本發明涉及海藻養殖，特別是涉及一種海藻江蘺的立體生態養殖優化方法。

背景技術：

1、現有的江蘺養殖方法側重于選擇光照充足、水質清潔、鹽度適宜、溫度適宜且底質良好的養殖區域，以便為江蘺的生長和繁殖提供有利條件；或者通過優化苗種的選擇、培育和管理，提高江蘺苗種的健康度和抗逆性，從而提升其生長和繁殖效率。

2、然而，養殖環境是一個復雜多變的系統，涉及光照和水質等多個因素，現有方法雖然注重選擇光照充足、水質清潔等條件，但往往難以全面、準確地把握所有環境因素的細微變化；并且，一方面，苗種培育需要投入大量的人力、物力和財力，成本較高；另一方面，苗種培育的效果受到多種因素的影響，如遺傳特性、培育技術等，難以保證每次培育都能獲得高質量的苗種，因此，這些因素導致了江蘺的養殖效率低下。

技術實現思路

1、本發明提供一種海藻江蘺的立體生態養殖優化方法，以解決難以提高江蘺的養殖效率的問題。

2、為實現上述目的，本技術提供了一種海藻江蘺的立體生態養殖優化方法，包括：

3、獲取江蘺和目標海洋生物在不同養殖條件下的生長數據；

4、基于所述生長數據建立約束條件和目標函數；其中，所述目標函數是通過對資源利用率和生態健康指數進行加權集中而建立；

5、基于所述約束條件和目標函數，根據生態養殖模型生成所述江蘺和目標海洋生物的最優養殖密度，并根據所述最優養殖密度生成所述江蘺的立體生態養殖方案；其中，所述生態養殖模型是基于對抗學習機制，通過迭代訓練生成器以模擬并逼近老師模型的密度分布，以及根據生成的密度樣本訓練學生模型而得到；所述學生模型是根據綜合損失函數對若干基學習器進行訓練而得到，所述綜合損失函數是基于再生核希爾伯特空間中的樣本誤差分布而建立。

6、本發明通過將資源利用率和生態健康指數納入目標函數，并對其進行加權集中，能夠同時考慮經濟效益和生態效益；這種綜合考量有助于在追求高產量的同時，減少資源浪費和環境污染，從而提高養殖的可持續性。根據最優養殖密度生成江蘺的立體生態養殖方案，這種方案能夠充分利用養殖空間和水體資源，提高養殖密度和產量，同時減少對環境的負面影響，實現可持續發展。對于生態養殖模型而言，采用基于對抗學習機制的生態養殖模型，這種模型通過迭代訓練生成器以模擬并逼近老師模型的密度分布，從而能夠捕捉到江蘺和目標海洋生物在不同養殖條件下的復雜生長規律；同時，根據生成的密度樣本訓練學生模型，進一步提高了模型的預測能力和泛化性能。學生模型是基于綜合損失函數對若干基學習器進行訓練而得到的，綜合損失函數在再生核希爾伯特空間中考慮了樣本誤差分布，這使得模型能夠更好地適應復雜多變的養殖環境，提高預測的準確性和魯棒性。

7、相比于現有技術，本發明的立體生態養殖方案能夠減少對環境的負面影響，促進生態平衡；并且，通過合理控制養殖密度和種類搭配，可以避免生物之間的競爭和沖突，減少疾病的發生和傳播，提高江蘺的養殖效率，因此能夠解決難以提高江蘺的養殖效率的問題。

8、作為優選方案，所述目標函數是通過對資源利用率和生態健康指數進行加權集中而建立，具體為：

9、基于所述生長數據，通過引入衰減系數來模擬光照強度逐漸降低的現象，并結合預設適宜光照強度的最小值和最大值，建立光照強度約束；

10、根據生長速率隨溫度變化的敏感度和預設的生長速率閾值建立水溫約束；

11、根據不同地理位置上的光照強度和水溫建立空間分布約束；

12、按照權重集對所述光照強度約束、所述水溫約束和所述空間分布約束進行加權集中處理，得到所述約束條件；其中，所述權重集是使用模糊邏輯量化不同約束的滿足程度而建立。

