一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端与流程

1.本发明涉及一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，属于鲟鱼养殖领域。


背景技术：

2.鲟鱼为典型的杂食性鱼类，具有生长速度快、适应能力强、病害少、经济价值高等优点，其肉厚骨软，味道鲜美，营养丰富，肉和卵的蛋白质含量极高，是高级营养品，另外其皮可制成优质特种皮革，鱼鳔和脊索还可制成鱼胶，可以说鲟鱼的全身都是宝，经济价值极高。鲟鱼的养殖过程中存在以下问题：现阶段鲟鱼的饲养采用饲养池集体饲养，饲养条件大致控制在合适的范围内，但是针对不同的品种不能做到精细化处理，保证鲟鱼饲养在最适合的环境下，其次无法预知鲟鱼的产子期，现阶段的取子考虑成本之后大多数都采用一次性取子，即每一条鲟鱼养殖到合适的取子期之后只取一次子，然后将其鱼身加工成其他的产品，而取子期的判断只能依靠活体取卵观察，多次取卵容易造成感染，影响鲟鱼和鱼子的健康以及其品质，因此，需要一种更好的方法来进行有针对性地饲养，智能饲养。


技术实现要素：

3.本发明的目的在于提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，以解决上述背景中提出的现阶段鲟鱼的饲养采用饲养池集体饲养针对不同的品种不能做到精细化处理，其次无法预知鲟鱼的产子期，取子期的判断只能依靠活体取卵观察，多次取卵容易造成感染，影响鲟鱼和鱼子的健康以及其品质的问题。
4.为实现上述目的，本发明提供如下方案：一种基于深度强化学习的鲟鱼饲养方法，包括以下步骤：步骤一、对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；步骤二、采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；步骤三、利用训练好的优化智能饲养决策模型对对应种类的鲟鱼进行饲养。
5.作为优选的，所述步骤一还包括以下步骤：保证同一饲养池内的鲟鱼种类相同，以饲养池为单位，采集每个饲养池对应的鲟鱼饲养信息和鲟鱼发育信息。
6.作为更优选的，所述鲟鱼饲养信息包括不同饲养池对应的温度、水流速度、溶解氧浓度、光照强度以及日总食量；所述鲟鱼发育信息包括不同饲养池对应的鲟鱼种类、鲟鱼总数量、鲟鱼从孵化到产子期的年龄、体重、产子率、性类固醇激素浓度、平均产子年龄和平均产子率，其中产子率为鱼子重量与产出该鱼子的鲟鱼体重的比值。
7.进一步的，所述步骤二具体包括以下步骤：步骤201，采用竞争深度q学习网络算法建立初始智能饲养决策模型，对所述初始
智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；步骤202，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
8.具体的，所述步骤三具体包括以下步骤：步骤301，获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；步骤302，在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的实际鲟鱼种类和实际鲟鱼总量，并将实际鲟鱼种类、实际鲟鱼总数量、实际鲟鱼的年龄、体重、性类固醇激素浓度、理想产子年龄和理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
9.为了解决本发明的技术问题，还提供了一种基于深度强化学习的鲟鱼饲养装置，包括数据处理模块、训练模块和饲养智能决策控制模块；所述数据处理模块用于对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；所述训练模块用于采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；所述饲养智能决策控制模块用于利用训练好的优化智能饲养决策模型生成不同种类鲟鱼的当前发育信息对应的目标饲养信息。
10.作为优选的，所述训练模块具体包括：模型建立单元，用于采用竞争深度q学习网络算法建立初始智能饲养决策模型，对所述初始智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；训练单元，用于随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
11.作为更优选的，所述饲养智能决策控制模块具体包括：获取单元，用于获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；方案生成单元，用于在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的当前鲟鱼种类和当前鲟鱼总量，并将当前鲟鱼种类、当前鲟鱼总量、理想产子年龄以及理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
