算法的適應(yīng)度函數(shù)。
[0035]5、對(duì)選定的發(fā)酵控制參數(shù)進(jìn)行編碼，每個(gè)發(fā)酵控制參數(shù)根據(jù)實(shí)驗(yàn)要求的精度和發(fā)酵參數(shù)取值范圍，進(jìn)行二進(jìn)制編碼。設(shè)某一參數(shù)X的取值范圍在[a，b]，編碼長(zhǎng)度為n，則編碼精度為(b-a)/(2n_l)，只要確定了實(shí)驗(yàn)要求的精度和發(fā)酵參數(shù)的取值范圍，就可算出需要編碼的二進(jìn)制符號(hào)串的長(zhǎng)度。經(jīng)過二進(jìn)制編碼后的每個(gè)發(fā)酵控制參數(shù)可以看作一個(gè)基因，多個(gè)基因串連組成一條染色體，一條染色體代表一個(gè)體，許多個(gè)隨機(jī)個(gè)體組成初始種群，在組成初始種群時(shí)設(shè)置算法參數(shù)，如種群規(guī)模、變異概率、交叉概率等。
[0036]6、執(zhí)行交叉算子，依據(jù)抗體適應(yīng)度值和抗體濃度所決定的抗體選擇概率，選擇若干抗體，從這些選擇的抗體中隨機(jī)選擇兩個(gè)抗體，由交叉概率P。來(lái)控制交叉位，對(duì)交叉位的基因進(jìn)。
[0037]7、執(zhí)行局部搜索算子，本發(fā)明采用爬山算法實(shí)現(xiàn)局部搜索，對(duì)于每個(gè)一個(gè)個(gè)體隨機(jī)地產(chǎn)生兩個(gè)基因位，通過交換兩個(gè)基因位上的值來(lái)產(chǎn)生領(lǐng)域范圍的個(gè)體，進(jìn)行3次搜索過程，選出較優(yōu)個(gè)體，最終將適應(yīng)度高的個(gè)體作為當(dāng)前解。
[0038]8、執(zhí)行變異算子，以概率Pc生成一個(gè)“一點(diǎn)交叉”的交叉位，隨機(jī)地從中間群體中選擇兩個(gè)個(gè)體，對(duì)交叉位基因進(jìn)行交換，直到中間群體中的所有個(gè)體都被選擇過。
[0039]9、再次執(zhí)行局部搜索算子，對(duì)種群中的每一個(gè)個(gè)體進(jìn)行局部探索，采用爬山算法實(shí)現(xiàn)局部搜索，選出較優(yōu)個(gè)體，作為當(dāng)前解。
[0040]10、更新所有個(gè)體，以訓(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)的適應(yīng)度值，通過選擇算子，進(jìn)行群體更新。
[0041]11、從新的種群中尋找最優(yōu)的個(gè)體并記錄下來(lái)，判斷最優(yōu)個(gè)體的適應(yīng)度值是否不再變化，如果還有變化則繼續(xù)循環(huán)計(jì)算，如果不再變化則跳出循環(huán)，輸出最優(yōu)個(gè)體，并進(jìn)行解碼，得到最優(yōu)的參數(shù)控制組合。
[0042]在本發(fā)明實(shí)施方式中，Memetic算法采用的這種全局搜索和局部搜索相結(jié)合的機(jī)制使得其搜索效率在某些問題領(lǐng)域比傳統(tǒng)的遺傳算法快幾個(gè)數(shù)量級(jí)，顯示出了較高的尋優(yōu)效率，并被嘗試應(yīng)用于求解各種經(jīng)典的優(yōu)化問題及各類工程優(yōu)化問題。
[0043]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)發(fā)酵實(shí)驗(yàn)，然后不斷的實(shí)施設(shè)計(jì)的多種發(fā)酵實(shí)驗(yàn)方案，得到發(fā)酵實(shí)驗(yàn)數(shù)據(jù)后再進(jìn)行分析優(yōu)化控制策略。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(duì)發(fā)酵過程進(jìn)行優(yōu)化控制(尋找最優(yōu)個(gè)體)，因此不需要重復(fù)發(fā)酵實(shí)驗(yàn)，只要用現(xiàn)有的發(fā)酵數(shù)據(jù)，就能找到優(yōu)化的發(fā)酵控制策略。例如，某發(fā)酵工廠需要第三方去做發(fā)酵工藝優(yōu)化方案，通過本發(fā)明就不需要重新設(shè)計(jì)發(fā)酵實(shí)驗(yàn)，本發(fā)明直接利用發(fā)酵工廠現(xiàn)在的發(fā)酵歷史數(shù)據(jù)進(jìn)行分析，就能找出優(yōu)化的發(fā)酵控制策略，使發(fā)酵優(yōu)化控制更加方便、快捷。通過本發(fā)明方法，可以繪制出優(yōu)化的發(fā)酵控制軌線，操作員只需要按優(yōu)化的控制軌線進(jìn)行控制參數(shù)設(shè)定，就能有效改善發(fā)酵過程。
[0044]在現(xiàn)有的Memetic算法等進(jìn)化算法中，控制的難點(diǎn)在于構(gòu)建適合的算法的適應(yīng)度函數(shù)，特別對(duì)高度復(fù)雜的微生物發(fā)酵過程，構(gòu)建適應(yīng)度函數(shù)更加困難，本發(fā)明通過訓(xùn)練合格的BP神經(jīng)網(wǎng)絡(luò)剛好可以作為Memetic算法的適應(yīng)度函數(shù)，解決了構(gòu)建適應(yīng)度函數(shù)難的問題。免去了免疫遺傳算法對(duì)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。
[0045]本發(fā)明在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(duì)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，在本Memetic算法中，除了局部搜索算子，其余的步驟都是全局搜索步驟，全局搜索其實(shí)就是遺傳算法，局部搜索算子只是嵌入到全局搜索的步驟中。同時(shí)，Memetic算法的這種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。
