基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及微生物發(fā)酵領(lǐng)域，特別是涉及一種基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法。
【背景技術(shù)】
[0002]微生物發(fā)酵過程是高度復(fù)雜且非線性的過程，難于用精確的數(shù)學(xué)模型對發(fā)酵過程進(jìn)行建模。近幾年，隨著計(jì)算智能算法的發(fā)展，越來越多的計(jì)算智能算法被應(yīng)用到微生物發(fā)酵過程建模與優(yōu)化控制上。如應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、遺傳算法等對發(fā)酵過程進(jìn)行建模與優(yōu)化控制。現(xiàn)有技術(shù)常把BP神經(jīng)網(wǎng)絡(luò)、遺傳算法單獨(dú)應(yīng)用于發(fā)酵過程的建模與優(yōu)化控制。也有聯(lián)合應(yīng)用BP神經(jīng)網(wǎng)絡(luò)與遺傳算法對發(fā)酵過程進(jìn)行建模與優(yōu)化控制，但這種聯(lián)合應(yīng)用常常只利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，再應(yīng)用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對發(fā)酵過程進(jìn)行建模與優(yōu)化控制。另外傳統(tǒng)的遺傳算法優(yōu)化發(fā)酵控制也存在如下主要問題:
[0003]1、傳統(tǒng)遺傳算法在個(gè)體更新后并沒有判斷其是否得到優(yōu)化，以至于經(jīng)過交叉、變異后的個(gè)體出現(xiàn)不如父代的退化現(xiàn)象；
[0004]2、傳統(tǒng)遺傳算法容易出現(xiàn)早熟收斂的問題，陷入局部最優(yōu)解；
[0005]3、傳統(tǒng)遺傳算法適應(yīng)度值高的個(gè)體在一代中被選擇的概率高，相應(yīng)的濃度高，適應(yīng)度值低的個(gè)體在一代中被選擇的概率低，相應(yīng)的濃度低，沒有自我調(diào)節(jié)能力，不利于保持群體中個(gè)體的多樣性；
[0006]4、現(xiàn)有的發(fā)酵控制優(yōu)化方法都要通過預(yù)先設(shè)計(jì)實(shí)驗(yàn)，然后實(shí)施設(shè)計(jì)的實(shí)驗(yàn)方案，得到實(shí)驗(yàn)數(shù)據(jù)再進(jìn)行分析優(yōu)化控制策略。

【發(fā)明內(nèi)容】

[0007]為解決上述技術(shù)問題，本發(fā)明提供一種基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，用于解決現(xiàn)有微生物發(fā)酵控制過程需要預(yù)先設(shè)計(jì)實(shí)驗(yàn)，不易得到發(fā)酵最優(yōu)個(gè)體的問題，提高發(fā)酵個(gè)體的搜索速率和收斂性。
[0008]本發(fā)明是這樣實(shí)現(xiàn)的:
[0009]—種基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，包括以下步驟:
[0010]步驟一、建立微生物發(fā)酵數(shù)據(jù)集，所述發(fā)酵數(shù)據(jù)集包括微生物發(fā)酵過程中的發(fā)酵控制參數(shù)以及與發(fā)酵控制參數(shù)對應(yīng)的發(fā)酵產(chǎn)物的數(shù)量；
[0011]步驟二、將所述微生物發(fā)酵數(shù)據(jù)集隨機(jī)分成訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集兩個(gè)部分；
[0012]步驟三、構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，其中，發(fā)酵控制參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入層輸入節(jié)點(diǎn)，發(fā)酵產(chǎn)物的產(chǎn)量作為BP神經(jīng)網(wǎng)絡(luò)的輸出層輸出節(jié)點(diǎn)，設(shè)定隱含層節(jié)點(diǎn)數(shù)量；
