技術(shù)特征：

1.一種基于動(dòng)態(tài)智能算法的寵物喂養(yǎng)方法，其特征在于，包括如下步驟：

步驟S1：采集寵物的種類(lèi)、性別、年齡、心跳頻率、血壓、體溫、活動(dòng)量、喂食類(lèi)型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，所述喂食類(lèi)型和所述喂食量構(gòu)成決策變量；

步驟S2：在所述服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線(xiàn)性關(guān)系，獲得寵物喂養(yǎng)模型；

步驟S3：利用MOEA/D算法對(duì)所述寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得所述決策變量的一組最優(yōu)解；

步驟S4：將所述決策變量的該組最優(yōu)解作為所述寵物的推薦決策X^*通過(guò)所述服務(wù)器下發(fā)至用戶(hù)的終端設(shè)備進(jìn)行顯示；

步驟S5：所述用戶(hù)根據(jù)所述終端設(shè)備顯示的推薦決策X^*喂食所述寵物。

2.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)智能算法的寵物喂養(yǎng)方法，其特征在于，所述寵物喂養(yǎng)模型中X_k＝[x_k1，x_k2，L，x_kM](k＝1，2，L，S)為輸入樣本，S為訓(xùn)練樣本的個(gè)數(shù)，W_MI(g)為第g次迭代時(shí)輸入層M與隱層I之間的權(quán)值矢量，W_JP(g)為第g次迭代時(shí)隱層J與輸出層P之間的權(quán)值矢量，W_JC(g)為第g次迭代時(shí)隱層J與承接層C之間的權(quán)值矢量，Y_k(g)＝[y_k1(g)，y_k2(g)，L，y_kP(g)](k＝1，2，L，S)為第g次迭代時(shí)的實(shí)際輸出，d_k＝[d_k1，d_k2，L，d_kP](k＝1，2，L，S)為期望輸出；以及，

建立所述寵物喂養(yǎng)模型的步驟包括：

步驟S21：初始化，設(shè)迭代次數(shù)g初值為0，分別賦給W_MI(0)、W_JP(0)、W_JC(0)一個(gè)(0，1)區(qū)間的隨機(jī)值；

步驟S22：隨機(jī)輸入樣本X_k；

步驟S23：對(duì)輸入樣本X_k，前向計(jì)算所述Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的實(shí)際輸出Y_k(g)；

步驟S24：根據(jù)期望輸出d_k和實(shí)際輸出Y_k(g)，計(jì)算誤差E(g)；

步驟S25：判斷誤差E(g)是否小于預(yù)設(shè)的誤差值，如果大于或等于，進(jìn)入步驟S26，如果小于，則進(jìn)入步驟S29；

步驟S26：判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如果大于，進(jìn)入步驟S29，否則，進(jìn)入步驟S27；

步驟S27：對(duì)輸入樣本X_k反向計(jì)算所述Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的局部梯度δ；

步驟S28：計(jì)算權(quán)值修正量ΔW，并修正權(quán)值；令g＝g+1，跳轉(zhuǎn)至步驟S23；

其中，ΔW_ij＝η·δ_ij，η為學(xué)習(xí)效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步驟S29：判斷是否完成所有樣本的訓(xùn)練；如果是，完成建模；如果否，跳轉(zhuǎn)至步驟S22。

3.根據(jù)權(quán)利要求1所述的基于動(dòng)態(tài)智能算法的寵物喂養(yǎng)方法，其特征在于，利用MOEA/D算法對(duì)所述寵物喂養(yǎng)模型進(jìn)行優(yōu)化的步驟，包括：

步驟S31：初始化所述寵物喂養(yǎng)模型；其中，步驟S31包括：

步驟S311：將待優(yōu)化的多個(gè)目標(biāo)分解為N個(gè)單目標(biāo)，并對(duì)每個(gè)單目標(biāo)賦予權(quán)重(λ₁，λ₂，...λ_N)；

步驟S312：計(jì)算任意兩個(gè)權(quán)重的歐式距離B(i)，對(duì)于每個(gè)i＝1，2，...N，令B(i)＝{i₁，i₂，…i_T}，則為距離權(quán)重向量λⁱ最近的T個(gè)權(quán)重；

步驟S313：初始化種群x¹ L x^N的初始化目標(biāo)函數(shù)最佳值z(mì)＝(z₁，...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，設(shè)置外部存檔EP為空；

