بررسی صفات رشد گوسفند لری با استفاده از مدل‌های غیر خطی و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک

زمینه مطالعاتی: در این پژوهش از اطلاعات تعداد 7054 راس گوسفند نژاد لری برای برازش منحنی رشد این نژاد استفاده شد. هدف: صفات رشد مورد بررسی شامل وزن تولد، از شیرگیری، شش ماهگی و نه ماهگی بود که با استفاده از سه مدل غیر خطی شامل گمپرتز، برودی و لجستیک و همچنین شبکه عصبی مصنوعی (ann) برازش شد. روش کار: تیپ تولد، جنسیت، سال تولد، سن مادر و فصل تولد به همراه وزن تولد، شیرگیری و شش ماهگی به عنوان عوامل ورودی به ann معرفی شدند و برای وزن نه ماهگی پیش بینی انجام شد. برای این منظور یک شبکه feedforward بهینه شده با الگوریتم ژنتیک مورد استفاده قرار گرفت. مقایسه مدل­های غیرخطی بر اساس ضریب تبیین (r2)، میانگین مربعات خطا (mse)، تعداد تکرار و معیار آکائیک (aic) انجام شد و بر این اساس مدل برودی به عنوان مدل مناسب برای برازش صفات رشد انتخاب شد. پارامترهای a، b و k بر اساس مدل برودی برای دو جنس ماده و نر برآورد شدند. نتایج: همبستگی بین پارامترهای a و k منفی گزارش شد. اثر عوامل محیطی بر روی پارامترهای منحنی رشد معنی دار بود (p<0/01). بر اساس بررسی های انجام شده ann با r2 برابر با 36/84 و 49/85 درصد قادر به پیش بینی وزن نه ماهگی برای جنس ماده و نر بود. همچنین با تعداد 10 و 9 نورون در لایه میانی برای جنس ماده و نر، در mse همگرایی ایجاد شد. نتیجه گیری نهایی: بر اساس میزان r2 گزارش شده، مدل های برودی، لجستیک، گمپرتز و ann به ترتیب مناسب ترین مدل ها برای برازش صفات رشد در گوسفند لری بودند.