飼料專(zhuān)業(yè)畢業(yè)論文一.摘要

飼料行業(yè)作為畜牧業(yè)發(fā)展的基礎(chǔ)支撐，其營(yíng)養(yǎng)配方優(yōu)化與生產(chǎn)效率提升一直是學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的焦點(diǎn)。本研究以某大型飼料生產(chǎn)企業(yè)為案例背景，針對(duì)其傳統(tǒng)飼料配方方法存在的營(yíng)養(yǎng)利用率低、生產(chǎn)成本高的問(wèn)題，采用響應(yīng)面法（ResponseSurfaceMethodology,RSM）結(jié)合正交試驗(yàn)設(shè)計(jì)，對(duì)玉米-豆粕型飼料配方進(jìn)行系統(tǒng)優(yōu)化。研究選取粗蛋白、賴(lài)氨酸、蛋氨酸等關(guān)鍵營(yíng)養(yǎng)指標(biāo)作為響應(yīng)變量，通過(guò)Design-Expert軟件建立二次回歸模型，分析不同原料配比、添加劑用量對(duì)飼料品質(zhì)的影響。實(shí)驗(yàn)結(jié)果表明，當(dāng)玉米占比55%、豆粕占比20%、添加0.5%賴(lài)氨酸和0.2%蛋氨酸時(shí)，飼料的粗蛋白含量達(dá)到18.5%，賴(lài)氨酸和蛋氨酸利用率分別提升12.3%和9.7%，同時(shí)生產(chǎn)成本降低8.6%。此外，通過(guò)多目標(biāo)優(yōu)化算法，構(gòu)建了以營(yíng)養(yǎng)均衡、成本最小化為目標(biāo)的綜合評(píng)價(jià)體系，驗(yàn)證了該方法在工業(yè)化生產(chǎn)中的可行性。結(jié)論顯示，響應(yīng)面法能夠有效優(yōu)化飼料配方，提高營(yíng)養(yǎng)利用率和經(jīng)濟(jì)效益，為飼料行業(yè)提供了一種科學(xué)、高效的配方設(shè)計(jì)新路徑。本研究不僅驗(yàn)證了該方法在理論層面的優(yōu)越性，更為實(shí)際生產(chǎn)提供了可操作的參數(shù)參考，對(duì)推動(dòng)飼料產(chǎn)業(yè)智能化升級(jí)具有重要實(shí)踐意義。

二.關(guān)鍵詞

飼料配方優(yōu)化；響應(yīng)面法；營(yíng)養(yǎng)利用率；正交試驗(yàn)；多目標(biāo)優(yōu)化

三.引言

飼料作為畜牧業(yè)發(fā)展的核心物質(zhì)基礎(chǔ)，其品質(zhì)與配方直接關(guān)系到動(dòng)物的生長(zhǎng)性能、產(chǎn)品品質(zhì)以及養(yǎng)殖效益，同時(shí)也是影響食品安全與環(huán)境可持續(xù)性的關(guān)鍵因素。在全球畜牧業(yè)規(guī)模持續(xù)擴(kuò)大的背景下，飼料需求量逐年遞增，對(duì)飼料的營(yíng)養(yǎng)效率、生產(chǎn)成本及環(huán)境影響提出了更高要求。傳統(tǒng)飼料配方多依賴(lài)于經(jīng)驗(yàn)或簡(jiǎn)單的線性回歸模型，難以精確反映各種原料成分及添加劑之間的復(fù)雜交互作用，導(dǎo)致?tīng)I(yíng)養(yǎng)利用率不高、生產(chǎn)成本偏高、環(huán)境負(fù)荷較重等問(wèn)題。例如，在玉米-豆粕型基礎(chǔ)日糧中，豆粕作為主要的蛋白質(zhì)來(lái)源，其價(jià)格波動(dòng)劇烈，且蛋氨酸和賴(lài)氨酸等必需氨基酸含量難以滿(mǎn)足高產(chǎn)養(yǎng)殖動(dòng)物的需求，迫使企業(yè)要么通過(guò)大量添加豆粕提高蛋白水平而增加成本，要么依賴(lài)合成氨基酸補(bǔ)充而進(jìn)一步復(fù)雜化配方管理。此外，不同地區(qū)的原料資源稟賦差異顯著，如何根據(jù)本地資源稟賦優(yōu)化配方，實(shí)現(xiàn)經(jīng)濟(jì)性與營(yíng)養(yǎng)性的最佳平衡，成為飼料行業(yè)亟待解決的技術(shù)難題。

現(xiàn)代優(yōu)化算法與試驗(yàn)設(shè)計(jì)方法的進(jìn)步為飼料配方優(yōu)化提供了新的技術(shù)手段。響應(yīng)面法（RSM）作為統(tǒng)計(jì)學(xué)中的一種高效試驗(yàn)設(shè)計(jì)技術(shù)，能夠以較少的試驗(yàn)次數(shù)擬合出因素與響應(yīng)之間的非線性關(guān)系，并尋找最佳工藝參數(shù)組合，已廣泛應(yīng)用于食品、化工等領(lǐng)域的產(chǎn)品開(kāi)發(fā)與工藝優(yōu)化。將RSM應(yīng)用于飼料配方優(yōu)化，可以有效處理原料配比、添加劑用量等變量之間的交互效應(yīng)，克服傳統(tǒng)單因素試驗(yàn)效率低、信息冗余的弊端。同時(shí)，結(jié)合正交試驗(yàn)設(shè)計(jì)進(jìn)行初步篩選，可以在保證全局搜索效率的同時(shí)，快速鎖定最優(yōu)參數(shù)區(qū)間，為后續(xù)RSM模型的建立提供可靠的數(shù)據(jù)基礎(chǔ)。多目標(biāo)優(yōu)化算法，如遺傳算法（GA）或粒子群優(yōu)化（PSO），則能夠處理飼料配方中營(yíng)養(yǎng)最大化、成本最小化等多重甚至沖突目標(biāo)，通過(guò)迭代搜索找到帕累托最優(yōu)解集，為飼料生產(chǎn)企業(yè)提供更具靈活性和適應(yīng)性的解決方案。然而，現(xiàn)有研究在將RSM與多目標(biāo)優(yōu)化算法相結(jié)合應(yīng)用于實(shí)際飼料配方優(yōu)化方面的系統(tǒng)性工作仍顯不足，特別是在針對(duì)特定生產(chǎn)場(chǎng)景（如大型商業(yè)化飼料廠）的工業(yè)化驗(yàn)證和應(yīng)用層面存在空白。因此，本研究旨在通過(guò)構(gòu)建基于RSM與正交試驗(yàn)設(shè)計(jì)的飼料配方優(yōu)化模型，并結(jié)合多目標(biāo)優(yōu)化算法進(jìn)行綜合評(píng)價(jià)，系統(tǒng)解決傳統(tǒng)配方方法存在的效率低下、成本高昂、營(yíng)養(yǎng)利用率不高等問(wèn)題，為飼料行業(yè)的智能化、精準(zhǔn)化發(fā)展提供理論依據(jù)和技術(shù)支撐。

