一种针对水产养殖中溶解氧预测与控制的、经过QEFA优化的LSTM-KAN混合模型

《Aquaculture International》：A QEFA-optimized LSTM-KAN hybrid model for dissolved oxygen prediction and control in aquaculture

智能水质量管理体系通过LSTM-KAN混合模型与量子启发的QEFA算法实现溶解氧精准预测与控制，基于2022年6-7月物联网连续监测数据验证，模型预测误差（RMSE=0.0244，MAPE=0.3054%）显著优于传统方法，控制性能提升5.17%

　　

摘要

溶解氧（DO）是水产养殖环境中一个关键的水质参数，其准确预测和有效控制对于确保养殖生物的健康和生产力具有决定性作用。传统的预测方法难以捕捉溶解氧变化的非线性动态特性，而传统的控制策略则依赖于适应性有限的复杂物理模型。本研究提出了一种混合模型，该模型结合了长短期记忆（LSTM）网络和Kolmogorov–Arnold网络（KAN），并通过一种受量子启发的电鳗觅食算法（QEFA）进行优化，用于溶解氧的预测和控制系统。所提出的方法利用了量子计算中的概率表示和演化机制，通过模拟量子叠加、纠缠和干涉效应的经典计算策略来增强全局搜索和局部优化能力。本研究从2022年6月23日至7月31日以5分钟的间隔进行了基于物联网的连续监测。经过质量控制后，获得了10,934个有效数据点，测量了包括溶解氧、水温、pH值、环境温度、湿度和大气CO₂浓度在内的关键参数。实验结果表明，与现有方法相比，QEFA-LSTM-KAN模型在多种评估标准下的表现更为优异。该模型的均方根误差（RMSE）为0.0244，平均绝对误差（MAE）为0.0197，平均绝对百分比误差（MAPE）为0.3054%。在此基础上，开发了一种深度学习模型预测控制（NNMPC）框架，实现了精确的溶解氧控制。与传统模型预测控制（MPC）方法相比，该系统的性能显著提升，积分时间加权绝对误差（ITAE）降低了5.17%。这项研究为水产养殖中的智能水质管理提供了新的技术途径，对提高养殖效率和促进可持续水产养殖实践具有重要意义。