本發明涉及飼料配比管理，具體涉及基于大數據的豬飼料智能定量配比管理系統。
背景技術：
1、隨著物聯網技術的發展，部分大型養殖企業開始嘗試基于大數據的精準飼喂方法。現有技術通常通過采集養殖場的環境溫濕度、豬只采食量及體重增長等歷史數據，利用機器學習算法訓練得到營養需求預測模型，再結合線性規劃方法計算每日飼料配方。
2、現有技術在跨地域、跨品種的智能飼喂模型遷移應用中，面臨因目標養殖場初期數據真空導致預置模型無法有效映射新環境下豬只真實能量代謝規律的技術困境，其根源在于傳統機器學習方法僅能學習數據表觀統計關聯，缺乏對養殖環境、豬只遺傳背景與營養需求之間復雜生物學耦合機理的建模能力，當溫帶氣候區訓練得到的模型被部署至熱帶地區時，高溫高濕環境引發的熱應激生理響應與本地疫病壓力的疊加效應，使得模型輸出的營養需求預測值與豬只實際采食行為產生系統性背離，而現有遷移學習方法受限于目標域數據量要求，無法在投產初期極少量樣本條件下完成有效的域自適應，導致新建養殖場需經歷長達數月的模型冷啟動失效期，在此期間智能配比系統的生產性能反而劣于傳統人工經驗飼喂，這一技術瓶頸嚴重制約了智能定量配比方法在全球化擴繁場景下的快速部署與效能釋放。
技術實現思路
1、本發明的目的在于提供基于大數據的豬飼料智能定量配比管理系統，以解決上述背景中問題。
2、本發明的目的可以通過以下技術方案實現：
3、基于大數據的豬飼料智能定量配比管理系統，包括：
4、數據采集與任務集構建模塊：采集多個參考養殖場在完整養殖周期內的時序基礎數據，時序基礎數據包括環境監測數據、豬只個體生長數據以及對應的飼料投喂數據，并依據養殖場所處地理氣候特征及豬只品種將時序基礎數據劃分為若干具有差異性的訓練任務集；
5、初始參數組合確定模塊：將訓練任務集輸入至可迭代優化的參數學習框架中，通過跨任務梯度更新方式確定初始參數組合，初始參數組合被配置為在僅接觸少量新樣本數據時能夠通過有限次迭代快速收斂至適配新場景的參數狀態；
6、目標場景參數自適應模塊：獲取目標養殖場在投產初期的少量實測樣本數據，將初始參數組合作為起點，基于少量實測樣本數據進行參數微調，生成適配于目標養殖場當前環境與豬群狀態的專用參數組合；
7、營養需求動態曲線生成模塊：將專用參數組合與目標養殖場全周期的預測環境數據相結合，通過連續函數映射生成豬只在整個生長周期內的營養需求動態曲線，營養需求動態曲線表征不同時間點所需的營養濃度；
8、飼料定量配比方案輸出模塊：根據營養需求動態曲線以及實時獲取的飼料原料營養參數，通過多目標尋優確定每日的飼料原料混合比例，形成每日飼料定量配比方案。
9、作為本發明進一步的方案：所述通過跨任務梯度更新方式確定初始參數組合，具體包括：
10、從訓練任務集中隨機選取多個訓練任務，每個訓練任務包含支持數據部分和查詢數據部分；
11、對于選取的每個訓練任務，基于訓練任務支持數據部分通過梯度下降計算得到對應訓練任務對應的臨時參數組合；
12、將各訓練任務對應的臨時參數組合分別應用于對應的查詢數據部分，計算得到所有查詢數據部分的綜合損失值；
13、基于綜合損失值通過梯度回傳更新初始參數組合，并重復執行，直至初始參數組合滿足預設收斂條件。
14、作為本發明進一步的方案：所述綜合損失值的計算過程為：
15、將每個訓練任務對應的臨時參數組合分別載入初始網絡，并輸入對應訓練任務的查詢數據部分，得到每個查詢數據部分對應的預測輸出值；
16、分別計算每個查詢數據部分的預測輸出值與真實采集值之間的差異度，得到每個訓練任務對應的個體損失值；
17、基于各訓練任務對應的個體損失值計算各訓練任務的權重系數，權重系數與個體損失值的大小正相關；
18、將各訓練任務對應的個體損失值按照對應的權重系數進行加權求和，得到綜合損失值。
19、作為本發明進一步的方案：所述專用參數組合的生成過程為：
20、將少量實測樣本數據劃分為多個微型批次，每個微型批次包含至少一個樣本；