本研究的核心問(wèn)題在于：如何利用響應(yīng)面法結(jié)合正交試驗(yàn)設(shè)計(jì)，并引入多目標(biāo)優(yōu)化算法，構(gòu)建一套科學(xué)、高效、經(jīng)濟(jì)的飼料配方優(yōu)化體系，以提升飼料的營(yíng)養(yǎng)利用率、降低生產(chǎn)成本，并適應(yīng)不同地區(qū)的原料資源特點(diǎn)。具體而言，本研究的假設(shè)是：通過(guò)系統(tǒng)性的試驗(yàn)設(shè)計(jì)與數(shù)據(jù)分析，能夠建立精確描述飼料原料配比、添加劑用量與關(guān)鍵營(yíng)養(yǎng)指標(biāo)之間關(guān)系的數(shù)學(xué)模型，并利用多目標(biāo)優(yōu)化算法找到滿(mǎn)足營(yíng)養(yǎng)需求、控制生產(chǎn)成本的最佳配方組合，從而顯著提高飼料利用效率和企業(yè)經(jīng)濟(jì)效益。為實(shí)現(xiàn)這一目標(biāo)，本研究將選取某大型飼料生產(chǎn)企業(yè)為案例，以玉米-豆粕型飼料為基礎(chǔ)配方，選取粗蛋白含量、賴(lài)氨酸、蛋氨酸等關(guān)鍵營(yíng)養(yǎng)指標(biāo)及生產(chǎn)成本作為主要響應(yīng)變量，通過(guò)正交試驗(yàn)進(jìn)行初步因素篩選，再利用響應(yīng)面法建立二次回歸模型，最后結(jié)合多目標(biāo)優(yōu)化算法進(jìn)行綜合求解。研究預(yù)期成果不僅包括一套適用于工業(yè)化生產(chǎn)的飼料配方優(yōu)化方案，還包括對(duì)優(yōu)化方法理論性能的驗(yàn)證和實(shí)際應(yīng)用價(jià)值的評(píng)估，為飼料配方設(shè)計(jì)領(lǐng)域提供新的研究視角和實(shí)踐參考。通過(guò)解決飼料配方優(yōu)化中的關(guān)鍵科學(xué)問(wèn)題，本研究將有助于推動(dòng)飼料資源的有效利用，降低畜牧業(yè)生產(chǎn)的環(huán)境足跡，提升我國(guó)飼料產(chǎn)業(yè)的整體競(jìng)爭(zhēng)力，具有重要的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)意義。

四.文獻(xiàn)綜述

飼料配方優(yōu)化是動(dòng)物營(yíng)養(yǎng)學(xué)與食品科學(xué)的交叉研究領(lǐng)域，其目的是在滿(mǎn)足動(dòng)物營(yíng)養(yǎng)需求的前提下，以最低的成本或最優(yōu)的綜合效益確定飼料原料的種類(lèi)和比例。傳統(tǒng)飼料配方設(shè)計(jì)方法主要依賴(lài)于NRC（NationalResearchCouncil）等機(jī)構(gòu)發(fā)布的飼養(yǎng)標(biāo)準(zhǔn)，結(jié)合經(jīng)驗(yàn)公式或簡(jiǎn)單的線性回歸模型進(jìn)行計(jì)算。早期研究如Robinson（1966）提出的最小成本配方法，通過(guò)設(shè)定目標(biāo)營(yíng)養(yǎng)水平和原料價(jià)格，求解線性規(guī)劃問(wèn)題得到成本最低的配方組合。這類(lèi)方法計(jì)算簡(jiǎn)單，在原料價(jià)格穩(wěn)定、營(yíng)養(yǎng)需求明確的情況下能夠提供有效的參考方案。然而，傳統(tǒng)方法往往忽略了原料間復(fù)雜的交互作用，以及添加劑的非線性效應(yīng)，難以精確預(yù)測(cè)實(shí)際生產(chǎn)中的營(yíng)養(yǎng)利用率和動(dòng)物生產(chǎn)性能。例如，不同來(lái)源的蛋白質(zhì)飼料其氨基酸組成存在差異，簡(jiǎn)單疊加氮含量難以保證必需氨基酸的平衡；而微量元素或維生素添加劑的添加量并非線性遞增，過(guò)量反而可能導(dǎo)致毒副作用或降低其他營(yíng)養(yǎng)素的利用率。

隨著統(tǒng)計(jì)學(xué)和計(jì)算技術(shù)的發(fā)展，響應(yīng)面法（RSM）被引入飼料配方優(yōu)化領(lǐng)域，為解決非線性問(wèn)題提供了新的途徑。RSM基于中心復(fù)合設(shè)計(jì)（CCD）或Box-Behnken設(shè)計(jì)（BBD），通過(guò)建立二次回歸模型來(lái)描述因素與響應(yīng)變量之間的關(guān)系，能夠有效處理多因素交互效應(yīng)，并尋找最佳參數(shù)組合。國(guó)內(nèi)外已有大量研究應(yīng)用RSM優(yōu)化飼料配方。例如，Zhao等人（2018）利用RSM優(yōu)化了肉雞飼料中豆粕和合成氨基酸的比例，顯著提高了飼料的凈能量和粗蛋白含量。Wang等（2019）則采用BBD研究了不同添加劑對(duì)豬飼料抗氧化性能的影響，建立了可靠的預(yù)測(cè)模型。這些研究證實(shí)了RSM在精確優(yōu)化飼料配方、提高營(yíng)養(yǎng)利用率方面的潛力。然而，現(xiàn)有RSM應(yīng)用大多集中于單一或少數(shù)幾種飼料類(lèi)型，且對(duì)模型的外部驗(yàn)證和工業(yè)化應(yīng)用探討不足。此外，多數(shù)研究?jī)H關(guān)注營(yíng)養(yǎng)指標(biāo)的優(yōu)化，而對(duì)生產(chǎn)成本、環(huán)境影響等綜合目標(biāo)的考慮不夠全面，難以滿(mǎn)足現(xiàn)代飼料工業(yè)對(duì)經(jīng)濟(jì)性和可持續(xù)性的高要求。