13、本優選方案通過引入衰減系數模擬光照強度的逐漸降低狀況，可以更真實地反映自然界中光照強度的變化規律，從而提高對植物生長環境模擬的準確性。使用預設的生長速率閾值來建立水溫約束，使得模型能夠根據特定的生物過程或物種的需求進行調整，增強了模型的通用性和適應性。考慮不同地理位置的光照強度和水溫差異建立空間分布約束，使得模型能夠適用于更廣泛的地理區域，提高了模型的實用性。

14、作為優選方案，所述權重集是使用模糊邏輯量化不同約束的滿足程度而建立，具體為：

15、基于約束集，分別定義模糊集合來表示各約束的滿足程度，得到若干模糊集合；其中，所述約束集包括所述光照強度約束、所述水溫約束和所述空間分布約束；

16、基于所述若干模糊集合建立若干隸屬度函數；

17、根據初始權重值集和所述若干隸屬度函數對應的若干權重值，計算得到所述權重集；其中，所述初始權重值集是基于所述約束集對應的信息熵大小，根據熵權法計算得到。

18、本優選方案使用模糊集合來表示各約束的滿足程度，能夠更靈活地處理約束條件的不確定性。建立隸屬度函數可以量化每個約束條件的滿足程度，從而提供更精確的信息用于后續的處理和決策。由于信息熵反映了約束條件所包含的信息量大小，且熵權法能夠根據信息量的大小來分配權重，所以這使得初始權重值集的權重分配更加合理和客觀。結合隸屬度函數對應的權重值，可以進一步調整和優化權重集，使得最終的權重分配更加符合實際情況和需求。

19、作為優選方案，所述綜合損失函數是基于再生核希爾伯特空間中的樣本誤差分布而建立，具體為：

20、根據真實養殖密度和模型預測養殖密度之間的差值大小，通過對參數誤差的平方或者絕對值進行懲罰，建立第一損失函數；

21、按照預設方式對所述參數誤差的平方進行懲罰，建立第二損失函數；其中，所述預設方式是根據所述第一損失函數而確定，且所述預設方式用于保持損失函數的一致性；

22、將江蘺的生長數據樣本從原始空間映射到再生核希爾伯特空間，并基于所述再生核希爾伯特空間中的生長數據樣本誤差分布建立第三損失函數；

23、通過引入梯度懲罰系數來控制梯度懲罰項的強度，并結合梯度范數建立第四損失函數；

24、根據所述第一損失函數、所述第二損失函數、所述第三損失函數和所述第四損失函數建立所述綜合損失函數。

25、本優選方案中，第一損失函數這種基于誤差的懲罰機制能夠確保模型在訓練過程中不斷減少預測誤差，從而提高預測結果的可靠性。第二損失函數根據第一損失函數確定預設方式，用于對參數誤差的平方進行懲罰，該做法保持了損失函數之間的一致性，使得模型在優化過程中能夠平衡不同損失項的影響，避免過度擬合或欠擬合的問題。第三損失函數是通過將江蘺的生長數據樣本映射到再生核希爾伯特空間而建立，能夠捕捉數據樣本之間的非線性關系，提高模型對復雜數據的處理能力，從而增強模型的泛化能力。第四損失函數是通過引入梯度懲罰系數來控制梯度懲罰項的強度而建立，這種機制能夠防止模型在訓練過程中產生過大的梯度，保持訓練的穩定性。

26、作為優選方案，所述生態養殖模型是基于對抗學習機制，通過迭代訓練生成器以模擬并逼近老師模型的密度分布，以及根據生成的密度樣本訓練學生模型而得到，具體為：

27、設計生成器和若干判別器；其中，所述生成器用于生成逼近所述老師模型所呈現的江蘺和目標海洋生物養殖密度的分布特征，所述若干判別器用于辨識并區分所述生成器所產生的密度分布與所述老師模型的真實密度分布之間的差異；