[0013]步驟四、使用所述訓(xùn)練數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制參數(shù)與發(fā)酵產(chǎn)物數(shù)量之間的映射關(guān)系，使用所述測試數(shù)據(jù)集檢測經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)物數(shù)量的準(zhǔn)確性是否在預(yù)設(shè)的誤差范圍內(nèi)，若否，則對所述BP神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練；
[0014]步驟五、根據(jù)發(fā)酵控制參數(shù)的精度和取值范圍對每個(gè)所述微生物發(fā)酵控制參數(shù)進(jìn)行二進(jìn)制編碼，將兩個(gè)以上二進(jìn)制編碼后的發(fā)酵控制參數(shù)串連成一條染色體，一條染色體為一個(gè)個(gè)體，將兩個(gè)以上個(gè)體隨機(jī)組成初始種群；
[0015]步驟六、執(zhí)行交叉算子:在初始種群中選擇兩個(gè)以上個(gè)體，從所述個(gè)體中隨機(jī)選擇兩個(gè)個(gè)體，根據(jù)預(yù)先設(shè)定的交叉概率P。對兩個(gè)個(gè)體中交叉位的基因進(jìn)行交叉操作；
[0016]步驟七、采用爬山算法執(zhí)行局部搜索算子；
[0017]步驟八、執(zhí)行變異算子:根據(jù)交叉概率P。在兩個(gè)以上的個(gè)體中生成交叉位，隨機(jī)地從群體中選擇兩個(gè)個(gè)體，對交叉位基因進(jìn)行交換，直到中間群體中的所有個(gè)體都進(jìn)行交換；
[0018]步驟九、再次執(zhí)行局部搜索算子，將選出的較優(yōu)個(gè)體作為當(dāng)前解；
[0019]步驟十、以步驟四中訓(xùn)練合格的BP神經(jīng)網(wǎng)絡(luò)作為適應(yīng)度函數(shù)，計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度值，然后通過選擇算子，對群體進(jìn)行更新；
[0020]步驟十一、從新的種群中尋找最優(yōu)的個(gè)體并記錄下來，判斷最優(yōu)個(gè)體的適應(yīng)度值是否不再變化，如果還有變化則跳轉(zhuǎn)至步驟七，如果不再變化則輸出最優(yōu)個(gè)體，并進(jìn)行解碼，得到最優(yōu)的控制參數(shù)組合。
[0021]進(jìn)一步的，所述步驟七包括以下步驟:
[0022]為每個(gè)一個(gè)個(gè)體隨機(jī)的產(chǎn)生兩個(gè)基因位，交換兩個(gè)基因位上的值來產(chǎn)生領(lǐng)域范圍的個(gè)體，比較當(dāng)前個(gè)體與新產(chǎn)生領(lǐng)域范圍內(nèi)的個(gè)體的適應(yīng)度值，如果當(dāng)前個(gè)體是適應(yīng)度值較高，則將其作為當(dāng)前較優(yōu)個(gè)體，反之就用較高的相鄰個(gè)體來替換當(dāng)前個(gè)體作為較優(yōu)個(gè)體，如此循環(huán)，直到搜索到局部最優(yōu)解。
[0023]進(jìn)一步的，在步驟一中，所述發(fā)酵控制參數(shù)包括發(fā)酵溫度、發(fā)酵液pH值、發(fā)酵液溶解氧濃度、發(fā)酵液濁度或發(fā)酵液殘氮量。
[0024]進(jìn)一步的，在步驟四中，所述誤差范圍為BP神經(jīng)網(wǎng)絡(luò)預(yù)測發(fā)酵產(chǎn)物數(shù)量的預(yù)測值和實(shí)驗(yàn)測得的觀察值之間的線性回歸判定系數(shù)R2大于0.9。
[0025]進(jìn)一步的，所述交叉概率P。是在步驟五中組成初始種群時(shí)設(shè)定的。
[0026]本發(fā)明的有益效果為:本發(fā)明經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)直接作為Memetic算法的適應(yīng)度函數(shù)，再應(yīng)用Memetic算法對發(fā)酵過程進(jìn)行優(yōu)化控制，免去了 Memetic算法對微生物發(fā)酵進(jìn)行優(yōu)化控制時(shí)需要構(gòu)造復(fù)雜的適應(yīng)度函數(shù)的問題，在本發(fā)明中，只要用現(xiàn)有的發(fā)酵數(shù)據(jù)，不需要重新設(shè)計(jì)實(shí)驗(yàn)；進(jìn)一步的，本發(fā)明Memetic算法在傳統(tǒng)遺傳算法中引入局部搜索算子，加強(qiáng)了算法的局部搜索能力，每一代的進(jìn)化都對最優(yōu)解與全局解最優(yōu)解進(jìn)行比較，如果當(dāng)前最優(yōu)解比全局最優(yōu)解好，就用當(dāng)前最優(yōu)解代替全局最優(yōu)解，否則保留全局最優(yōu)解，使得解的質(zhì)量整體不斷向最優(yōu)解逼近，有效避免陷入局部最優(yōu)解，并且Memetic算法的采用全局搜索和局部搜索相結(jié)合的機(jī)制使得搜索效率大大加快，算法迭代次數(shù)減少，提高尋優(yōu)效率，因此本發(fā)明無需預(yù)先設(shè)計(jì)實(shí)驗(yàn)，即可得到發(fā)酵的最優(yōu)個(gè)體以及最優(yōu)發(fā)酵控制參數(shù)，提高發(fā)酵個(gè)體的搜索速率和收斂性。