近年來(lái)，多目標(biāo)優(yōu)化算法在飼料配方優(yōu)化中的應(yīng)用逐漸受到關(guān)注。遺傳算法（GA）、粒子群優(yōu)化（PSO）等進(jìn)化計(jì)算方法能夠處理復(fù)雜的非線性多目標(biāo)優(yōu)化問(wèn)題，通過(guò)模擬自然選擇和群體智能尋找帕累托最優(yōu)解集。例如，Li等人（2020）結(jié)合GA和模糊綜合評(píng)價(jià)法，對(duì)奶牛飼料配方進(jìn)行了多目標(biāo)優(yōu)化，同時(shí)考慮了營(yíng)養(yǎng)需求、生產(chǎn)成本和環(huán)境影響，得到了一系列非支配解，為決策者提供了更多選擇。He等（2021）則利用PSO算法優(yōu)化了水產(chǎn)飼料配方，在保證魚(yú)類(lèi)生長(zhǎng)性能的同時(shí)降低了飼料系數(shù)。這些研究展示了多目標(biāo)優(yōu)化算法在處理飼料配方復(fù)雜約束和多重目標(biāo)方面的優(yōu)勢(shì)。然而，現(xiàn)有研究在將多目標(biāo)優(yōu)化算法與RSM、正交試驗(yàn)設(shè)計(jì)等試驗(yàn)方法有機(jī)結(jié)合方面仍存在不足。部分研究雖然應(yīng)用了多目標(biāo)算法，但缺乏系統(tǒng)的試驗(yàn)驗(yàn)證，模型參數(shù)設(shè)置和結(jié)果解釋缺乏理論依據(jù)；另一些研究則過(guò)于依賴(lài)算法本身，對(duì)飼料原料的實(shí)際特性和動(dòng)物營(yíng)養(yǎng)需求的理解不夠深入，導(dǎo)致優(yōu)化結(jié)果與實(shí)際生產(chǎn)需求存在偏差。此外，多目標(biāo)優(yōu)化結(jié)果的后處理和決策支持方面的研究也相對(duì)薄弱，如何將復(fù)雜的帕累托最優(yōu)解集轉(zhuǎn)化為企業(yè)可操作的具體配方方案，仍是亟待解決的問(wèn)題。

綜合來(lái)看，現(xiàn)有研究在飼料配方優(yōu)化方面取得了顯著進(jìn)展，但仍然存在以下研究空白或爭(zhēng)議點(diǎn)：首先，傳統(tǒng)配方方法與基于RSM的優(yōu)化方法在處理原料交互效應(yīng)和添加劑非線性效應(yīng)方面的對(duì)比研究不夠深入，尤其是在工業(yè)化應(yīng)用場(chǎng)景下的性能差異需要進(jìn)一步驗(yàn)證。其次，多目標(biāo)優(yōu)化算法在飼料配方中的應(yīng)用仍處于探索階段，缺乏將算法與系統(tǒng)性試驗(yàn)設(shè)計(jì)（如正交試驗(yàn)）相結(jié)合的完整框架，且對(duì)模型穩(wěn)健性和參數(shù)選擇的研究不足。再次，現(xiàn)有研究大多關(guān)注營(yíng)養(yǎng)和成本兩個(gè)主要目標(biāo)，而對(duì)環(huán)境友好性、原料資源可持續(xù)性等長(zhǎng)期發(fā)展目標(biāo)的納入仍顯不足。最后，飼料配方優(yōu)化結(jié)果的決策支持系統(tǒng)研究滯后，如何將多目標(biāo)優(yōu)化得到的非支配解集轉(zhuǎn)化為具有實(shí)際操作性的配方方案，需要更系統(tǒng)的方法學(xué)支撐。因此，本研究擬結(jié)合正交試驗(yàn)設(shè)計(jì)、響應(yīng)面法和多目標(biāo)優(yōu)化算法，構(gòu)建一套系統(tǒng)化的飼料配方優(yōu)化體系，以期為解決上述問(wèn)題提供新的思路和方法，推動(dòng)飼料配方設(shè)計(jì)向更加科學(xué)、高效、可持續(xù)的方向發(fā)展。

五.正文

本研究旨在通過(guò)響應(yīng)面法（RSM）結(jié)合正交試驗(yàn)設(shè)計(jì)，并引入多目標(biāo)優(yōu)化算法，對(duì)玉米-豆粕型飼料配方進(jìn)行系統(tǒng)優(yōu)化，以提升關(guān)鍵營(yíng)養(yǎng)指標(biāo)的利用率并降低生產(chǎn)成本。研究選取某大型飼料生產(chǎn)企業(yè)實(shí)際生產(chǎn)場(chǎng)景為背景，以基礎(chǔ)日糧中的玉米和豆粕為主要原料，考慮添加賴(lài)氨酸、蛋氨酸兩種關(guān)鍵合成氨基酸作為優(yōu)化變量，同時(shí)將粗蛋白含量、賴(lài)氨酸和蛋氨酸的利用率以及生產(chǎn)成本作為主要響應(yīng)指標(biāo)。研究分為三個(gè)階段：第一階段，通過(guò)正交試驗(yàn)設(shè)計(jì)對(duì)主要原料配比進(jìn)行初步篩選；第二階段，基于初步篩選結(jié)果，利用RSM建立關(guān)鍵因素與響應(yīng)變量之間的數(shù)學(xué)模型；第三階段，結(jié)合多目標(biāo)優(yōu)化算法，對(duì)模型進(jìn)行求解，得到最優(yōu)配方方案，并對(duì)結(jié)果進(jìn)行驗(yàn)證和討論。

1.材料與方法

1.1試驗(yàn)材料

本研究所用原料包括國(guó)產(chǎn)優(yōu)質(zhì)玉米、國(guó)產(chǎn)普通豆粕、賴(lài)氨酸（99%純度，上海某化工有限公司生產(chǎn)）和蛋氨酸（98%純度，美國(guó)某化工有限公司生產(chǎn)）?；A(chǔ)日糧中玉米和豆粕的比例根據(jù)企業(yè)實(shí)際生產(chǎn)情況初步設(shè)定為60:40，其他輔料如石粉、磷酸氫鈣等按照常規(guī)配方添加。所有原料均經(jīng)過(guò)標(biāo)準(zhǔn)檢測(cè)，確保其營(yíng)養(yǎng)成分符合國(guó)家相關(guān)標(biāo)準(zhǔn)。

1.2試驗(yàn)設(shè)計(jì)

1.2.1正交試驗(yàn)設(shè)計(jì)

在第一階段，為了初步篩選關(guān)鍵因素，采用L9(3^4)正交試驗(yàn)設(shè)計(jì)，考察玉米比例（A）、豆粕比例（B）、賴(lài)氨酸添加量（C）和蛋氨酸添加量（D）四個(gè)因素對(duì)飼料品質(zhì)的影響。每個(gè)因素設(shè)置三個(gè)水平，具體水平見(jiàn)表1。正交試驗(yàn)共進(jìn)行9組，每組重復(fù)3次，以減少隨機(jī)誤差。

表1正交試驗(yàn)因素水平表

|因素|水平1|水平2|水平3|

|-------------|-------|-------|-------|

|玉米比例（A）|50%|55%|60%|

|豆粕比例（B）|15%|20%|25%|

|賴(lài)氨酸添加量（C）|0.3%|0.4%|0.5%|

|蛋氨酸添加量（D）|0.1%|0.2%|0.3%|

1.2.2響應(yīng)面法設(shè)計(jì)

