會被丟棄并以一個隨機步長更新產生新解。將迭代多次的最優質的鳥巢作為神經網絡最優的權值和閾值，進行梯度下降訓練，得到最終雞舍環境因子與產蛋性能關系回歸模型。

為了檢驗上述改進算法的性能，本研究將雞舍監測試驗測得的環境參數預處理后作為神經網絡學習樣本來開展算法檢驗試驗。本研究共690組環境樣本，590組用于模型學習訓練和自身檢測，另100組樣本用于進行模型泛化能力檢測，利用決定系數R2、平均絕對誤差（MAE）和平均相對誤差（MAPE）來評價模型的擬合效果，R2越大越好，MAPE和MAE值則越小越好。評價指標公式為高，沒有擬合效果非常差的情況出現，說明這2種算法都很好地克服了陷入局部最優的缺陷。對比10次試驗結果來看，改進后的CS-BP整體擬合效果更好，預測準確度更高。所以本研究最后將保留改進后的CS-BP建立的雞舍環境因子與產蛋性能關系回歸模型。

4 對比模型

為了檢驗本研究建立的CS-BPNN的雞舍環境因子與產蛋性能關系回歸模型的性能相比于采用其他算法是否更優，采用BP神經網絡（BPNN）、遺傳算法優化BP神經網絡（GA-BPNN）、粒子群算法優化BP神經網絡（PSO-BPNN）進行對比試驗。本研究將試驗測得的環境參數預處理后作為神經網絡學習樣本，構建3層神經網絡。所有算法中BP神經網絡的迭代次數為100代，學習率參數為0.1，分別用BP神經網絡算法、CS-BP算法，PSO-BP算法和GA-BP算法進行訓練回測。考慮到智能優化算法搜索模型最優參數的隨機性，所有試驗均重復10次，取最佳的1次結果進行對比，所有算法都在CPU雙核2.8 GHz，RAM8.00 GB，Windows 10，Matlab 2010b的平臺上實現。PSO算法參數設置：種群規模為20，最大迭代次數為50，學習因子c1=c2=1.494 45;GA算法的參數設置：交叉概率=0.2，變異概率=0.1，種群個數和最大進化次數與PSO算法相同;CS算法參數設置：鳥巢數為20，發現概率Pa=0.25，最大迭代次數為50。在搜索過程中達到最大迭代次數則停止搜索。試驗結果如圖3、圖4、圖5、圖6所示。

通過表2的數據分析可以得知，布谷鳥算法優化BP神經網絡模型測試得到的平均相對誤差和平均絕對誤差都是最低的，決定系數最高，效果要優于BP神經網絡的測試結果以及粒子群算法和遺傳算法優化BP神經網絡的測試結果。這說明選用布谷鳥優化BP神經網絡模型，可以建立更好更有效的雞舍環境因子與產蛋性能關系回歸模型。

5 結語

本研究介紹了使用布谷鳥算法優化BP神經網絡建立雞舍環境因子與產蛋性能關系回歸模型的改進方法，首先進行數據選取以及預處理，將雞舍環境參數作為神經網絡訓練參數，通過改進的布谷鳥算法對神經網絡的權值和閾值進行迭代優化，進而建立雞舍環境因子與產蛋性能關系回歸模型。同時，本研究還將此方法與當前主流的粒子群算法和遺傳算法優化的BP神經網絡算法以及未優化的BP神經網絡算法進行了對比試驗。結果表明，CS-BP算法能夠有效地分析雞舍環境因子與產蛋性能的關系。根據本研究建立的雞舍環境因子與產蛋性能關系回歸模型，可進一步計算出產蛋量達到最高時的各環境因子參數值，從而為雞舍環境的調控的優化提供理論基礎。

參考文獻：

[1]劉世榮，劉雁征，李云開. 籠養蛋雞健康養殖技術研究的現狀與發展趨勢[J]. 中國農學通報，2008，24（1）：23-28.

[2]王新政. 禽舍環境智能控制關鍵技術研究[D]. 哈爾濱：東北林業大學，2012.

[3]俞宏軍，李保明，施正香，等. 北京密閉式商品蛋雞舍冬季環境研究（初報）[J]. 農業工程學報，1997，13（增刊1）：75-79.

[4]張妮婭，劉煥良，張金鳳，等. 華中地區夏季蛋雞舍環境狀況調查研究[J]. 養殖與飼料，2008（12）：1-5.

[5]高 騰. 自動化超大規模蛋雞養殖舍環境控制方法研究[D]. 楊凌：西北農林科技大學，2013.

[6]周可嘉. 現代化超大規模蛋雞舍冬春季環境參數控制綜合評價研究[D]. 楊凌：西北農林科技大學，2014.

[7]查凌雁，王 菲，趙淑梅，等. 密閉式雞舍冬季環境特征及其對產蛋率的影響[J]. 中國家禽，2013，35（21）：27-30.

[8]劉天舒. BP神經網絡的改進研究及應用[D]. 哈爾濱：東北農業大學，2011.

[9]王德民. 基于遺傳算法優化BP神經網絡的風電功率預測[J]. 電子設計工程，2013，21（22）：95-98.

[10]郝海霞. 用粒子群算法優化BP神經網絡進行函數擬合[J]. 山西師范大學學報（自然科學版），2017（1）：14-16.

[11]洪 亮，張 浩，朱 明，等. 基于模擬退火算法優化BP神經網絡的色彩空間轉換[J]. 包裝工程，2017，38（13）：195-198.

[12]王秋平，馬春林，肖玲玲，等. 蟻群算法優化BP神經網絡在主汽溫控制中的應用[J]. 化工自動化及儀表，2013，40（7）：834-837.

[13]劉 品. BP神經網絡結構優化研究及應用[D]. 北京：中國地質大學，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]屈遲文，傅彥銘，戴 俊. 基于改進CS優化算法的灰色神經網絡預測模型[J]. 西南師范大學學報（自然科學版），2014，39（1）：131-136.

[20]高述濤. CS算法優化BP神經網絡的短時交通流量預測[J]. 計算機工程與應用，2013，49（9）：106-109.余曉玲，宋慷慷，林珍銘. 工業城市土地生態安全評價及其障礙因子分析[J]. 江蘇農業科學，2019，47（11）：271-275.