CN107729527A - 基于程序云的全年龄智能配奶机的控制方法和*** - Google Patents

Abstract

本发明公开了一种基于程序云的全年龄智能配奶机的控制方法和***，所述方法包括：获取用户信息和奶粉信息；将所述用户信息和所述奶粉信息上传至服务器进行判断分析，并提取所述用户信息和所述奶粉信息中的特征信息；将所述特征信息和服务器的数据库中存储的配奶方案进行匹配，匹配方式包括直接匹配和基于遗传算法的计算匹配，生成一个最佳配奶方案，然后根据所述最佳配奶方案对配奶机进行控制。本发明针对不同年龄阶段的婴儿或成年人，提供了最适合该年龄段人饮用的奶液比例以及温度，为用户的成长提供最健康的奶粉冲调方案，节省了用户的相关学习时间，提升了生活品质。

Description

基于程序云的全年龄智能配奶机的控制方法和***

技术领域

本发明涉及一种配奶机的控制方法和***，更具体地，涉及一种基于程序云的全年龄智能配奶机的控制方法和***。

背景技术

随着社会的进步，婴幼儿和老年人对饮用奶粉的需求在快速增长。冲调适合饮用的奶粉，需讲究一定的方法和步骤，包括：取烧开后的水冷却至一定的温度，加入适量的奶粉进行冲调，这里面涉及到水和奶粉的比例控制、一天需要饮用的奶粉量以及婴幼儿在不同的阶段对水温的敏感性变化等问题。现有的奶粉冲调方式，需要人工学习配奶知识，然后将奶粉和水装入奶瓶搅拌后形成奶液，人工冲调难以对奶粉量、用水量和水温进行精确控制。

目前市场上广受用户喜爱的配奶机虽然可以实现对奶粉量的精确控制，但由于不同年龄阶段的婴幼儿每天需要的奶粉营养量并不同，以及对应的奶粉和水比例也不同，而目前的配奶机并不能根据用户的个人信息配制出适合用户的奶液。

发明内容

本发明的目的在于提供一种可以根据用户的成长阶段智能控制配奶机配奶方案的方法和***，为用户提供最适合自己的配奶方案，从冲调奶粉量、奶液浓度以及用户需求特性角度，通过基于数据库的直接匹配和基于遗传算法的匹配计算，针对每个家庭每个婴儿不同的信息，分析其成长记录，提供最适合该年龄段的奶液组合与最适合口感的冲泡温度，旨在为婴儿成长提供最健康的奶粉冲调方案，解决奶爸奶妈需要学习配奶知识的难题，保证奶粉饮用品质。

为实现上述目的，本发明提供了一种基于程序云的全年龄智能配奶机的控制方法，所述方法包括以下步骤：

S1，获取用户信息和奶粉信息，所述用户信息包括年龄、性别、电话、地址以及邮箱信息，所述奶粉信息包括奶粉品牌和奶粉段位信息；

S2，将所述用户信息和所述奶粉信息上传至服务器进行判断分析，提取所述用户信息和所述奶粉信息中的特征信息；

S3，将所述特征信息和数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案；

S4，根据所述最佳配奶方案对全年龄智能配奶机进行控制。

较佳地，步骤S2中所述用户信息的特征信息为用户的年龄和性别信息，所述奶粉信息的特征信息为奶粉品牌和奶粉段位信息。

较佳地，步骤S3中所述数据库存储的配奶方案为：营养师给出的不同年龄阶段的婴儿奶粉冲配方案和奶粉生产厂商给出的方案。

较佳地，步骤S3中将所述特征信息和所述数据库中存储的配奶方案进行的匹配计算包括直接匹配，直接匹配就是将直接在数据库中查找和所述特征信息相同的最佳配奶方案。

较佳地，步骤S3中将用户信息、奶粉属性特征和数据库中存储的配奶方案进行匹配计算，如果直接匹配未找到与用户信息相匹配的配奶方案，那么基于遗传算法进行匹配计算。所述基于遗传算法匹配计算包括以下步骤：