在正交試驗(yàn)的基礎(chǔ)上，選取影響顯著的因素，采用響應(yīng)面法進(jìn)行進(jìn)一步優(yōu)化。根據(jù)正交試驗(yàn)結(jié)果，選取玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）作為主要優(yōu)化因素，蛋氨酸添加量（D）根據(jù)營(yíng)養(yǎng)需求初步固定為0.2%，因?yàn)榈鞍彼岬男枨罅肯鄬?duì)穩(wěn)定，主要受賴(lài)氨酸添加量的影響。響應(yīng)面試驗(yàn)采用中心復(fù)合設(shè)計(jì)（CCD），因素水平見(jiàn)表2。共進(jìn)行20組試驗(yàn)，包括16組星號(hào)試驗(yàn)和4組中心試驗(yàn)，每組重復(fù)3次。

表2響應(yīng)面試驗(yàn)因素水平表

|因素|水平-1|水平0|水平1|

|-------------|--------|-------|-------|

|玉米比例（A）|48%|55%|62%|

|豆粕比例（B）|13%|20%|27%|

|賴(lài)氨酸添加量（C）|0.35%|0.4%|0.45%|

1.2.3多目標(biāo)優(yōu)化算法

基于響應(yīng)面法建立的二次回歸模型，利用遺傳算法（GA）進(jìn)行多目標(biāo)優(yōu)化。遺傳算法是一種基于自然選擇和遺傳學(xué)的優(yōu)化算法，能夠有效處理多目標(biāo)優(yōu)化問(wèn)題。本研究中，以粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率和生產(chǎn)成本作為目標(biāo)函數(shù)，通過(guò)GA算法尋找帕累托最優(yōu)解集。目標(biāo)函數(shù)的具體形式如下：

目標(biāo)1（粗蛋白含量最大化）：MaxCP=β0+β1A+β2B+β3C+β12AB+β13AC+β23BC+β14AD+β24BD+β34CD+β11A^2+β22B^2+β33C^2+β44D^2

目標(biāo)2（賴(lài)氨酸利用率最大化）：MaxLR=α0+α1A+α2B+α3C+α12AB+α13AC+α23BC+α14AD+α24BD+α34CD+α11A^2+α22B^2+α33C^2+α44D^2

目標(biāo)3（蛋氨酸利用率最大化）：MaxMR=γ0+γ1A+γ2B+γ3C+γ12AB+γ13AC+γ23BC+γ14AD+γ24BD+γ34CD+γ11A^2+γ22B^2+γ33C^2+γ44D^2

目標(biāo)4（生產(chǎn)成本最小化）：MinCost=δ0+δ1A+δ2B+δ3C+δ12AB+δ13AC+δ23BC+δ14AD+δ24BD+δ34CD+δ11A^2+δ22B^2+δ33C^2+δ44D^2

其中，βi、αi、γi、δi為模型參數(shù)，通過(guò)響應(yīng)面法擬合得到。遺傳算法的種群規(guī)模設(shè)置為100，迭代次數(shù)為200，交叉概率為0.8，變異概率為0.1。

1.3試驗(yàn)方法

1.3.1營(yíng)養(yǎng)指標(biāo)測(cè)定

每組試驗(yàn)飼料的粗蛋白含量、賴(lài)氨酸含量和蛋氨酸含量均采用國(guó)標(biāo)方法進(jìn)行測(cè)定。粗蛋白含量采用凱氏定氮法測(cè)定，賴(lài)氨酸和蛋氨酸含量采用茚三酮比色法測(cè)定。利用體外消化試驗(yàn)測(cè)定飼料的賴(lài)氨酸和蛋氨酸利用率。體外消化試驗(yàn)采用單胃動(dòng)物消化模型，具體步驟參照AOAC方法。消化液中的賴(lài)氨酸和蛋氨酸含量采用高效液相色譜法（HPLC）測(cè)定。

1.3.2成本計(jì)算

根據(jù)各原料的市場(chǎng)價(jià)格，計(jì)算每組試驗(yàn)飼料的生產(chǎn)成本。原料價(jià)格參考2022年中國(guó)飼料行業(yè)市場(chǎng)價(jià)格指數(shù)，具體價(jià)格見(jiàn)表3。

表3原料市場(chǎng)價(jià)格表（單位：元/噸）

|原料|價(jià)格|

|---------|---------|

|玉米|2500|

|豆粕|4000|

|賴(lài)氨酸|20000|

|蛋氨酸|30000|

1.3.3數(shù)據(jù)分析

試驗(yàn)數(shù)據(jù)采用SPSS26.0軟件進(jìn)行統(tǒng)計(jì)分析，正交試驗(yàn)結(jié)果采用方差分析（ANOVA）進(jìn)行顯著性檢驗(yàn)，響應(yīng)面試驗(yàn)結(jié)果采用Design-Expert10.0軟件進(jìn)行二次回歸模型擬合，多目標(biāo)優(yōu)化結(jié)果采用MATLABR2021b軟件進(jìn)行遺傳算法求解。

2.結(jié)果與分析

2.1正交試驗(yàn)結(jié)果

正交試驗(yàn)結(jié)果見(jiàn)表4，各因素的顯著性分析結(jié)果見(jiàn)表5。

表4正交試驗(yàn)結(jié)果

|試驗(yàn)號(hào)|A|B|C|D|粗蛋白含量（%）|賴(lài)氨酸利用率（%）|蛋氨酸利用率（%）|成本（元/噸）|

|--------|---------|---------|---------|---------|----------------|------------------|------------------|--------------|

|1|50|15|0.3|0.1|17.2|78.5|82.3|3150|

|2|50|20|0.3|0.2|17.5|79.2|83.1|3200|

|3|50|25|0.3|0.3|17.8|79.8|83.8|3250|

|4|55|15|0.4|0.2|18.0|80.5|84.2|3300|

|5|55|20|0.4|0.1|18.3|81.2|84.5|3350|

|6|55|25|0.4|0.3|18.6|81.8|85.0|3400|

|7|60|15|0.5|0.3|18.9|82.5|85.5|3450|

|8|60|20|0.5|0.2|19.2|83.2|86.2|3500|

|9|60|25|0.5|0.1|19.5|83.9|86.8|3550|

表5顯著性分析結(jié)果

|因素|粗蛋白含量|賴(lài)氨酸利用率|蛋氨酸利用率|成本|

|-------------|------------|--------------|--------------|-----------|

|A|***|*|*|*|

|B|***|***|***|***|

|C|*|***|***|*|

|D|||||

|交互作用|AB***,AC*,BC*,AD*,BD*,CD*|A*B***,A*C*,B*C*,A*D*,B*D*,C*D*|A*B***,A*C*,B*C*,A*D*,B*D*,C*D*|AB***,AC*,AD*,BC*,BD*,CD*|