21、將當前微型批次輸入基于初始參數組合構建的當前網絡，計算得到當前微型批次對應的預測損失值，并基于預測損失值通過梯度回傳得到一次更新后的參數組合；
22、分別計算一次更新后的參數組合與初始參數組合在各參數維度上的差異量，得到參數偏移向量；
23、根據參數偏移向量的模長確定自適應步長系數，并基于自適應步長系數對所述一次更新后的參數組合進行約束調整，生成專用參數組合。
24、作為本發明進一步的方案：所述參數偏移向量的獲取過程為：
25、獲取一次更新后的參數組合中各參數維度的第一數值，以及初始參數組合中各對應參數維度的第二數值；
26、將各參數維度的第一數值與對應參數維度的第二數值進行逐維求差，得到各參數維度的初始差異分量；
27、分別對各參數維度的初始差異分量進行歸一化處理，得到各參數維度的歸一化差異分量，歸一化處理基于對應參數維度在全網絡中的數值分布范圍確定；
28、將所有參數維度的歸一化差異分量按照原始參數維度順序進行組合，形成參數偏移向量。
29、作為本發明進一步的方案：所述需求動態曲線的生成過程為：
30、將目標養殖場全周期的預測環境數據按照時間順序進行排列，構建環境時間序列，并將環境時間序列中的每一個時間點作為待查詢坐標點；
31、將專用參數組合載入連續映射網絡，連續映射網絡以時間坐標和環境數據作為聯合輸入，以營養濃度作為輸出；
32、將各待查詢坐標點依次輸入載入專用參數組合后的連續映射網絡，得到各時間點對應的初始營養濃度值，同時根據相鄰時間點的初始營養濃度值計算濃度變化率，并基于濃度變化率確定關鍵時間點插值權重；
33、基于關鍵時間點插值權重對初始營養濃度值進行自適應加密插值，生成覆蓋整個生長周期的營養需求動態曲線。
34、作為本發明進一步的方案：所述基于濃度變化率確定關鍵時間點插值權重，具體包括：
35、遍歷所有相鄰時間點，將后一時間點的初始營養濃度值減去前一時間點的初始營養濃度值，得到各時間區間對應的濃度變化率絕對值；
36、將所有濃度變化率絕對值按照數值大小進行降序排列，選取排列中前預設比例的時間區間作為高變化率區間；
37、分別計算各高變化率區間兩端時間點的營養濃度值均值，并根據營養濃度值均值與全局營養濃度均值的偏離程度確定各高變化率區間的初始插值權重；
38、對各高變化率區間的初始插值權重進行歸一化處理，使所有高變化率區間的插值權重之和為預設固定值，得到最終的關鍵時間點插值權重。
39、作為本發明進一步的方案：所述形成每日飼料定量配比方案，具體包括：
40、基于當日所需的營養濃度從營養需求動態曲線中提取得到當日營養目標向量，并獲取當日可用的多種飼料原料各自對應的營養參數向量及價格參數；
41、以當日營養目標向量為約束基準，以多種飼料原料的混合比例為尋優變量，構建包含多個待優化目標的初始尋優空間，多個待優化目標至少包括配方成本最小化和營養偏離度最小化；
42、在初始尋優空間中隨機生成多個候選混合比例解，分別計算各候選混合比例解對應的配方成本值和營養偏離度值，并根據各候選解在成本-偏離度二維平面上的分布位置識別出非支配前沿解集；
43、從非支配前沿解集中選取與原點連線斜率等于預設營養-成本權衡斜率的候選混合比例解，作為當日飼料原料混合比例，形成當日飼料定量配比方。
44、本發明的有益效果：
45、（1）本發明通過元學習框架構建一個對數據高度敏感的初始參數組合，使新投產的養殖場僅需采集投產初期數日的少量樣本數據，即可通過有限次梯度更新快速適配出符合本地環境與豬群狀態的專用參數組合。相較于傳統方法需要積累數月至半年本地數據才能生效的冷啟動模式，本發明縮短了人工干預期縮短，有效避免了因前期配方不適用導致的采食量下降、生長遲緩等問題，降低了新建場前幾個批次的試錯成本與飼料浪費。
46、（2）本發明通過連續映射網絡生成覆蓋整個生長周期的高分辨率營養需求動態曲線，并基于實時原料營養參數通過多目標尋優確定每日配比方案。該機制能夠捕捉營養需求快速變化的關鍵時間點并進行自適應加密插值，使日糧營養濃度緊密跟隨豬只的實際生長曲線波動，同時兼顧配方成本與營養偏離度的平衡。