构造一个包含水温、奶粉量和用水量三个变量的第一适应度函数，同时求得所述数据库中存储的所有配奶方案对应的适应度值的平均值，然后利用第一适应度函数与所述平均值的差值构造第二适应度函数，第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案；

利用数据库中存储的配奶方案生成一个种群规模大小为N1＝50的初始化种群；

对所述初始化种群进行交叉操作，产生种群规模大小为N2＝100的第一子代种群；

对所述第一子代种群中的所有个体进行变异操作产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体，继续循环，重复执行交叉和变异操作；

直到达到最大进化代数，生成水温、奶粉量和用水量三个变量对应的值。

本发明还提供了一种基于程序云的全年龄智能配奶机的控制***，所述***包括：

信息获取模块，用于获取用户信息和奶粉信息；

分析模块，用于将所述用户信息和所述奶粉信息上传至服务器进行判断分析，提取所述用户信息和所述奶粉信息中的特征信息；

匹配计算模块，用于将所述特征信息和数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案；

控制模块，用于根据所述最佳配奶方案对全年龄智能配奶机进行控制。

其中所述匹配计算模块包括适应度函数单元，种群初始化单元，种***叉单元，种群变异单元；

所述适应度函数单元用于构造一个包含水温、奶粉量和用水量三个变量的第一适应度函数，同时求得所述数据库中存储的所有配奶方案对应的适应度值的平均值，然后利用第一适应度函数与所述平均值的差值构造第二适应度函数，第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案；

所述种群初始化单元是利用数据库中存储的配奶方案生成一个种群规模大小为N1＝50的初始化种群；

所述种***叉单元用于对所述初始化种群进行交叉操作，产生种群规模大小为N2＝100的第一子代种群；

所述种群变异单元用于对所述第一子代种群中的所有个体进行变异操作产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体。

本发明相比于现有技术的有益效果在于：

与现有技术相比，本发明提出了一种基于程序云的全年龄智能配奶机的控制方法和***，解决了不同年龄阶段的人群适合饮用的配奶方案不相同的问题，保证了用户冲配奶粉的品质，节省了年轻爸妈们花费在学习冲泡奶粉知识上的时间，提升了人们的生活品质。该方法首先获取用户信息和奶粉信息，然后将这些信息和数据中存储的配奶方案进行直接匹配或者基于遗传算法匹配计算，获得最佳的配奶方案。由于该发明综合考虑了奶粉饮用者的年龄、性别、奶粉饮用量、用水量以及水温，所以最终得到的配奶方案是最适合用户目前生长阶段的方案。

附图说明

图1为本发明基于程序云实现的全年龄智能配奶机的控制方法的一实施例的流程图；

图2为本发明实施例提供的基于程序云实现的全年龄智能配奶机的控制***的一实施例的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合附图和实例对本发明的实施作进一步说明。

实施例一

如图1所示，为本发明基于程序云的全年龄智能配奶机的控制方法的流程图，主要包括以下步骤：

步骤S1，获取用户信息和奶粉信息，用户信息包括年龄、性别、电话、地址以及邮箱信息，奶粉信息包括奶粉品牌和奶粉段位信息。

步骤S2，将用户信息和奶粉信息上传至服务器进行判断分析，提取用户信息和奶粉信息中的特征信息；用户信息的特征信息为用户的年龄和性别信息，奶粉信息的特征信息为奶粉品牌和奶粉段位信息。服务器的数据库中存储的配奶方案为营养师给出的不同年龄阶段的婴儿奶粉冲配方案和奶粉生产厂商给出的方案。

步骤S3，将提取的特征信息和数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案，匹配计算的过程具体包括：

步骤S31，首先将特征信息和数据库中存储的配奶方案进行直接匹配，即根据用户的年龄、性别数据和奶粉信息，直接在数据库中查找和所述特征信息相同的最佳配奶方案。

步骤S32，如果直接匹配不成功，则基于遗传算法匹配计算，首先，利用数据库中已有的配奶方案，构造一个适应度函数，并生成一个种群规模大小N1＝50的初始化种群，然后，对初始化种群进行交叉操作产生种群规模大小为N2＝100的第一子代种群，对第一子代种群中的所有个体进行变异操作产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体；继续循环，重复执行交叉和变异操作，直到达到最大进化代数。