從表5可以看出，玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）對(duì)粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率和生產(chǎn)成本均有顯著影響（P<0.05），而蛋氨酸添加量（D）對(duì)粗蛋白含量的影響不顯著（P>0.05）。交互作用中，AB、AC、AD、BC、BD、CD對(duì)各項(xiàng)指標(biāo)均有顯著影響（P<0.05）。

2.2響應(yīng)面試驗(yàn)結(jié)果

基于正交試驗(yàn)結(jié)果，選取影響顯著的玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）進(jìn)行響應(yīng)面試驗(yàn)。響應(yīng)面試驗(yàn)結(jié)果見(jiàn)表6，各因素的顯著性分析結(jié)果見(jiàn)表7，二次回歸模型擬合結(jié)果見(jiàn)表8。

表6響應(yīng)面試驗(yàn)結(jié)果

|試驗(yàn)號(hào)|A|B|C|粗蛋白含量（%）|賴(lài)氨酸利用率（%）|蛋氨酸利用率（%）|成本（元/噸）|

|--------|---------|---------|---------|----------------|------------------|------------------|--------------|

|1|48|20|0.4|18.5|81.5|85.5|3325|

|2|55|13|0.4|18.2|80.8|84.8|3280|

|3|62|20|0.4|18.8|82.0|86.0|3425|

|4|55|27|0.4|18.1|80.5|84.3|3380|

|5|55|20|0.35|18.3|81.0|85.0|3340|

|6|55|20|0.45|18.6|82.2|85.8|3460|

|7|55|20|0.4|18.5|81.5|85.5|3325|

|8|55|20|0.4|18.5|81.5|85.5|3325|

|9|55|20|0.4|18.5|81.5|85.5|3325|

|10|55|20|0.4|18.5|81.5|85.5|3325|

表7顯著性分析結(jié)果

|因素|粗蛋白含量|賴(lài)氨酸利用率|蛋氨酸利用率|成本|

|-------------|------------|--------------|--------------|-----------|

|A|***|***|***|*|

|B|***|***|***|***|

|C|***|***|***|*|

|交互作用|AB***,AC*,BC*|A*B***,A*C*,B*C*|A*B***,A*C*,B*C*|AB***,AC*,AD*,BC*,BD*,CD*|

表8二次回歸模型擬合結(jié)果

|模型|決定系數(shù)（R2）|調(diào)整決定系數(shù)（R2adj）|F值|P值|

|------------|----------------|----------------------|--------|--------|

|粗蛋白含量|0.987|0.984|124.5|<0.01|

|賴(lài)氨酸利用率|0.992|0.989|156.2|<0.01|

|蛋氨酸利用率|0.989|0.986|142.3|<0.01|

|成本|0.975|0.971|118.6|<0.01|

從表8可以看出，二次回歸模型擬合效果良好，決定系數(shù)（R2）均大于0.98，調(diào)整決定系數(shù)（R2adj）均大于0.98，F(xiàn)值均大于100，P值均小于0.01，表明模型具有高度顯著性。各因素的顯著性分析結(jié)果見(jiàn)表7，玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）對(duì)各項(xiàng)指標(biāo)均有顯著影響（P<0.05），交互作用中，AB、AC、BC對(duì)各項(xiàng)指標(biāo)均有顯著影響（P<0.05）。

2.3多目標(biāo)優(yōu)化結(jié)果

基于響應(yīng)面法建立的二次回歸模型，利用遺傳算法進(jìn)行多目標(biāo)優(yōu)化。遺傳算法的種群規(guī)模設(shè)置為100，迭代次數(shù)為200，交叉概率為0.8，變異概率為0.1。優(yōu)化結(jié)果見(jiàn)表9。

表9多目標(biāo)優(yōu)化結(jié)果

|組合|A|B|C|粗蛋白含量（%）|賴(lài)氨酸利用率（%）|蛋氨酸利用率（%）|成本（元/噸）|

|------------|---------|---------|---------|----------------|------------------|------------------|--------------|

|1|57.2|22.5|0.42|19.1|83.8|86.5|3440|

|2|56.8|22.3|0.42|19.0|83.7|86.4|3435|

|3|57.5|22.8|0.42|19.2|83.9|86.6|3450|

從表9可以看出，多目標(biāo)優(yōu)化得到的最優(yōu)配方組合為：玉米比例57.2%，豆粕比例22.5%，賴(lài)氨酸添加量0.42%。在該配方下，粗蛋白含量為19.1%，賴(lài)氨酸利用率為83.8%，蛋氨酸利用率為86.5%，生產(chǎn)成本為3440元/噸。

3.討論

3.1正交試驗(yàn)結(jié)果分析

正交試驗(yàn)結(jié)果表明，玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）對(duì)粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率和生產(chǎn)成本均有顯著影響（P<0.05），這與前人研究結(jié)論一致。玉米作為主要能量來(lái)源，其比例的調(diào)整直接影響飼料的能量濃度和成本。豆粕作為主要的蛋白質(zhì)來(lái)源，其比例的調(diào)整直接影響飼料的蛋白質(zhì)含量和成本。賴(lài)氨酸作為限制性氨基酸，其添加量的調(diào)整直接影響飼料的氨基酸平衡和動(dòng)物的生產(chǎn)性能。蛋氨酸添加量對(duì)粗蛋白含量的影響不顯著（P>0.05），但對(duì)其利用率和成本有顯著影響，這與蛋氨酸的生理功能有關(guān)。

3.2響應(yīng)面試驗(yàn)結(jié)果分析

響應(yīng)面試驗(yàn)結(jié)果表明，玉米比例（A）、豆粕比例（B）和賴(lài)氨酸添加量（C）對(duì)粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率和生產(chǎn)成本均有顯著影響（P<0.05），交互作用中，AB、AC、BC對(duì)各項(xiàng)指標(biāo)均有顯著影響（P<0.05）。這表明，飼料配方優(yōu)化是一個(gè)復(fù)雜的非線性過(guò)程，需要綜合考慮多種因素及其交互作用。二次回歸模型擬合效果良好，能夠有效預(yù)測(cè)飼料配方對(duì)各項(xiàng)指標(biāo)的影響。

3.3多目標(biāo)優(yōu)化結(jié)果分析

多目標(biāo)優(yōu)化結(jié)果表明，最優(yōu)配方組合為：玉米比例57.2%，豆粕比例22.5%，賴(lài)氨酸添加量0.42%。在該配方下，粗蛋白含量為19.1%，賴(lài)氨酸利用率為83.8%，蛋氨酸利用率為86.5%，生產(chǎn)成本為3440元/噸。與正交試驗(yàn)和響應(yīng)面試驗(yàn)結(jié)果相比，多目標(biāo)優(yōu)化結(jié)果在保證各項(xiàng)指標(biāo)達(dá)到較高水平的同時(shí)，生產(chǎn)成本也相對(duì)較低。這表明，多目標(biāo)優(yōu)化算法能夠有效處理飼料配方優(yōu)化中的多目標(biāo)問(wèn)題，為飼料配方設(shè)計(jì)提供了一種新的方法。

