基于畜牧养殖环境的饲喂设备协同调度优化方法及系统

本技术涉及畜牧养殖智能化管理，尤其涉及一种基于畜牧养殖环境的饲喂设备协同调度优化方法及系统。

背景技术：

1、随着畜牧养殖向规模化、集约化方向发展，饲喂设备的自动化调度成为提升养殖效率的关键环节。现有规模化畜牧养殖场景中，饲喂设备调度多依赖固定时序规则或单一设备独立控制，未充分结合养殖环境动态变化、畜禽生长状态及多设备协同需求，易出现路径冲突、投料精度不足、饲料浪费严重、设备能耗偏高且缺乏动态自适应能力的问题，无法满足现代智慧畜牧养殖的精细化管理需求。

技术实现思路

1、本技术提供了一种基于畜牧养殖环境的饲喂设备协同调度优化方法及系统，旨在解决现有规模化畜牧养殖场景中，饲喂设备调度多依赖固定时序规则或单一设备独立控制，未充分结合养殖环境动态变化、畜禽生长状态及多设备协同需求，易出现路径冲突、投料精度不足、饲料浪费严重、设备能耗偏高且缺乏动态自适应能力的问题。

2、第一方面，本技术实施例提供了一种基于畜牧养殖环境的饲喂设备协同调度优化方法，所述方法包括：

3、采集畜牧养殖的环境数据、畜禽生长数据以及饲喂设备状态数据，对多维度数据进行融合处理，消除数据孤岛，生成动态调度基础数据；

4、将各饲喂设备分别设定为独立智能体，依托改进型多智能体强化学习算法搭建协同调度模型，将动态调度基础数据输入模型状态空间，以饲喂精准度、设备能耗、饲料利用率和畜禽采食满足度构建多目标奖励函数，生成多设备初始协同调度策略；

5、搭建养殖环境与饲喂设备对应的数字孪生模型，对初始协同调度策略进行仿真预执行，识别并规避设备路径冲突、料线堵塞和投料时间重叠的运行风险，输出验证通过的优化调度策略；将优化调度策略下发至实体饲喂设备执行，持续采集设备饲喂执行结果数据与养殖环境反馈数据，将反馈数据作为训练样本持续迭代优化协同调度模型，实现饲喂设备调度策略的动态自适应更新。

6、在一些实施例中，所述采集畜牧养殖的环境数据、畜禽生长数据以及饲喂设备状态数据包括：通过部署于栏舍内的物联网传感器采集温湿度、氨气浓度、光照强度作为环境数据；采集畜禽的日龄、体重、历史采食量、健康状态作为畜禽生长数据；采集饲喂设备的料线余量、设备位置、故障状态、能耗水平作为饲喂设备状态数据。

7、在一些实施例中，所述对多维度数据进行融合处理，消除数据孤岛，生成动态调度基础数据包括：对采集到的多维度数据进行异常值过滤和缺失值填充完成数据清洗；将清洗后的数据转换为统一格式完成数据标准化；对标准化后的数据按照统一时间基准进行时间戳对齐；将对齐后的数据进行整合生成动态调度基础数据。

8、在一些实施例中，所述将各饲喂设备分别设定为独立智能体，依托改进型多智能体强化学习算法搭建协同调度模型包括：采用集中式训练分布式执行架构搭建协同调度模型；为每个独立智能体定义包含环境状态、畜禽状态和设备状态的观测空间；为每个独立智能体定义包含投料量、运行速度、移动路径的动作空间；初始化模型的网络参数和训练超参数。

9、在一些实施例中，所述将动态调度基础数据输入模型状态空间，以饲喂精准度、设备能耗、饲料利用率和畜禽采食满足度构建多目标奖励函数，生成多设备初始协同调度策略包括：将动态调度基础数据输入每个智能体的观测空间；分别计算饲喂精准度子奖励值、设备能耗子奖励值、饲料利用率子奖励值和畜禽采食满足度子奖励值；对各子奖励值进行加权求和得到综合奖励值；各智能体根据综合奖励值进行决策交互生成多设备初始协同调度策略。

