张健，崔英杰

(黄淮学院，河南驻马店，463000)

0 引言

蛋鸡的产蛋率是养殖户最关心的问题，从动态角度研究和认识产蛋规律，不仅可以准确预测蛋鸡的产蛋量，还为评估产蛋量性状的育种值提供参考[1]，因此蛋鸡产蛋率预测是蛋鸡研究中一项非常重要的内容。

蛋鸡产蛋率预测属于非线性系统方面的问题，如果通过单一性的参数进行预测，没有全面分析多方面参数对蛋鸡产蛋率的影响，预测精度偏低。产蛋率预测拟合模型研究始于1981年，McMillan最早提出McMillan分室模型建立产蛋率与时间的非线性拟合曲线[2]。Yang等在McMillan模型的基础上进行了改进，提出一种杨宁模型用于产蛋率与时间的拟合[3]。McNally发现产蛋曲线与奶牛的泌乳曲线有一定的相似性，提出可以用Wood模型来描述家禽的产蛋曲线[4]。基于支持向量机(Support Vector Machine, SVM)回归的产蛋率多参数预测模型[5]，对产蛋数据的分类和拟合能够获得较优的结果，但是SVM核函数选择直接关系到模型的泛化能力，同时SVM过度依赖参数调节。基于极限学习机(Extreme Learning Machine, ELM)方法用于蛋鸡产蛋率预测[6]，避免神经网络多次迭代更新网络参数缺陷，该预测模型具有良好的可信度和泛化能力。神经网络通过自我学习极易处理非线性问题[7]，建立的非线性蛋鸡产蛋模型可以满足模拟鸡舍的复杂环境对蛋鸡产蛋率预测，但是神经网络存在收敛速度慢、容易陷入局部极值的缺陷。通过其他智能算法如粒子群优化神经网络算法(Particle Swarm Optimization Neural Network, PSONN)、蚁群优化神经网络算法(Ant Colony Neural Network, ACNN)对神经网络参数优化[8-9]，改善了网络的性能，提高了预测效果。……