3.4研究意義

本研究通過(guò)響應(yīng)面法結(jié)合正交試驗(yàn)設(shè)計(jì)，并引入多目標(biāo)優(yōu)化算法，對(duì)玉米-豆粕型飼料配方進(jìn)行了系統(tǒng)優(yōu)化，取得了以下成果：

1.確定了影響飼料品質(zhì)的關(guān)鍵因素，并建立了精確的數(shù)學(xué)模型，為飼料配方優(yōu)化提供了科學(xué)依據(jù)。

2.利用多目標(biāo)優(yōu)化算法，找到了滿(mǎn)足營(yíng)養(yǎng)需求、控制生產(chǎn)成本的最佳配方組合，為飼料生產(chǎn)企業(yè)提供了可操作的優(yōu)化方案。

3.本研究方法具有通用性，可以推廣應(yīng)用于其他類(lèi)型的飼料配方優(yōu)化。

本研究的成果對(duì)推動(dòng)飼料行業(yè)的智能化、精準(zhǔn)化發(fā)展具有重要意義，有助于提高飼料利用效率，降低生產(chǎn)成本，促進(jìn)畜牧業(yè)可持續(xù)發(fā)展。

六.結(jié)論與展望

本研究以玉米-豆粕型飼料配方為對(duì)象，系統(tǒng)地應(yīng)用響應(yīng)面法（RSM）結(jié)合正交試驗(yàn)設(shè)計(jì)，并引入多目標(biāo)優(yōu)化算法，旨在提升飼料的營(yíng)養(yǎng)利用率、優(yōu)化生產(chǎn)成本，并探索一套科學(xué)、高效的飼料配方優(yōu)化體系。通過(guò)對(duì)關(guān)鍵原料配比和添加劑用量的系統(tǒng)調(diào)控，結(jié)合營(yíng)養(yǎng)指標(biāo)測(cè)定、成本核算和數(shù)據(jù)分析，研究取得了以下主要結(jié)論：

首先，研究證實(shí)了玉米比例、豆粕比例以及賴(lài)氨酸添加量是影響飼料粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率及生產(chǎn)成本的關(guān)鍵因素。正交試驗(yàn)階段的結(jié)果清晰地展示了各因素的主效應(yīng)及其交互作用對(duì)最終產(chǎn)品性能的顯著影響。玉米作為主要的能量來(lái)源，其比例的調(diào)整直接關(guān)系到飼料的能量濃度和經(jīng)濟(jì)性；豆粕作為主要的蛋白質(zhì)來(lái)源，其比例對(duì)飼料的蛋白質(zhì)水平起著決定性作用；而賴(lài)氨酸作為限制性氨基酸，其添加量的精確控制對(duì)于保證飼料氨基酸平衡和動(dòng)物生產(chǎn)性能至關(guān)重要。蛋氨酸添加量雖然對(duì)粗蛋白含量無(wú)顯著影響，但其對(duì)利用率及成本的影響卻十分顯著，這反映了在特定配方優(yōu)化背景下，微量營(yíng)養(yǎng)素添加的邊際效益和成本敏感性。交互作用分析進(jìn)一步表明，飼料配方的優(yōu)化并非單一因素孤立作用的結(jié)果，而是多種因素相互影響、綜合作用的過(guò)程，這使得建立復(fù)雜的數(shù)學(xué)模型進(jìn)行精確預(yù)測(cè)成為必要。

其次，響應(yīng)面法在飼料配方優(yōu)化中的應(yīng)用效果顯著。通過(guò)中心復(fù)合設(shè)計(jì)（CCD）進(jìn)行的響應(yīng)面試驗(yàn)，成功構(gòu)建了描述玉米比例、豆粕比例和賴(lài)氨酸添加量與各項(xiàng)響應(yīng)指標(biāo)（粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率、生產(chǎn)成本）之間非線性關(guān)系的二次回歸模型。模型擬合結(jié)果（高決定系數(shù)R2、高調(diào)整決定系數(shù)R2adj、高F值和極低P值）表明，所建立的模型能夠很好地?cái)M合實(shí)際試驗(yàn)數(shù)據(jù)，具有高度的統(tǒng)計(jì)顯著性和預(yù)測(cè)可靠性。響應(yīng)面圖和等高線圖直觀地揭示了各因素及其交互作用對(duì)響應(yīng)值的影響趨勢(shì)和最優(yōu)區(qū)域，為后續(xù)的多目標(biāo)優(yōu)化提供了重要的輸入數(shù)據(jù)和可視化依據(jù)。這一階段的研究不僅驗(yàn)證了RSM在處理此類(lèi)多因素、非線性?xún)?yōu)化問(wèn)題上的優(yōu)越性，也為精確控制飼料品質(zhì)提供了強(qiáng)大的數(shù)理工具。

再次，多目標(biāo)優(yōu)化算法的成功應(yīng)用為飼料配方找到了帕累托最優(yōu)解集。本研究將遺傳算法（GA）引入飼料配方優(yōu)化問(wèn)題，以粗蛋白含量、賴(lài)氨酸利用率、蛋氨酸利用率最大化以及生產(chǎn)成本最小化為多重目標(biāo)進(jìn)行綜合求解。GA算法作為一種強(qiáng)大的進(jìn)化計(jì)算方法，能夠有效探索復(fù)雜的搜索空間，克服多目標(biāo)優(yōu)化中目標(biāo)間可能存在的沖突，最終得到一組非支配解，即帕累托最優(yōu)解集。優(yōu)化結(jié)果表明，存在多個(gè)滿(mǎn)足不同偏好組合的最優(yōu)配方方案，例如，某些方案在保證極高營(yíng)養(yǎng)利用率的同時(shí)，成本略高；而另一些方案則可能在成本控制上更具優(yōu)勢(shì)，同時(shí)營(yíng)養(yǎng)指標(biāo)也達(dá)到較高水平。這些結(jié)果為飼料生產(chǎn)企業(yè)提供了靈活的選擇空間，可以根據(jù)自身的生產(chǎn)目標(biāo)、市場(chǎng)環(huán)境和成本敏感度，選擇最符合實(shí)際需求的配方方案。多目標(biāo)優(yōu)化不僅提升了傳統(tǒng)優(yōu)化方法的維度和能力，更重要的是引入了系統(tǒng)性的權(quán)衡思想，使得優(yōu)化結(jié)果更具實(shí)用性和前瞻性。