10、在一些实施例中，所述搭建养殖环境与饲喂设备对应的数字孪生模型包括：采集栏舍的空间布局参数和各饲喂设备的几何参数、物理参数；基于采集的参数构建与实际养殖环境1:1比例的三维虚拟场景；将各饲喂设备的实时状态映射到三维虚拟场景中的对应虚拟设备；建立物理实体与虚拟模型之间的实时数据同步通道。

11、在一些实施例中，所述对初始协同调度策略进行仿真预执行，识别并规避设备路径冲突、料线堵塞和投料时间重叠的运行风险，输出验证通过的优化调度策略包括：将初始协同调度策略输入数字孪生模型；驱动虚拟饲喂设备按照初始协同调度策略模拟运行；实时检测模拟运行过程中出现的设备路径冲突、料线堵塞和投料时间重叠风险；根据检测到的风险调整初始协同调度策略中的设备运行参数和执行时序；将调整后的策略重新输入数字孪生模型进行验证；重复执行风险检测和策略调整步骤直至模拟运行过程中无运行风险；输出验证通过的优化调度策略。

12、在一些实施例中，所述将优化调度策略下发至实体饲喂设备执行，持续采集设备饲喂执行结果数据与养殖环境反馈数据包括：按照各实体饲喂设备的唯一地址将优化调度策略中的对应指令下发至设备；控制实体饲喂设备按照接收到的指令执行饲喂操作；采集各实体饲喂设备的实际投料量、运行时长、能耗水平作为设备饲喂执行结果数据；采集栏舍内的温湿度、氨气浓度、光照强度作为养殖环境反馈数据。

13、在一些实施例中，所述将反馈数据作为训练样本持续迭代优化协同调度模型，实现饲喂设备调度策略的动态自适应更新包括：将采集到的设备饲喂执行结果数据和养殖环境反馈数据整理为标注训练样本；将标注训练样本输入协同调度模型进行增量训练；更新协同调度模型的网络参数；基于更新后的网络参数生成新的饲喂设备调度策略。

14、第二方面，本技术提供了一种基于畜牧养殖环境的饲喂设备协同调度优化系统，所述系统包括：

15、数据生成单元，用于采集畜牧养殖的环境数据、畜禽生长数据以及饲喂设备状态数据，对多维度数据进行融合处理，消除数据孤岛，生成动态调度基础数据；

16、策略生成单元，用于将各饲喂设备分别设定为独立智能体，依托改进型多智能体强化学习算法搭建协同调度模型，将动态调度基础数据输入模型状态空间，以饲喂精准度、设备能耗、饲料利用率和畜禽采食满足度构建多目标奖励函数，生成多设备初始协同调度策略；

17、策略更新单元，用于搭建养殖环境与饲喂设备对应的数字孪生模型，对初始协同调度策略进行仿真预执行，识别并规避设备路径冲突、料线堵塞和投料时间重叠的运行风险，输出验证通过的优化调度策略；将优化调度策略下发至实体饲喂设备执行，持续采集设备饲喂执行结果数据与养殖环境反馈数据，将反馈数据作为训练样本持续迭代优化协同调度模型，实现饲喂设备调度策略的动态自适应更新。

18、本技术通过多维度数据融合处理，打破不同维度数据间的孤岛效应，为调度决策提供全面、动态的数据支撑；采用多智能体强化学习算法构建协同调度模型，将每台饲喂设备设定为独立智能体，以多目标奖励函数驱动决策，实现多设备间的高效协同配合，同时兼顾饲喂精准度、设备能耗、饲料利用率与畜禽采食满足度；通过数字孪生仿真预调度环节，提前识别并规避潜在的设备运行冲突与流程风险，大幅提升调度方案的可靠性与稳定性；第四，建立闭环迭代优化机制，持续采集执行反馈数据更新模型，使调度策略能够随养殖场景变化、畜禽生长阶段推进及设备状态改变实现自适应优化，保障调度方案的长期有效性与场景适配性。

19、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。