具体来说，首先构造一个第一适应度函数，f1＝k1*x1^3+k2*x1*x2+k3*x2*x3；x1,x2,x3三个变量分别表示用水量、奶粉量、水温，用水量的取值范围是0～500毫升，奶粉量的取值范围是0～100克，水温的取值范围为40～80摄氏度，k1,k2,k3表示函数表达式的三个系数；然后求得数据库中存储的所有配奶方案对应的适应度值的平均值为100，利用第一适应度函数与平均值100的差值构造第二适应度函数：f2＝k1*x1^3+k2*x1*x2+k3*x2*x3-100；第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案。

接着，根据数据库中存储的配奶方案，初始化生成一个种群规模大小为N1＝50的初始种群，即初始化50个初始解。然后利用这50个初始解作为父代个体，对这些父代个体进行交叉操作，生成一个种群规模大小为N2＝100的第一子代种群；具体为，设定一个交叉概率p＝0.7，生成一个0到1之间的随机数r，当r小于等于p的时候，算法会进行交叉操作，即x0＝x1+r*(x2-x1)，x1和x2表示进行交叉的两个父代个体，x0表示交叉之后产生的新个体；当r大于p的时候，直接将父代个体复制到子代当中；然后，对第一子代种群的全部个体进行变异操作，即x0＝x_r1+F*(x_r2-x_r3)，x_r1为待变异的个体，x_r2和x_r3是种群中随机选取的两个不同的个体，将其向量差缩放后与待变异个体进行向量合成，F称为缩放因子，设为0.1；r1,r2和r3是三个随机数，区间为[1,N2]；第一子代种群经过变异之后会产生一个新的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体，依照此过程，继续循环，重复执行交叉和变异操作，直到达到最大进化代数。其中最大进化代数设置为1000代，进化1000代以后会生成x1,x2,x3三个变量的值，分别是用水量、奶粉量、水温的值；

步骤S4，根据获得的最佳配奶方案对全年龄智能配奶机进行控制。

实施例二

如图2所示为本发明实施例提供的基于程序云的全年龄智能配奶机的控制***的结构图，为了便于说明，仅示出与本发明实施例相关的部分，包括：

信息获取模块201，用于获取用户信息和奶粉信息；

分析模块202，用于将所述用户信息和所述奶粉信息上传至服务器进行判断分析，提取所述用户信息和所述奶粉信息中的特征信息；

匹配计算模块203，用于将所述特征信息和数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案；

控制模块204，用于根据所述最佳配奶方案对全年龄智能配奶机进行控制。

其中所述匹配计算模块203具体包括：

适应度函数单元2031，种群初始化单元2032，种***叉单元2033，种群变异单元2034；

适应度函数单元2031，用于构造一个包含水温、奶粉量和用水量三个变量的第一适应度函数，同时求得所述数据库中存储的所有配奶方案对应的适应度值的平均值，然后利用第一适应度函数与所述平均值的差值构造第二适应度函数，第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案；

种群初始化单元2032，利用数据库中存储的配奶方案生成一个种群规模大小为N1＝50的初始化种群；

种***叉单元2033，用于对所述初始化种群进行交叉操作，产生种群规模大小为N2＝100的第一子代种群；

种群变异单元2034，用于对所述第一子代种群中的所有个体进行变异操作产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体。

本发明基于程序云实现了智能控制配奶机的配奶操作，解决了人们需要学习配奶知识以及较难控制水和奶粉比例的问题。该方法通过获取用户在客户端输入的年龄、性别、奶粉品牌、奶粉段位信息，将用户信息和奶粉信息上传至服务器，提取特征信息，并与服务器中数据库存储的配奶方案首先进行直接匹配，直接比较年龄、性别、奶粉品牌、奶粉段位这些信息，找到与用户需求信息相同的配奶方案；如果在数据库中找不到相同的配奶方案，那么基于遗传算法来匹配计算，该算法利用数据库中已有的配奶方案作为初始种群，经过不断地进化计算，最终生成理想的结果。该配奶机的控制方法保证了不同年龄阶段的用户可以获得最适合自己的科学的奶粉饮用配方，解决了传统配奶机仍然需要用户自己学习配奶知识的弊端，保证了用户的健康。