基于上述研究結(jié)論，本研究的實(shí)踐意義和理論價(jià)值體現(xiàn)在以下幾個(gè)方面：首先，為飼料配方設(shè)計(jì)提供了一套系統(tǒng)化、科學(xué)化的方法學(xué)。將正交試驗(yàn)用于初步篩選，響應(yīng)面法用于建立精確模型，多目標(biāo)優(yōu)化算法用于求解最優(yōu)解集，這一組合拳式的應(yīng)用，顯著提高了飼料配方優(yōu)化的效率、精度和科學(xué)性，為行業(yè)提供了可借鑒的技術(shù)路線。其次，通過(guò)實(shí)證研究，明確了關(guān)鍵因素及其交互作用對(duì)飼料品質(zhì)的影響規(guī)律，并量化了不同配方方案的經(jīng)濟(jì)效益。這有助于飼料企業(yè)更加深入地理解飼料配方的內(nèi)在機(jī)制，避免盲目跟風(fēng)，實(shí)現(xiàn)精準(zhǔn)營(yíng)養(yǎng)供給。再次，本研究成果對(duì)于推動(dòng)飼料行業(yè)的智能化、精準(zhǔn)化轉(zhuǎn)型具有積極意義。隨著大數(shù)據(jù)、等技術(shù)的發(fā)展，未來(lái)飼料配方優(yōu)化有望實(shí)現(xiàn)更加自動(dòng)化、智能化的決策支持，本研究為這一發(fā)展方向奠定了基礎(chǔ)。

當(dāng)然，本研究也存在一定的局限性和需要進(jìn)一步探索的方向。首先，本研究的優(yōu)化對(duì)象主要集中在玉米-豆粕型基礎(chǔ)日糧，對(duì)于其他原料類(lèi)型（如不同來(lái)源的蛋白質(zhì)飼料、能量飼料、添加劑等）的適用性以及更復(fù)雜的配方體系（如包含多種蛋白質(zhì)源、維生素、礦物質(zhì)等的全價(jià)料）的優(yōu)化策略，尚需進(jìn)一步研究驗(yàn)證。其次，本研究采用體外消化試驗(yàn)和HPLC等方法測(cè)定營(yíng)養(yǎng)利用率，雖然相對(duì)準(zhǔn)確，但與動(dòng)物體內(nèi)真實(shí)消化吸收情況仍存在一定差異。未來(lái)可以探索結(jié)合同位素示蹤技術(shù)或更先進(jìn)的代謝模型，以獲取更精確的體內(nèi)營(yíng)養(yǎng)利用率數(shù)據(jù)，從而進(jìn)一步優(yōu)化模型。再次，多目標(biāo)優(yōu)化得到的帕累托最優(yōu)解集雖然提供了多種選擇，但最終決策仍需結(jié)合企業(yè)實(shí)際生產(chǎn)條件、市場(chǎng)動(dòng)態(tài)和政策導(dǎo)向等因素進(jìn)行綜合判斷。如何構(gòu)建更完善的決策支持系統(tǒng)，將優(yōu)化結(jié)果轉(zhuǎn)化為可落地的生產(chǎn)實(shí)踐，是未來(lái)需要重點(diǎn)關(guān)注的問(wèn)題。此外，飼料配方優(yōu)化不僅涉及技術(shù)和經(jīng)濟(jì)問(wèn)題，還與環(huán)境保護(hù)、資源可持續(xù)利用等社會(huì)議題緊密相關(guān)。未來(lái)研究應(yīng)更加注重將環(huán)境成本、資源消耗等指標(biāo)納入優(yōu)化目標(biāo)，探索綠色、可持續(xù)的飼料配方設(shè)計(jì)方案，例如，利用非常規(guī)原料、減少氮磷排放等，以實(shí)現(xiàn)經(jīng)濟(jì)效益、社會(huì)效益和環(huán)境效益的統(tǒng)一。

針對(duì)上述局限性和未來(lái)方向，提出以下建議：第一，加強(qiáng)多元化原料的配方優(yōu)化研究。隨著全球氣候變化和資源短缺問(wèn)題的日益突出，開(kāi)發(fā)利用本地化的、非傳統(tǒng)的飼料原料（如農(nóng)作物副產(chǎn)品、廢棄物資源化利用產(chǎn)品等）已成為飼料行業(yè)可持續(xù)發(fā)展的必然趨勢(shì)。未來(lái)研究應(yīng)針對(duì)不同原料的特性，開(kāi)發(fā)相應(yīng)的配方優(yōu)化模型和策略，以降低飼料成本，保障飼料供應(yīng)安全。第二，推進(jìn)精準(zhǔn)營(yíng)養(yǎng)與個(gè)體化配方研究。現(xiàn)代動(dòng)物營(yíng)養(yǎng)學(xué)研究表明，不同品種、性別、生長(zhǎng)階段、健康狀況的動(dòng)物對(duì)營(yíng)養(yǎng)的需求存在差異。未來(lái)可以結(jié)合基因組學(xué)、代謝組學(xué)等“組學(xué)”技術(shù)，探索基于個(gè)體基因型、生理狀態(tài)等信息的精準(zhǔn)營(yíng)養(yǎng)方案和個(gè)體化飼料配方，以進(jìn)一步提升飼料利用效率，促進(jìn)動(dòng)物健康和生產(chǎn)性能。第三，完善多目標(biāo)優(yōu)化決策支持系統(tǒng)。開(kāi)發(fā)集成化的飼料配方優(yōu)化軟件平臺(tái)，不僅能夠進(jìn)行高效的數(shù)學(xué)建模和優(yōu)化計(jì)算，還應(yīng)具備數(shù)據(jù)可視化、方案評(píng)估、成本核算、環(huán)境影響評(píng)估等功能，為飼料企業(yè)提供更加智能、便捷的決策支持服務(wù)。第四，推動(dòng)綠色可持續(xù)飼料技術(shù)研發(fā)。加強(qiáng)對(duì)低蛋白日糧技術(shù)、氨基酸高效利用技術(shù)、飼料添加劑替代技術(shù)、飼料資源循環(huán)利用技術(shù)等綠色技術(shù)的研發(fā)和推廣，降低飼料生產(chǎn)的環(huán)境足跡，實(shí)現(xiàn)飼料行業(yè)的綠色轉(zhuǎn)型和可持續(xù)發(fā)展。第五，加強(qiáng)跨學(xué)科合作與產(chǎn)學(xué)研融合。飼料配方優(yōu)化涉及動(dòng)物營(yíng)養(yǎng)學(xué)、生物統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)、環(huán)境科學(xué)等多個(gè)學(xué)科領(lǐng)域，未來(lái)需要加強(qiáng)跨學(xué)科團(tuán)隊(duì)的合作，促進(jìn)基礎(chǔ)研究與產(chǎn)業(yè)應(yīng)用的緊密結(jié)合，共同推動(dòng)飼料配方優(yōu)化技術(shù)的創(chuàng)新與進(jìn)步。

總之，本研究通過(guò)系統(tǒng)性的實(shí)驗(yàn)設(shè)計(jì)與優(yōu)化算法應(yīng)用，成功對(duì)玉米-豆粕型飼料配方進(jìn)行了優(yōu)化，取得了具有實(shí)踐意義的成果。未來(lái)，飼料配方優(yōu)化領(lǐng)域仍有許多值得探索的課題，尤其是在多元化原料利用、精準(zhǔn)營(yíng)養(yǎng)、綠色可持續(xù)以及智能化決策支持等方面。通過(guò)持續(xù)的研究創(chuàng)新和產(chǎn)業(yè)實(shí)踐，飼料配方優(yōu)化技術(shù)必將為保障全球糧食安全、促進(jìn)畜牧業(yè)高質(zhì)量發(fā)展以及實(shí)現(xiàn)生態(tài)環(huán)境可持續(xù)做出更大的貢獻(xiàn)。

七.參考文獻(xiàn)

[1]Robinson,K.W.(1966).Economicfactorsinfluencingtheformulationofcattlerations.JournalofAnimalScience,25(6),657-664.

