本发明属于饲料配方研究，更具体地，涉及一种基于优化算法的母猪营养饲料配方筛选方法。
背景技术：
1、在生猪养殖中，规模化养殖场多数采用自繁自养模式。从养殖成本看，饲料成本占据猪饲养成本比例最高。精准的饲料配方不仅满足能繁母猪正常繁殖和仔猪未来发育，还能降低母猪的养殖成本。传统的饲料配方方法难以处理复杂的多原料优化问题，容易导致饲料成本增加。所以使用智能优化算法进行精准且合理的母猪饲料配方研究对当今规模化自繁自养的养殖模式具有重要意义。
2、国内外学者将智能优化算法广泛应用于饲料配方优化处理。国外学者t.o.aliu等人建立了一个线性规划模型，在满足营养需求的前提下计算最小化饲料配方的成本，对怀孕母猪、哺乳母猪等不同阶段的生猪进行饲料的优化，实验结果显示，通过线性规划模型的优化，在保证营养质量的前提下实现了猪饲料的成本的显著降低。dipti singh等人首次将线性规划技术(lp)与自组织迁移遗传算法(somga)结合起来用于饲料配方的优化，这种组合利用了线性规划的快速初步解决能力和somga的精细优化能力，与lp相比，somga不仅在计算效率和解的质量上有显著的提高，而且找到成本更低的饲料配方。adem alpaslanaltun和mehmet akif两人提出使用粒子群优化(pso)算法来解决混合饲料的成本优化问题，并将该方法的结果与线性规划和实数编码遗传算法的结果进行比较，发现pso算法优化效果表现更优。国内学者李浩等人用粒子群算法来优化猪饲料配方，克服了传统方法难以处理复杂的多约束或多目标问题，仿真结果表明，粒子群算法在解决猪饲料配方问题上优于传统的lp方法。张学聪等人使用了改进的禁忌搜索算法(its)对猪饲料配方进行成本优化，通过引入新的邻域移动规则和缩短禁忌表优化传统的ts算法，与lp、遗传算法(ga)等传统算法相对比，证明its解决家畜饲料配方问题更优。杨莎莎等人使用改进的遗传算法优化生猪饲料配方，采用实数编码，初始种群随机生成，采用改进比例选择策略和精英保策略选择优秀个体进入下一代，采用部分匹配交叉法进行自适应交叉操作，使用高斯变异进行自适应变异操作，降低了生猪饲养的成本。刘庆等人首次将人工鱼群算法(afsa)应用于饲料配方优化，为满足饲料配方优化对收敛精度的要求，采用了一种基于共生系统的人工鱼群算法运行框架，显著提高了原算法的收敛精度与速度，将计算结果与一些已有智能算法进行了对比，结果表明优于其他已有智能算法。
3、虽然已有文献使用智能算法对母猪饲料配方进行优化，但将新型算法应用于该领域的研究仍然相对较少。choa作为一种新型智能算法，具有两大主要特点：一是将种群划分为一个个独立的个体，可以有效提高算法的勘探能力；二是引入混沌因子，有助于改善开发过程的收敛速度和精度。
技术实现思路
1、本发明对choa进行改进，提出了一种基于优化算法的母猪营养饲料配方筛选方法。针对choa的不足，对黑猩猩优化算法的种群初始化进行了改进，采用伯努利(bernoulli)映射序列替代随机初始化，并引入了自适应非线性收敛因子，以更好地适应算法搜寻的实际情况。此外，添加了基于贪婪选择的邻域扰动机制。通过实验对比，验证了改进的黑猩猩优化算法在母猪饲料配方的多约束多种原料组合的成本优化中的可行性和优越性。
2、为实现上述目的，本发明提供了如下技术方案：
3、一种基于优化算法的母猪营养饲料配方筛选方法，母猪饲料m为配方原料个数，n为营养成分个数，母猪营养饲料配方筛选方法步骤如下：
4、step1：初始化算法相关参数，原料解的维度、最大迭代次数、搜索空间上下界、目标函数；
5、step2：定义适应度函数用于评估每个配比方案的优劣，适应度函数有两个评价指标：总成本、各原料营养成分是否在约束范围内；
6、step3：使用伯努利(bernoulli)映射序列生成种群，每个种群个体为一组m个原料的配方含量；
