1.一种水产品生长含氧量调控方法，其特征在于，包括如下步骤：步骤1：获取养殖塘中水产品生长环境的一段时间温度、湿度以及水含氧量的历史数据；

步骤2：构建LSTM网络模型，采用改进的海洋捕食者算法MPA对LSTM网络的初始隐层节点数和学习率进行优化，构建MPA‑LSTM预测模型，所述改进的海洋捕食者算法MPA采用阶段化改进的海洋捕食者算法，对高速度比阶段猎物执行差分演化，引入正余弦算法对等速度比阶段并行架构实施同节奏正余弦波动，于低速度比阶段缔造柯西镜像捕食者；所述改进的海洋捕食者算法具体步骤如下所示：

31)选取最优适应度猎物个体担任顶级捕食者E，并初始化海洋环境，初始化公式如下所示：P0＝Pmin+rand(0,1)·(Pmax‑Pmin)其中，Pmax与Pmin分别表示解空间上下界；rand(0,1)为自有随机因子，其本质为(0,1)范围内均匀随机向量；

32)以当前迭代次数t与最大迭代次数tmax为判据划分算法进程为高速度比阶段、等速度比阶段与低速度比阶段，设计FADs效应以扰动局部最优解，并以海洋记忆功能重新评估个体适应度以更新顶级捕食者；

33)高速度比阶段(t＜tmax/3)，顶级捕食者因自身速度远低于猎物而放弃捕猎，此时猎物执行布朗运动，该阶段数学模型如下:其中，p为常数，取0.5；R为取值范围[0,1]的均匀随机数向量；Pi与Ei分别表示当前迭代第i只猎物与顶级捕食者个体；RB为呈正态分布的布朗游走随机向量；

34)MPA的并行架构由等速度比阶段(tmax/3＜t＜2tmax/3)的均分猎物群体体现，前半数个体组成负责开发的莱维飞行群体，后半数个体则同时组成负责探索的布朗运动群体，该并行架构数学模型如下：其中，p为常数,取0.5；CF为自适应参数；RL为呈莱维分布的随机向量；

35)低速度比阶段(t＞2tmax/3)时的猎物速度远低于顶级捕食者，猎物运动时将参考顶级捕食者的莱维飞行轨迹以避免被捕食，该阶段数学模型如下:

36)涡流或鱼类聚集装置FADs会影响海洋捕食者的行为，可被视作局部最优，FADs效应由取值为0.2的扰动概率因子pF引入MPA，降低算法局部停滞概率，数学模型如下：其中，U为随机生成二进制向量的二进制数组；r为[0,1]范围内的均匀随机数；Pr1与Pr2表示猎物种群中随机抽取的两只猎物；

37)进行阶段化改进MPA算法，具体如下几个步骤：

38)对高速度比阶段(t＜tmax/3)猎物执行差分演化，设d维空间第t代猎物个体为：

39)任选3只异维个体 生成变异猎物

其中，F为差分变异因子；

t t

310)通过原始个体Pi与变异个体 的交叉生成变异交叉猎物个体Vi ：其中，drand为随机维度系数,取值范围为[1,d]；

t t

311)选取原始个体Pi 与变异交叉个体Vi 中适应度较优者，保留为进化猎物个体 此时猎物个体质量已遍历优化，间接为次阶段培育优质捕食者；

312)等速度比阶段并行架构实施同节奏正余弦波动：

高速度比阶段结束后，引入均匀随机波动概率pf与波动算子f同时波动并行架构，生成灵活性更高的波动猎物 筛选出适应度最优者充当波动捕食者其中,r1为线性递减的调整参数,r2为范围[0,2π]内的均匀随机角度,配合波动概率pf等概率选取波动机制，同节奏优化开发能力与探索能力,r3为[0,2]范围内服从均匀分布的随机数；

313)低速度阶段捕食者的柯西镜像变异，对进入低速度比阶段的波动捕食者 实施反向学习,生成镜像波动捕食者 并通过柯西变异策略的实施缔造柯西镜像变异捕食者公式如下:t

b＝(1‑t/tmax)

其中,ub与lb分别表示对应解空间的上下界,rand为服从(0,1)标准均匀分布的随机数矩阵；b为反向学习伪信息交流系数； 为波动捕食者 与镜像波动捕食者 经b实现反向学习信息交流生成的精英捕食者, 为柯西镜像变异捕食者；