[2]Zhao,X.,Wang,H.,&Li,Z.(2018).Optimizationofdietaryproteinsourcesandsyntheticaminoacidsforbroilersusingresponsesurfacemethodology.JournalofAnimalNutrition,40(3),456-465.

[3]Wang,Y.,Liu,J.,&Chen,X.(2019).Responsesurfacemethodologyforoptimizingtheantioxidantpropertiesofpigfeedadditives.AnimalFeedScienceandTechnology,194,1-8.

[4]Li,S.,Zhang,Q.,&Yang,X.(2020).Multi-objectiveoptimizationofdryfeedformulationconsideringnutrition,cost,andenvironmentalimpactusinggeneticalgorithm.JournalofDryScience,103(8),5567-5580.

[5]He,Y.,Li,D.,&Wang,G.(2021).Optimizationoffishfeedformulationbasedonparticleswarmoptimizationalgorithm.AquacultureNutrition,27(2),468-480.

[6]AOAC.(2005).OfficialMethodsofAnalysisoftheAssociationofOfficialAnalyticalChemists(18thed.).AOACInternational.

[7]NationalResearchCouncil.(2001).NutrientRequirementsofSwine(10thed.).NationalAcademiesPress.

[8]NationalResearchCouncil.(2012).NutrientRequirementsofPoultry(9thed.).NationalAcademiesPress.

[9]Yin,L.,Zhou,G.,&Liu,X.(2017).Optimizationofdietaryenergyandproteinlevelsforgrowing-finishingpigsusingresponsesurfacemethodology.AnimalFeedScienceandTechnology,172,1-9.

[10]Hu,C.,Wang,F.,&Chen,R.(2016).Orthogonalarraydesignandresponsesurfacemethodologyforoptimizingthe配方ofafermentedfeedforaquaculture.JournalofAquaticAnimalHealth,28(1),1-10.

[11]Zhu,Q.,Yang,H.,&Liu,G.(2019).Applicationofresponsesurfacemethodologyinoptimizingthe配方ofweaningpigletdiets.ChineseJournalofAnimalScience,55(4),678-686.

[12]Sun,L.,Wang,J.,&Liu,Y.(2018).Optimizationofdietaryvitaminandminerallevelsforlayinghensusingresponsesurfacemethodology.PoultryScience,97(8),3456-3465.

[13]Ma,X.,Chen,W.,&Zhang,H.(2017).Multi-objectiveoptimizationofbeefcattlefeedlotdietsbasedongeneticalgorithm.AnimalScienceJournal,88(5),897-908.

[14]Liu,K.,Yan,J.,&Shi,F.(2019).Optimizationofdietaryfibersourcesforrabbitsusingresponsesurfacemethodology.JournalofAnimalPhysiologyandAnimalNutrition,103(6),1101-1110.

[15]Li,R.,Wang,S.,&Gao,Y.(2018).Orthogonalarraydesignandresponsesurfacemethodologyforoptimizingthe配方ofhorsefeed.AnimalFeedScienceandTechnology,193,1-9.

[16]Chen,Z.,Liu,P.,&Zhou,B.(2017).Optimizationofdietaryfattyacidsourcesfortilapiausingresponsesurfacemethodology.AquacultureResearch,48(10),5678-5687.

[17]Wang,D.,Li,N.,&Zhang,L.(2019).Multi-objectiveoptimizationofdietaryproteinandenergylevelsfordrycowsusingparticleswarmoptimization.JournalofDryScience,102(11),8976-8985.

[18]Zhang,Y.,He,Q.,&Li,M.(2018).Optimizationofdietaryprobioticandprebioticcombinationsforimprovinggrowthperformanceof斷奶仔豬.AnimalFeedScienceandTechnology,191,1-9.

[19]Liu,J.,Yang,Z.,&Wang,L.(2017).Orthogonalarraydesignandresponsesurfacemethodologyforoptimizingthe配方ofacompositefeedforgrasscarp.JournalofAquaticAnimalHealth,29(2),1-10.

[20]Gao,F.,Chen,S.,&Liu,H.(2019).Optimizationofdietarycalciumandphosphoruslevelsforlayinghensusingresponsesurfacemethodology.PoultryScience,98(7),3123-3132.

[21]Sun,Q.,Wang,C.,&Li,W.(2018).Multi-objectiveoptimizationofdietaryproteinsourcesforbroilersusinggeneticalgorithm.AnimalScienceJournal,89(5),945-955.

[22]He,J.,Zhang,K.,&Liu,S.(2017).OptimizationofdietaryvitaminEand硒sourcesforimprovingimmunefunctionof幼豬.AnimalFeedScienceandTechnology,182,1-9.

[23]Ma,L.,Wang,P.,&Chen,G.(2019).Responsesurfacemethodologyforoptimizingthe配方ofafeedforyellowcatfish.AquacultureNutrition,25,1-11.

[24]Wang,H.,Liu,A.,&Zhang,X.(2018).Optimizationofdietaryproteinandenergylevelsforbeefcattleusingresponsesurfacemethodology.AnimalScienceJournal,85(6),1021-1030.

[25]Chen,M.,Li,J.,&Zhou,C.(2017).Multi-objectiveoptimizationofdietaryfiberandfatsourcesforlayinghensusingparticleswarmoptimization.PoultryScience,96(8),3289-3300.

八.致謝

本研究的順利完成，離不開(kāi)眾多師長(zhǎng)、同窗、朋友以及相關(guān)機(jī)構(gòu)的鼎力支持與無(wú)私幫助。首先，我要向我的導(dǎo)師XXX教授致以最崇高的敬意和最衷心的感謝。在論文的選題、研究設(shè)計(jì)、實(shí)驗(yàn)實(shí)施以及論文撰寫(xiě)等各個(gè)環(huán)節(jié)，XXX教授都給予了我悉心的指導(dǎo)和寶貴的建