Claims (9)

1.一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，所述方法包括以下步骤：

S1：获取用户信息和奶粉信息；

S2：将所述用户信息和所述奶粉信息上传至服务器进行判断分析，提取所述用户信息和所述奶粉信息中的特征信息；

S3：将所述特征信息和服务器的数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案；

S4：根据所述最佳配奶方案对全年龄智能配奶机进行控制。

2.如权利要求1所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，步骤S2中，所述用户信息的特征信息包括用户的年龄和性别信息。

3.如权利要求1所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，步骤S2中，所述奶粉信息的特征信息包括奶粉品牌和奶粉段位信息。

4.如权利要求1所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，步骤S3中所述数据库存储的配奶方案包括营养师给出的不同年龄阶段的婴儿奶粉冲配方案和奶粉生产厂商给出的方案。

5.如权利要求1所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，步骤S3中所述匹配计算为直接匹配：直接在数据库中查找和所述特征信息相同的最佳配奶方案。

6.如权利要求1至5任一项所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，步骤S3中所述匹配计算是基于遗传算法的匹配计算，基于遗传算法的匹配计算包括以下步骤：

构造一个包含水温、奶粉量和用水量三个变量的第一适应度函数，求得所述数据库中存储的所有配奶方案对应的适应度值的平均值，然后利用第一适应度函数与所述平均值的差值构造第二适应度函数，第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案；

利用数据库中存储的配奶方案生成一个种群规模大小为N1＝50的初始化种群；

对所述初始化种群进行交叉操作，产生种群规模大小为N2＝100的第一子代种群；

对所述第一子代种群中的所有个体进行变异操作，产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体，继续循环，重复执行交叉和变异操作；

直到达到最大进化代数，生成水温、奶粉量和用水量三个变量对应的值。

7.如权利要求6所述的一种基于程序云的全年龄智能配奶机的控制方法，其特征在于，所述最大进化代数为1000代。

8.一种基于程序云的全年龄智能配奶机的控制***，其特征在于，所述***包括信息获取模块、分析模块、匹配计算模块以及控制模块；

所述信息获取模块，用于获取用户信息和奶粉信息；

所述分析模块，用于将所述用户信息和所述奶粉信息上传至服务器进行判断分析，提取所述用户信息和所述奶粉信息中的特征信息；

所述匹配计算模块，用于将所述特征信息和服务器的数据库中存储的配奶方案进行匹配计算，生成一个最佳配奶方案；

所述控制模块，用于根据所述最佳配奶方案对全年龄智能配奶机进行控制。

9.如权利要求8所述的一种基于程序云的全年龄智能配奶机的控制***，其特征在于，所述匹配计算模块包括适应度函数单元，种群初始化单元，种***叉单元以及种群变异单元；

所述适应度函数单元用于构造一个包含水温、奶粉量和用水量三个变量的第一适应度函数，同时求得所述数据库中存储的所有配奶方案对应的适应度值的平均值，然后利用第一适应度函数与所述平均值的差值构造第二适应度函数，第二适应度函数是遗传算法计算过程中使用的适应度函数，第二适应度函数的值越小，表明最终得到的配奶方案越接近理想配奶方案；

所述种群初始化单元是利用数据库中存储的配奶方案生成一个种群规模大小为N1＝50的初始化种群；

所述种***叉单元用于对所述初始化种群进行交叉操作，产生种群规模大小为N2＝100的第一子代种群；

所述种群变异单元用于对所述第一子代种群中的所有个体进行变异操作产生种群规模大小为N2＝100的第二子代种群，计算所述第二子代种群所有个体的适应度值，选取适应度值最小的50个个体作为下一代种群的父代个体。