循环水养殖中正确投喂是一个重要问题，因为准确预测对虾生物量，可以确定合适的投喂量，保证水质稳定。
一、循环养殖系统：基于虾生长的智能喂养技术
利用传感器技术监控和调整养殖过程，将是智慧水产养殖行业的趋势，王玮玮（2018年）在循环水产养殖系统（RAS）中开发了一种新的光电传感器设备。
传感器与物联网、人工智能技术相结合，在水产养殖中得到广泛应用，使预警技术和水质预报更加精准、智能。与传统的粗放水产养殖相比，RAS更有利于传感器的应用。RAS可以作为一种有效的水产养殖方法带来高产量，因为生物安全环境基于人工生态系统进行控制。
在RAS中养殖的南美白对虾( Litopenaeus vannamei ) 可以高密度生长，避免有害致病菌。此外，水变化有限的陆基系统在水处理环境缓解方面具有巨大潜力（Martins等人，2010年）。准确估计RAS中的虾生物量，为饲养提供了重要指导，因为生物量可以决定合适的投喂量，保证水质清洁，为虾提供充足的营养。
二、材料和方法
1、材料和实验系统
①南美白对虾的试验在两家公司进行（图1a.b），虾在一个水箱中饲养（图1c），试验为680000尾虾和长达30毫米的幼虾安排了两套RAS。在水体处理过程中，已应用紫外线和臭氧生成方法来防止病毒和病原体。
图1. RAS中对虾养殖过程。
②已安装污染物收集装置，以确保每个水箱的水质。每天给虾喂6次商业饲料，在对虾养殖初期，投喂量为对虾总生物量的5%-8%。随着时间的推移，喂食量逐渐减少，最终减少到总生物量的3%。
③RAS的示意图（图1d）由一个氧气罐和一个低流量泵组成，以便提供足够的溶解氧。包括：紫外线和臭氧发生器在内的消毒子系统，可以防止病毒和其他病原微生物的感染。
2、机器学习方法
在这项研究中，几种ANN方法，包括递归神经网络 (GRNN)、传播神经网络 (BPNN)、极限学习机 (ELM) 和循环神经网络 (RNN) 被用于本研究中，用于开发生物量预测模型。
3、支持向量机
作为一种主要基于统计理论的高效机器学习技术，支持向量机（Support Vector Machine，SVMs）关注模式的有限信息，在模型的复杂性和可学习性之间，具有独特的全局优化知识，以提高通用性。
4、模型优化
在这项研究中，基因算法 (GA) 用于优化机器学习方法，包括ELM、BPNN和SVM。 GA是一种进化算法，用于优化数据驱动的计算模型，结合选择、交叉和变变来开发初始随机种群（图2）。
图2：ML-GA技术图
第一个GA优化过程涉及选择合适的函数来衡量一组输入参数的性能。然后父母对将进行交叉，产生的后代将经历突变阶段。幸存者选择阶段决定了哪些个体可以传给下一代。 整个过程将重复，直到算法基于一些融合标准进行融合。
5、智能喂料系统设计
水生环境需要根据经验进行调整，因为RAS养虾包含一个可控的人工生态系统，不同的经验水平会导致不同的监管结果和不稳定的生产。
图3显示了智能饲喂系统的设计，该系统在生物量、采食量和水质之间具有复杂的相互作用，虾的生物量可以直接决定采食量，水质主要受RAS中生物量和摄食量的影响。
图3：RAS智能喂养系统示意图
因此，本研究基于对虾生物量预测模型设计了智能投喂系统。
机器学习方法，被用来计算食物摄入量，然后嵌入式系统可以读取传感器测量的水质指标，调用机器学习模型并控制给投喂机，以调整RAS中的投喂策略。
三、研究结论
1、MLR、ANN和SVM方法用于建立RAS养虾系统中，生物量预测模型。MLR方法提取了四个主要解释变量：水温、溶解氧、pH值、总采食量，并建立了虾生物量之间的线性关系。
2、该模型通过了T检验和F检验（R2 = 0.882），使用数据集开发了基于机器学习方法的生物量预测模型，并使用遗传算法进一步优化模型。
3、使用四个指标（MAE、MSE、MAPE和精度）来评估预测模型的偏差，通过对预测结果、不同模型之间的剩余分析评价指标（RMSE=0.6500，MAE=0.4368，MAPE=3.70%；准确率90.91%）进行比较，选择SVM作为最优对虾生物量预测方法。
最后，使用具有GA优化的SVM方法开发了RAS系统中虾生物量预测模型，智能投喂系统可以应用SVM模型精确调整RAS系统中，白对虾的投喂量。