7、step4：进入主循环，计算f和cr动态系数，计算每个搜索代理位置的适应度，根据配方的营养成分和成本来评估配方的好坏；
8、参数f是收敛因子，在改进算法中将线性衰减的收敛因子改为非线性衰减的收敛因子，平衡算法全局搜索与局部搜索能力。算法的改进中添加了邻域扰动策略，而cr是用于判断是否进行邻域扰动的一个参数，算法越进入后期时，随着cr的增大，进行邻域扰动的概率越大。
9、step5：根据攻击者、障碍者、追逐者和驱逐者的位置来更新搜索代理的位置，从而探索更优的饲料配方；
10、step6：判断是否可以进行邻域操作，若可以，使用邻域操作来进一步优化每个搜索代理的位置，否则直接step7；
11、step7：若达到最大迭代次数则记录当前最优解并输出结果，否则返回step4。
12、本技术方案进一步的优化，所述目标函数minf(x)模型如下：
13、
14、式中，ci—每种原料的价格，xi—不同原料在1kg饲料配方中的比例。
15、本技术方案进一步的优化，所述母猪饲料对原料的用量上限、下限约束和营养成分以及原料比例总和的约束条件如下：
16、
17、x1+x2+…+xm＝1 (18)
18、式中：aij—第i种原料所含第j种营养成分的百分量；di—配方中应满足的各项营养指标最低标准；m—配方原料个数；n—营养成分个数。
19、本技术方案进一步的优化，所述适应度函数用于评估每个配比方案的优劣，适应度函数有两个评价指标：总成本、各原料营养成分是否在约束范围内，适应度函数如下：
20、f(x)＝minf(x)+pen(x) (19)
21、其中，minf(x)是式(16)的目标函数；pen(x)是惩罚项，用于惩罚不满足约束条件的解，表达式如下：
22、pen(x)＝p1(x)+p2(x)+p3(x) (20)
23、
24、式中：p1(x)是成分比例约束的惩罚，用于原料不满足上限和下限，p2(x)是总比例约束的惩罚，用于不满足式(18)，p3(x)是营养需求约束的惩罚，用于不满足式(19)；其中式(21)中，li和ui分别是第i个原料的下限和上限。
25、区别于现有技术，上述技术方案具有如下有益效果：
26、通过分析种群初始化分布，引入伯努利(bernoulli)映射序列初始化种群，使得种群分布得更均匀，提高了算法初期的搜索能力；引入改进的自适应非线性收敛因子，平衡并增强算法的全局搜索能力和局部开发能力；加入邻域扰动优化机制，通过在迭代过程中生成新邻域解，防止算法在迭代中特别是迭代后期容易陷入局部最优解的处境。通过对2个基本测试函数进行寻优测试，验证了改进算法的优越性。最后通过对比改进choa前后对于母猪饲料配方的优化，进一步验证了banchoa算法(这是对基本的黑猩猩优化算法引入伯努利映射序列初始化种群；引入改进的自适应非线性收敛因子；加入邻域扰动优化机制的改进，取名为banchoa)的有效性。通过对本发明改进策略的分析可以看出，改进算法所需参数量较多且算法的寻优性能受邻域扰动优化影响较大，对于种群初始化和收敛因子依然存在改进空间。在之后工作中继续研究改进的优化策略，以提高choa的可操作性和适用性，并将其应用到更为复杂的优化问题中。
1.一种基于优化算法的母猪营养饲料配方筛选方法，其特征在于，母猪饲料m为配方原料个数，n为营养成分个数，母猪营养饲料配方筛选方法步骤如下：
2.如权利要求1所述的基于优化算法的母猪营养饲料配方筛选方法，其特征在于，所述目标函数minf(x)模型如下：
3.如权利要求2所述的基于优化算法的母猪营养饲料配方筛选方法，其特征在于所述母猪饲料对原料的用量上限、下限约束和营养成分以及原料比例总和的约束条件如下：
4.如权利要求3所述的基于优化算法的母猪营养饲料配方筛选方法，其特征在于，所述适应度函数用于评估每个配比方案的优劣，适应度函数有两个评价指标：总成本、各原料营养成分是否在约束范围内，适应度函数如下：