步驟S32：對(duì)單個(gè)待優(yōu)化目標(biāo)最優(yōu)值進(jìn)行重復(fù)計(jì)算，每次產(chǎn)生的新向量更加接近多目標(biāo)優(yōu)化的最優(yōu)值；

步驟S321：從B(i)中隨機(jī)選取兩個(gè)序列號(hào)為k和l的子向量，利用遺傳算子有x^k，x¹產(chǎn)生一個(gè)新的解y，并對(duì)解y利用基于測(cè)試問(wèn)題的修復(fù)和改進(jìn)啟發(fā)產(chǎn)生y′；

步驟S322：對(duì)于j＝1，...m，如果Z_i＜f_j(y′)，則令Z_i＝f_j(y′)；

步驟S323：對(duì)于j∈B(i)，如果g^te(y′/λ^j，Z)≤g^te(x/λ^j，Z)，則令x^j＝y(tǒng)′，

FV^j＝F(y^j)，其中g(shù)^te(x/λ^j，z)表示第j個(gè)子問(wèn)題的目標(biāo)函數(shù)，利用切比雪夫法將多目標(biāo)優(yōu)化分解為N個(gè)標(biāo)量?jī)?yōu)化子問(wèn)題，具體表達(dá)式為：

$g^{\mathrm{te}}=(x/{\mathrm{\λ}}^j,z)=\underset{1\≤i\≤m}{\max }\{{\mathrm{\λ}}_i\·|f_i\left(x\right)-z_i\left|\right\},{\mathrm{\λ}}^j={({\mathrm{\λ}}_1^j,L{\mathrm{\λ}}_m^j)}^T;$

其中，F(xiàn)V為x的目標(biāo)函數(shù)，F(xiàn)Vⁱ＝F(xⁱ)，F(xiàn)Vⁱ是xⁱ的F值；

步驟S324：從外部存檔EP中移出所有被F(y′)支配的向量，加入所有不被支配的F(y′)；

步驟S33：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的上限，如果達(dá)到，則輸出外部存檔EP的值，并作為所述決策變量的一組最優(yōu)解；如果未達(dá)到，則返回步驟S32。

4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的基于動(dòng)態(tài)智能算法的寵物喂養(yǎng)方法，其特征在于，

利用溫度傳感器采集所述寵物的體溫；

利用心率傳感器采集所述寵物的心跳頻率；

利用血壓傳感器采集所述寵物的血壓；

利用計(jì)步器采集所述寵物的活動(dòng)量；

利用攝像頭采集所述寵物在當(dāng)前時(shí)刻的面部圖像信息，并將圖像信息轉(zhuǎn)換成數(shù)字信號(hào)；以及，

利用采樣電路分別與所述溫度傳感器、所述心率傳感器、所述血壓傳感器、所述計(jì)步器進(jìn)行連接，并將所述溫度傳感器、所述心率傳感器、所述血壓傳感器、所述計(jì)步器分別采集到的寵物的體溫、心跳頻率、血壓、活動(dòng)量轉(zhuǎn)換成數(shù)字信號(hào)。

5.一種基于動(dòng)態(tài)智能算法的寵物喂養(yǎng)系統(tǒng)，其特征在于，包括：

數(shù)據(jù)采集單元，用于采集寵物的種類(lèi)、性別、年齡、心跳頻率、血壓、體溫、活動(dòng)量、喂食類(lèi)型、喂食量，當(dāng)前圖像、當(dāng)前體重構(gòu)成影響因素矩陣X，并上傳至服務(wù)器；其中，所述喂食類(lèi)型和所述喂食量構(gòu)成決策變量；

寵物喂養(yǎng)模型建立單元，用于在所述服務(wù)器內(nèi)利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與寵物健康指數(shù)之間的復(fù)雜非線(xiàn)性關(guān)系，獲得寵物喂養(yǎng)模型；

決策變量最優(yōu)解獲取單元，用于利用MOEA/D算法對(duì)所述寵物喂養(yǎng)模型進(jìn)行優(yōu)化，獲得所述決策變量的一組最優(yōu)解，并作為所述寵物的推薦決策X^*；

推薦決策下發(fā)單元，用于通過(guò)所述服務(wù)器將所述寵物的推薦決策X^*下發(fā)至用戶(hù)的終端設(shè)備進(jìn)行顯示。