根据以上信息，我们可以得到以下关于母羊繁殖过程的模型：

1. 受孕概率：P(怀孕) = 0.85
2. 受孕时间与孕期：T(怀孕) 在 [147, 150] 天之间波动
3. 分娩与羔羊死亡：F(分娩) = 2.2,R(死亡率) = 0.03
4. 哺乳期与育肥期：L(哺乳期) 在 [35, 45] 天之间调整，每减少1天，育肥期增加2天；每增加1天，育肥期减少2天
5. 空怀休整期：H(栏数) <= 14
6. 非交配期种公羊数量：S(栏数) <= 4
7. 自然交配期种公羊数量：Z(栏数) = 1

我们需要求解的是最佳的种羊配置方案。为了简化问题，我们可以将上述条件进行线性组合，得到以下目标函数：

最大化 F(分娩) Z(栏数) L(哺乳期) H(栏数) - S(栏数) R(死亡率) * T(怀孕)^2

其中，T(怀孕) 需要在 [147, 150] 天内取值。

接下来，我们可以使用遗传算法、粒子群优化等方法来求解这个问题。以下是一个使用 Python 编写的简单遗传算法示例：

import numpy as np
import random
from scipy.optimize import minimize

# 定义目标函数
def objective_function(x):
    z, l, h, s, r = x
    t = np.random.uniform(147, 150)
    f = (2.2 * z * l * h - s * r * t**2)
    return f

# 定义约束条件
def constraint1(x):
    z, l, h, s, r = x
    return z + l + h + s + r <= 14 + 4 + 1

def constraint2(x):
    z, l, h, s, r = x
    return z <= 4 and l <= 14 and h <= 45 and s <= 4 and r <= 0.03

# 将约束条件转换为字典格式
constraints = [{'type': 'eq', 'fun': constraint1}, {'type': 'eq', 'fun': constraint2}]

# 设置初始解和参数范围
initial_solution = [1, 14, 35, 4, 0.03]
bounds = [(0, None), (0, None), (0, None), (0, None), (0, None)] * len(initial_solution)

# 使用遗传算法求解
result = minimize(objective_function, initial_solution, bounds=bounds, constraints=constraints)
optimal_solution = result.x
print("最优解：", optimal_solution)

注意：这个示例仅用于演示如何使用遗传算法求解问题，实际应用中可能需要对算法进行调整和优化。