[0046]以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1.基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，其特征在于，包括以下步驟: 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(duì)應(yīng)的發(fā)酵產(chǎn)物的數(shù)量； 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(cè)試數(shù)據(jù)集兩個(gè)部分；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； 步驟四、使用所述訓(xùn)練數(shù)據(jù)集對(duì)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(cè)試數(shù)據(jù)集檢測(cè)經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(duì)所述BP神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練；步驟五、根據(jù)發(fā)酵控制參數(shù)的精度和取值范圍對(duì)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； 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(duì)兩個(gè)個(gè)體中交叉位的基因進(jìn)行交叉操作； 步驟七、采用爬山算法執(zhí)行局部搜索算子； 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(duì)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；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； 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(duì)群體進(jìn)行更新； 步驟十一、從新的種群中尋找最優(yōu)的個(gè)體并記錄下來(lái)，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。2.根據(jù)權(quán)利要求1所述的基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，其特征在于，所述步驟七包括以下步驟: 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(lái)產(chǎn)生領(lǐng)域范圍的個(gè)體； 重復(fù)兩次以上搜索過程，選出較優(yōu)個(gè)體，將適應(yīng)度高的個(gè)體作為當(dāng)前解。3.根據(jù)權(quán)利要求1所述的基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，其特征在于，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。4.根據(jù)權(quán)利要求1所述的基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，其特征在于，在步驟四中，所述誤差范圍為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)發(fā)酵產(chǎn)物數(shù)量的預(yù)測(cè)值和實(shí)驗(yàn)測(cè)得的觀察值之間的線性回歸判定系數(shù)R2大于0.9。5.根據(jù)權(quán)利要求1所述的基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，其特征在于，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。
【專利摘要】本發(fā)明公開了一種基于Memetic算法的微生物發(fā)酵控制優(yōu)化方法，包括以下步驟：建立微生物發(fā)酵數(shù)據(jù)集、構(gòu)建BP神經(jīng)網(wǎng)絡(luò)、使用所述訓(xùn)練數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、對(duì)微生物發(fā)酵控制參數(shù)進(jìn)行二進(jìn)制編碼、執(zhí)行交叉算子、采用爬山算法執(zhí)行局部搜索算子、執(zhí)行變異算子、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、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(duì)群體進(jìn)行更新、從新的種群中尋找最優(yōu)的個(gè)體并記錄最優(yōu)的控制參數(shù)組合。本發(fā)明可根據(jù)現(xiàn)有的發(fā)酵數(shù)據(jù)獲取取最優(yōu)的控制參數(shù)組合，不需要重新設(shè)計(jì)實(shí)驗(yàn)。
【IPC分類】G06F19/10
【公開號(hào)】CN105069323
【申請(qǐng)?zhí)枴緾N201510469590
【發(fā)明人】彭建升
【申請(qǐng)人】莆田學(xué)院
【公開日】2015年11月18日
【申請(qǐng)日】2015年8月4日