步骤3：基于步骤1中采集的历史数据，采用MPA‑LSTM预测模型对未来24小时内养殖塘中的含氧量变化进行预测；

步骤4：通过大数据检索设置养殖塘水产品生长环境最适含氧量，将步骤3中含氧量预测数据与水产品生长环境最适含氧量进行对比，得到两者差值，两者差值的绝对值大于限定值时，采用北方苍鹰优化算法NGO进行优化控制水氧含量调节器运行时长，实时调控养殖塘含氧量。

2.根据权利要求1所述的水产品生长含氧量调控方法，其特征在于，所述步骤1中历史数据通过温度传感器、湿度传感器以及水氧含量检测仪监测，所述温度传感器以及湿度传感器在养殖塘四周多点安装，所述水氧含量检测仪在养殖塘水中多点安装。

3.根据权利要求1所述的水产品生长含氧量调控方法，其特征在于，所述步骤2中构建MPA‑LSTM预测模型的具体步骤为：

21)构建LSTM神经网络模型，对LSTM在神经网络模型中的输入门、输出门和遗忘门3个具有记忆功能的模块进行构建；

22)遗忘门ft负责决定从记忆单元中丢弃哪些信息，更新公式为：ft＝σ(wfxxt+wfhht‑1+wfcCt‑1+bf)式中σ(·)‑sigmoid：xt表示t时刻的输入；ht表示t时刻的输出；ht‑1表示t‑1时刻的输出Ct表示t时刻的候选向量；wfx、wfh、wfc表示遗忘门的权重系数；bf表示遗忘门偏置；

23)输出门it负责决定哪些信息可以保存在记忆单元中，更新公式为：it＝σ(wixxi+wihht‑1+wicCt‑1+bi)式中：wix、wih、wic表示输入门的权重系数；bi表示输入门偏置；wcx、wch表示候选向量的权重系数；b0表示候选向量偏置；tanh(.)表示双曲正切激活函数； 表示候选向量的更新值；

24)输出门决定将输出哪些信息，其表达方式为：

ot＝σ(woxxt+wohht‑1+wocCt‑1+bo)ht＝ottanh(Ct)

式中：ot表示输出门；wox、woh、woc表示输出门的权重系数；

25)采用改进的海洋捕食者算法MPA对LSTM网络的初始隐层节点数和学习率进行优化，构建MPA‑LSTM预测模型。

4.根据权利要求1所述的水产品生长含氧量调控方法，其特征在于，所述步骤4中采用北方苍鹰优化算法进行优化控制增氧器运行时长具体操作为：

41)初始化种群成员，初始化矩阵如下所示：

其中，X表示北方苍鹰种群矩阵，Xi表示第i个个体的初始解，xi,j表示第i个个体第j维的值，N表示种群成员的数量，m是问题空间的维度；

42)用目标函数值向量表示北方苍鹰种群的目标函数值，表示公式如下所示：其中，F是获得的目标函数值的向量，Fi是第i个解获得的目标函数值；

43)对最优区域进行识别，区域搜索公式如下所示：

Pi＝Xk,i＝1,2,…,N,k＝1,2,…,i‑1,i+1,…,N其中，Pi是第i只北方苍鹰的猎物位置，FPi是其目标函数值，k是区间[1,N]中不为i的随new,P1机整数， 是第i个解的新位置， 是其第j维的值，Fi 是NGO第一阶段的目标函数值，r是区间[0,1]的随机数，I是值为1或者2的随机数，参数r和I是在搜索和更新中生成随机NGO行为的随机数；

44)提高算法对搜索空间局部搜索的利用能力，假设这种狩猎活动接近于一个半径为R的攻击位置，位置更新公式如下所示：其中，t是当前迭代次数，T是最大迭代次数， 是的i个解的新位置， 是其第new,P2j维的值，Fi 是NGO第二阶段的目标函数值。

5.一种基于权利要求1至4任一所述水产品生长含氧量调控方法的调控装置，其特征在于，包括数据监测模块、含氧量预测模块、调节器控制模块；

所述数据监测模块包括多个温度传感器、多个湿度传感器以及多个水氧含量检测仪，分别用于监测不同地点、不同时间段的温度、湿度、水含氧量的历史数据；

所述含氧量预测模块包括MPA‑LSTM预测模型，用于结合温度、湿度、水含氧量的历史数据对未来24小时内养殖塘中的含氧量变化进行预测；

所述调节器控制模块包括优化算法模块以及水氧含量调节器，优化算法模块以用于结合含氧量预测数据与水产品生长环境最适含氧量差值，两者差值的绝对值大于限定值时，采用北方苍鹰优化算法进行优化控制水氧含量调节器运行时长。