28、在固定所述生成器的參數的情況下，根據所述老師模型的真實密度分布數據和所述生成器生成的假數據對所述若干判別器進行訓練；在固定所述若干判別器的參數的情況下，以使所述生成器生成的密度分布更接近所述老師模型的真實密度分布為目標，對所述生成器進行訓練；將所述生成器生成的密度樣本作為所述學生模型的訓練數據，訓練所述學生模型以逼近所述老師模型的輸出；

29、迭代所述生成器和所述若干判別器的交替訓練過程，得到所述生態養殖模型。

30、本優選方案通過不斷訓練，生成器能夠生成越來越接近真實分布的假數據，這對于模擬和理解養殖生態系統中生物密度的動態變化具有重要意義。并且，通過訓練，判別器能夠不斷提高其辨識能力，從而更有效地指導生成器的訓練過程，確保生成的密度分布逐漸逼近真實分布。

31、作為優選方案，所述若干判別器的組合損失函數是根據不同判別器的損失函數而建立；

32、其中，所述組合損失函數為 ：

33、 ；

34、

35、其中，表示所述組合損失函數，表示第個判別器的損失函數，表示從真實數據分布中采樣得到的樣本經過第個判別器后的期望輸出，表示從噪聲分布中采樣得到的噪聲經過生成器生成的樣本再經過第個判別器后的期望輸出，是梯度懲罰項，表示第個判別器在插值樣本處的梯度，是梯度懲罰系數，是真實樣本和生成樣本之間的插值，是第個判別器的權重，是判別器的總數。

36、作為優選方案，基于所述約束條件和目標函數，根據生態養殖模型生成所述江蘺和目標海洋生物的最優養殖密度，具體為：

37、隨機生成一個滿足所述約束條件的養殖密度解，得到第一養殖密度；

38、基于所述第一養殖密度，通過在關于所述約束條件和目標函數的線性規劃問題上增加隨機擾動來生成新解，得到第二養殖密度；

39、根據所述第一養殖密度和所述第二養殖密度，分別計算得到第一目標函數值和第二目標函數值；

40、若所述第一目標函數值小于所述第二目標函數值，則將所述第二養殖密度作為當前解，并通過數據迭代對所述當前解進行更新，將達到最大迭代次數時的所述當前解定義為輔助最優養殖密度；

41、基于所述約束條件、所述目標函數和所述輔助最優養殖密度，根據生態養殖模型生成所述江蘺和目標海洋生物的最優養殖密度。

42、本優選方案從隨機生成一個滿足約束條件的養殖密度解開始迭代，這增加了搜索空間的多樣性，有助于探索更多可能的解。通過在關于約束條件和目標函數的線性規劃問題上增加隨機擾動來生成新解，該方法能夠在當前解的基礎上引入變化，從而改進解的質量。

43、作為優選方案，所述老師模型是根據貨架式多層養殖和樓層式立體養殖中的養殖密度、生物種類搭配和環境調控參數而建立。

44、本優選方案的老師模型是針對特定的養殖模式進行設計得到，能夠更準確地反映這些養殖模式下的實際情況，這種針對性使得模型在預測和優化養殖密度、生物種類搭配以及環境調控參數時更加精確和可靠。

45、作為優選方案，所述目標函數是基于生態健康指數，通過量化實際養殖效率接近最優狀態的程度和實際資源利用率接近最優狀態的程度而建立。

46、本優選方案的目標函數以生態健康指數為核心，體現了對生態環境的關注和保護；通過優化養殖效率和資源利用率，旨在實現經濟效益與生態效益的雙贏，推動養殖業的可持續發展。

47、作為優選方案，所述目標函數，具體為：

48、

49、其中，、、和是預設的權重系數，表示在給定養殖密度、生態因子和時間下的養殖效率，表示在最優條件下的養殖效率上限，表示在給定養殖密度、資源因子和時間下的資源利用率，表示在最優條件下的資源利用率上限，表示在給定養殖密度、生態因子、資源因子、空間分布參數和時間下的生態健康指數，表示在給定養殖密度、成本因子和時間下的養殖成本。