شبکه های عصبی ابزارهای نسبتاً جدیدی هستند که در فرآیندهای مدل سازی رشد در سیستم های پرورش حیوانات مورد استفاده قرار می گیرند. در این پژوهش شبکه عصبی gmdh robust ، به عنوان یک مدل خود سازمانده، جهت پیش-بینی تولید وزنی تخم مرغ قابل جوجه کشی در مراحل مختلف تولیدی (25 تا 29 هفتگی، 30 تا 35 هفتگی، 36 تا 60 هفتگی و 25 تا 60 هفتگی) در مرغان مادر مورد استفاده قرار گرفت. متغیرهای ورودی موثر در این پژوهش سطوح مصرفی انرژی، پروتئین، کلسیم، فسفر و وزن مرغ مادر بود که جهت پیش بینی تولید وزنی تخم مرغ قابل جوجه کشی (متغیر خروجی) مورد استفاده قرار گرفت. از الگوریتم ژنتیک اصلاح شده مرتب سازی نقاط غیر برتر، به منظور بدست آوردن ساختار بهینه شبکه و از روش تجزیه مقادیر منفرد (svd) جهت بدست آوردن ضرایب معادلات درجه دوم استفاده گردید. در این پژوهش 80 خط داده مورد استفاده قرار گرفت که در برگیرنده 60 خط داده در گروه آموزش و 20 خط داده در گروه آزمون بود. ارزیابی توانایی پیش بینی مدل ها با استفاده از آماره های ضریب تبیین (r2)، میانگین مربعات خطا (mse)، ریشه میانگین مربعات خطا (rmse) و بایاس صورت گرفت. با اعمال آنالیز حساسیت بر مدل های توسعه یافته، اثر تغییرات متغیرهای ورودی بر مدل مشخص شده و در عین حال جهت بهینه سازی مدل ها به منظور دستیابی به حداکثر عملکرد در مرغان مادر از الگوریتم ژنتیک استفاده گردید. نتایج حاصل از این پژوهش نشان داد که شبکه های عصبی مصنوعی gmdh robust ابزار توانمندی در پیش بینی تولید وزنی تخم مرغ قابل جوجه کشی در مراحل مختلف تولید و در نژادهای مختلف مرغان مادر هستند. با مقایسه نتایج بهینه سازی توسط الگوریتم ژنتیک و پژوهش های پیشین مطلوبیت روش الگوریتم ژنتیک در بیان مقادیر بهینه متغیرهای ورودی به منظور دستیابی به عملکرد بهینه در مرغان مادر مشخص شد. نتایج حاصل از آنالیز حساسیت نیز نشان داد که این روش آنالیزی می تواند روش کارآمدی در مشاهده پویایی مدل ها بوده و با استفاده از این روش می توان اثر گذارترین متغیرهای ورودی بر مدل را تعیین نمود.

این پژوهش در قالب 3 آزمایش مجزا، توانایی شبکه های عصبی مصنوعی در پیش بینی پاسخ جوجه های گوشتی به اسیدهای آمینه را مورد ارزیابی و برمبنای این مدل ها، احتیاجات اسیدهای آمینه را تعیین نمود.در مطالعه نخست پاسخ جوجه¬های گوشتی نر سویه راس در بازه سنی 4 تا 18 روزگی به اسیدهای آمینه متیونین و تریپتوفان بصورت جداگانه مورد بررسی قرار گرفت. آزمون آنالیز حساسیت به روش مقادیر گمشده نشان داد که در مطالعه اسیدهای آمینه متیونین و تریپتوفان، مدل های توسعه یافته حساسیت بیشتری به سطوح پروتئین (در مقایسه با اسیدهای آمینه) از خود نشان می دهند. بر اساس بهینه سازی ها مشخص شد که 45/5 و 85/5 گرم متیونین در کیلوگرم خوراک برای دستیابی به حداکثر افزایش وزن روزانه و بازده خوراک لازم است. این در حالی است که این مقادیر برای تریپتوفان معادل 6/2 و 1/3 گرم در کیلوگرم جیره بود. در مطالعه دوم از داده¬های حاصل از پاسخ مخلوطی از سویه های مختلف جوجه¬های گوشتی در بازه سنی 1 تا 21 روزگی به اسید آمینه لیزین مورد بررسی قرار گرفت. مقادیر ضریب تعیین بالا و خطای پیش بینی نشان از دقت بالای شبکه های عصبی داشت. بر اساس الگوریتم بهینه سازی جستجوی تصادفی بیشترین افزایش وزن روزانه و بازده خوراک با جیره-هایی حاوی به ترتیب 9/12 و 1/13 گرم لیزین در کیلوگرم خوراک حاصل خواهد شد. در مطالعه سوم از شبکه های عصبی خودراه انداز پاسخ سویه های مختلف جوجه های گوشتی در بازه سنی 1 تا 21 روزگی به اسیدهای آمینه شاخه دار مورد ارزیابی قرار گرفت. استفاده از مدل های شبکه عصبی خودراه انداز و تولید گروه های مختلف داده ای با جایگزین، می تواند کمک شایانی به توسعه مدل های مقاوم تر شبکه عصبی در برابر تغییرات و نیز استفاده هرچه بیشتر از داده های موجود باشد. بر مبنای بهینه سازی مدل های شبکه عصبی خودراه انداز احتیاجات اسیدهای آمینه ایزولوسین، لوسین و والین جهت حداکثر افزایش وزن روزانه 05/9، 03/14 و 9/10 گرم بر کیلوگرم خوراک بوده در حالیکه این مقادیر برای حداکثر بازده خوراک به ترتیب 07/9، 5/14 و 04/11 گرم بدست آمد.