12.为了解决本发明的技术问题，还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述基于深度强化学习的鲟鱼饲养方法。
13.为了解决本发明的技术问题，还提供了一种基于深度强化学习的鲟鱼饲养终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于深度强化学习的鲟鱼饲养方法的步骤。
14.与现有技术相比，本发明的有益效果是：（1）本发明提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，收集数据并建立多个经验样本，通过不同的经验样本可以得到不同种类鲟鱼的理想产子率和理想产子年龄；（2）发明提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，采用竞争深度q学习网络算法建立初始智能饲养决策模型，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，为了生成智能饲养决策模型，将待饲养的鲟鱼的鲟鱼发育信息输入到深度学习模型中可以得到合适的关于鲟鱼饲养信息的调控动作，对饲养条件进行自发控制，提高鲟鱼的饲养效率，保证饲养方法的自控性和全面性；（3）发明提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，装置包括数据处理模块、训练模块和饲养智能决策控制模块，保证上述方法可以运行，智能控制饲养，并且利用之前经验样本里得到的数据，针对不同的品种可以有针对性地预测其产子时间和产子率，保证鲟鱼和鱼子的品质。
附图说明
15.图1为本发明的一种基于深度学习的鲟鱼饲养方法的流程示意图。
16.图2为本发明的一种基于深度学习的鲟鱼饲养装置的结构示意图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.参阅附图1，在本实施例中，一种基于深度强化学习的鲟鱼饲养方法，包括以下步骤：步骤一、对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；步骤二、采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；步骤三、利用训练好的优化智能饲养决策模型对对应种类的鲟鱼进行饲养。
19.在本实施例中，所述步骤一还包括以下步骤：保证同一饲养池内的鲟鱼种类相同，以饲养池为单位，采集每个饲养池对应的鲟鱼饲养信息和鲟鱼发育信息，方便监测和调控，也方便形成经验样本。
20.在上述实施例中，所述鲟鱼饲养信息包括饲养池内的温度、水流速度、溶解氧浓度
和光照强度，所述鲟鱼发育信息包括鲟鱼种类、日总食量、鲟鱼从孵化到产子期时的年龄、体重、产子率、性类固醇激素浓度、平均产子年龄和平均产子率，性类固醇激素浓度的检测方法可以参考现有文献。通过活体取卵技术观察鱼子状态并进行检测，记录数据，判断是否到达合适的产子期，对达到合适产子期的鲟鱼，找到其标号，记录其产子时年龄和体重，并登记其此时的体重和性类固醇激素浓度，以性类固醇激素浓度的最小值和最大值得到各种类鲟鱼产子时的性类固醇激素浓度范围，帮助辅助预判产子时间，避免多次取卵观察，接着进行取子操作，称量鱼子的重量并计算产子率，产子率为鱼子的总重量与鲟鱼体重的比值，对同一个饲养池内的鲟鱼的平均体重、平均产子年龄和平均产子率进行记录，从所有所述经验样本中选出各种鲟鱼的最短的平均产子年龄和最大的平均产子率，并分别作为下一饲养相同品种鲟鱼时的理想产子年龄和理想产子率，在饲养调控时，根据鲟鱼发育信息，以理想产子率和理想产子年龄作为该种鲟鱼的期望指标。
21.在上述实施例中，所述步骤二还包括以下步骤：步骤201，采用竞争深度q学习网络算法建立初始智能饲养决策模型，对所述初始智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；步骤202，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
22.饲养智能决策控制模型提取鲟鱼发育信息的特征值，并构建鲟鱼发育信息与鲟鱼饲养信息之间的对应的关系，根据对应关系通过深度q学习网络模型计算出该种鲟鱼的鲟鱼发育信息在当前鲟鱼饲养信息下的概率值，若鲟鱼发育信息的概率值大于特征值，则确定当前鲟鱼发育良好，鲟鱼饲养信息可以保持不变；否则，通过饲养智能决策控制模型计算模拟，重新优化，输出得到新的鲟鱼饲养信息。
23.深度q网络模型具体实现可参考现有文献。
24.在上述实施例中，所述步骤三还包括以下步骤：步骤301，获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；步骤302，在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的实际鲟鱼种类和实际鲟鱼总量，并将实际鲟鱼种类、实际鲟鱼总数量、实际鲟鱼的年龄、体重、性类固醇激素浓度、理想产子年龄和理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
