A quantum-inspired multi-objective learning framework for real-time sustainable aquaculture water quality prediction
Abdel‐Haleem Abdel‐Aty · Ali Jaber Almalki · Sara A. Ghorashi 等 5 人
提出量子启发多目标优化网络Q-AQUAOptNet，实现水产养殖水质实时预测。
量子启发多目标进化优化结合时间预测与可持续指数建模，Python仿真。
RMSE 0.24、MAE 0.21、R² 0.97，预测精度高且泛化好。
可探索真实养殖场部署与多源传感器融合，验证量子启发优化在边缘端的实时性。
提出量子启发多目标优化网络用于水产养殖水质预测，仿真指标较优，属智慧渔业细分领域的方法学进展，但尚处仿真阶段、缺乏真实场景验证。
可持续水产养殖管理需要准确预测水质参数，因为环境变异性是决定水生生产力和生态稳定性的重要因素。传统机器学习系统通常受限于参数优化效率低、特征重叠以及对非线性和时变环境趋势的适应能力有限。为解决这些问题，提出了一种新概念，称为量子启发水产养殖优化网络（Quantum-Inspired Aquaculture Optimization Network，Q-AQUAOptNet）。为在时间预测之前改进特征选择、超参数优化和模型稳定性，所提出的架构结合了可持续性指数建模和量子启发多目标进化优化。该优化方法平衡了探索与利用，增强了预测模型的学习能力。该框架的实现通过基于Python的仿真工具完成，涵盖预处理、优化和性能评估。所构建系统的均方根误差为0.24，平均绝对误差为0.21，R²为0.97，这意味着其具有有效的预测能力和较强的方差解释能力。将进化优化与时间学习相结合，提高了泛化性能并降低了预测不确定性。研究结果表明，Q-AQUAOptNet在基于仿真的框架内提供了有效的预测性能，并显示出作为面向可持续性的智能水质监测与决策支持系统应用于水产养殖的潜力。