پیش بینی تولید وزنی تخم مرغ قابل جوجه کشی بر مبنای عوامل تغذیه ای و وزن مرغ مادر گوشتی با استفاده از شبکه های عصبی مصنوعی نوع gmdh چند هدفی مقاوم
Abstract(in Persian; no English abstract is available)
شبکه های عصبی ابزارهای نسبتاً جدیدی هستند که در فرآیندهای مدل سازی رشد در سیستم های پرورش حیوانات مورد استفاده قرار می گیرند. در این پژوهش شبکه عصبی gmdh robust ، به عنوان یک مدل خود سازمانده، جهت پیش-بینی تولید وزنی تخم مرغ قابل جوجه کشی در مراحل مختلف تولیدی (25 تا 29 هفتگی، 30 تا 35 هفتگی، 36 تا 60 هفتگی و 25 تا 60 هفتگی) در مرغان مادر مورد استفاده قرار گرفت. متغیرهای ورودی موثر در این پژوهش سطوح مصرفی انرژی، پروتئین، کلسیم، فسفر و وزن مرغ مادر بود که جهت پیش بینی تولید وزنی تخم مرغ قابل جوجه کشی (متغیر خروجی) مورد استفاده قرار گرفت. از الگوریتم ژنتیک اصلاح شده مرتب سازی نقاط غیر برتر، به منظور بدست آوردن ساختار بهینه شبکه و از روش تجزیه مقادیر منفرد (svd) جهت بدست آوردن ضرایب معادلات درجه دوم استفاده گردید. در این پژوهش 80 خط داده مورد استفاده قرار گرفت که در برگیرنده 60 خط داده در گروه آموزش و 20 خط داده در گروه آزمون بود. ارزیابی توانایی پیش بینی مدل ها با استفاده از آماره های ضریب تبیین (r2)، میانگین مربعات خطا (mse)، ریشه میانگین مربعات خطا (rmse) و بایاس صورت گرفت. با اعمال آنالیز حساسیت بر مدل های توسعه یافته، اثر تغییرات متغیرهای ورودی بر مدل مشخص شده و در عین حال جهت بهینه سازی مدل ها به منظور دستیابی به حداکثر عملکرد در مرغان مادر از الگوریتم ژنتیک استفاده گردید. نتایج حاصل از این پژوهش نشان داد که شبکه های عصبی مصنوعی gmdh robust ابزار توانمندی در پیش بینی تولید وزنی تخم مرغ قابل جوجه کشی در مراحل مختلف تولید و در نژادهای مختلف مرغان مادر هستند. با مقایسه نتایج بهینه سازی توسط الگوریتم ژنتیک و پژوهش های پیشین مطلوبیت روش الگوریتم ژنتیک در بیان مقادیر بهینه متغیرهای ورودی به منظور دستیابی به عملکرد بهینه در مرغان مادر مشخص شد. نتایج حاصل از آنالیز حساسیت نیز نشان داد که این روش آنالیزی می تواند روش کارآمدی در مشاهده پویایی مدل ها بوده و با استفاده از این روش می توان اثر گذارترین متغیرهای ورودی بر مدل را تعیین نمود.