25.一个优选实施例中，该饲养方法还包括步骤四，所述步骤四包括以下步骤：步骤401，收集步骤一中采集到的数据，以鲟鱼的年龄作为x轴，以对应年龄下适合取子的总条数作为y轴构建点状图，生成所述鲟鱼在饲养池对应的不同温度、水流速度、溶解氧浓度和光照强度下的产子时间分布，将各条件下形成的点状图形成数据库；步骤402，根据步骤四生成的目标饲养信息，在步骤401中所述数据库中匹配所述目标饲养信息，生成所述目标饲养信息下对应的鲟鱼的产子时间分布，可以用来预估目标
饲养条件下该品种鲟鱼的产子时间。
26.在上述实施例中，具体的，以该鲟鱼的年龄作为x轴，以该年龄下适合取子的总条数作为y轴构建点状图，可以得到在该鲟鱼在饲养池对应的温度、水流速度、溶解氧浓度和光照强度下的产子时间分布，将各条件下形成的点状图形成数据库，方便有更全面的判断，辅助饲养方案的制定。
27.在步骤四中根据鲟鱼的品种、总数量、理想产子年龄和理想产子率输出得到目标温度、目标水流速度、目标溶解氧浓度、目标光照强度和目标日总食量后，根据目标温度、目标水流速度、目标溶解氧浓度和目标光照强度搜索点状图数据库，可以找到该温度、水流速度、溶解氧浓度、光照强度下该品种所对应的产子时间分布，方便预测产子高峰期，顺便可以划分品种，利于品种的培养和取子人员规划。
28.可以将产子高峰期之前的品种划分为性早熟品种，对性早熟品种中产子率大的品种进行培育筛选，提高产子鲟鱼的生产效率，对品种进行筛选培育，进一步提高鲟鱼和鱼子的品质，同时缩短饲养周期，提高获利。
29.参阅附图2，在本实施例中，一种基于深度强化学习的鲟鱼饲养装置，包括数据处理模块100、训练模块200和饲养智能决策控制模块300；所述数据处理模块100用于对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；所述训练模块200用于采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；所述饲养智能决策控制模块300用于利用训练好的优化智能饲养决策模型生成不同种类鲟鱼的当前发育信息对应的目标饲养信息。
30.一个优选实施例中，所述数据处理模块100具体包括：鲟鱼饲养信息采集单元101，用于对鲟鱼饲养信息进行采集；鲟鱼发育信息采集单元102，用于对鲟鱼发育信息进行采集。
31.一个优选实施例中，所述训练模块200具体包括：模型建立单元201，用于采用竞争深度q学习网络算法建立初始智能饲养决策模型，对所述初始智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；训练单元202，用于随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
32.一个优选实施例中，所述饲养智能决策控制模块300具体包括：获取单元301，用于获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；方案生成单元302，用于在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的当前鲟鱼种类和当前鲟鱼总量，并将当前鲟鱼种类、当前鲟鱼总量、理想产子年龄以及理想产
子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
33.本发明的另一实施例包括一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上实施例中任一所述的基于深度强化学习的鲟鱼饲养方法。
34.本发明的另一实施例提供了一种基于深度强化学习的鲟鱼饲养终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上实施例中任一所述的基于深度强化学习的鲟鱼饲养方法的步骤。
35.在上述实施例中，进一步的，所述鲟鱼饲养终端还可以包括与处理器无线连接的移动终端，方便在厂区随时控制并监控数据。
36.本发明的工作原理：本发明提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，通过多个经验样本构建深度学习模型，通过不同的经验样本可以得到不同种类鲟鱼的理想产子率和理想产子年龄，将待饲养的鲟鱼的鲟鱼发育信息输入到深度学习模型中可以得到合适的关于鲟鱼饲养信息的调控动作，对饲养条件进行自发控制，提高鲟鱼的饲养效率，保证饲养方法的自控性和全面性，同时针对不同的品种可以有针对性地预测其产子时间和产子率，保证鲟鱼和鱼子的品质。
37.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。