【附圖說明】
[0027]圖1為本發(fā)明實(shí)施方式基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法的的控制流程圖。
【具體實(shí)施方式】
[0028]為詳細(xì)說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合實(shí)施方式并配合附圖詳予說明。
[0029]請參閱圖1，本發(fā)明實(shí)施方式一種基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，所述Memetic算法一種結(jié)合遺傳算法和局部搜索策略的新型智能算法，因此很多人又將Memetic算法稱為混合遺傳算法、遺傳局部優(yōu)化等。通過與局部優(yōu)化策略的結(jié)合，可以局部調(diào)整進(jìn)化后產(chǎn)生的新個(gè)體，強(qiáng)化了算法的局部搜索能力。
[0030]該基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，包括以下步驟:
[0031]1、選擇需要優(yōu)化控制的發(fā)酵控制參數(shù)，如發(fā)酵溫度、發(fā)酵液pH值、發(fā)酵液溶解氧濃度、發(fā)酵液濁度、發(fā)酵液殘氮量等，并每隔一定時(shí)間記錄控制參數(shù)的設(shè)定值及對應(yīng)的發(fā)酵產(chǎn)品的產(chǎn)量。經(jīng)過多批次的發(fā)酵，把這些批次的發(fā)酵數(shù)據(jù)作為發(fā)酵數(shù)據(jù)集。
[0032]2、把發(fā)酵數(shù)據(jù)集隨機(jī)分成兩部分，一部分為訓(xùn)練數(shù)據(jù)集，一部分為測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，其中，測試數(shù)據(jù)集不參與訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，而是用于測試經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測發(fā)酵產(chǎn)品產(chǎn)量的準(zhǔn)確性。一般測試數(shù)據(jù)集占總發(fā)酵數(shù)據(jù)集的6%左右。
[0033]3、構(gòu)建BP神經(jīng)網(wǎng)絡(luò)方法:把選定的發(fā)酵控制參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入層輸入節(jié)點(diǎn)，把發(fā)酵產(chǎn)品的產(chǎn)量作為BP神經(jīng)網(wǎng)絡(luò)的輸出層輸出節(jié)點(diǎn)，選擇適當(dāng)?shù)碾[含層節(jié)點(diǎn)數(shù)，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)。
[0034]4、使用所述訓(xùn)練數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，讓BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制參數(shù)與發(fā)酵產(chǎn)品產(chǎn)量之間的映射關(guān)系，用測試數(shù)據(jù)集對經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)品產(chǎn)量的準(zhǔn)確性進(jìn)行測試，如果經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)量的準(zhǔn)確性超出實(shí)驗(yàn)允許的誤差范圍之外，則重新進(jìn)行訓(xùn)練，如果在實(shí)驗(yàn)誤差允許的范圍內(nèi)(一般要求BP神經(jīng)網(wǎng)絡(luò)預(yù)測發(fā)酵產(chǎn)品產(chǎn)量的預(yù)測值和實(shí)驗(yàn)測得的觀察值之間的線性回歸判定系數(shù)(coefficient ofdeterminat1n) R2大于0.9)，則BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練合格。其中，訓(xùn)練合格的BP神經(jīng)網(wǎng)絡(luò)作為Memetic