CN104616072B - 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 - Google Patents
一种基于区间优化的提高谷氨酸发酵产物浓度的方法 Download PDFInfo
- Publication number
- CN104616072B CN104616072B CN201510034259.2A CN201510034259A CN104616072B CN 104616072 B CN104616072 B CN 104616072B CN 201510034259 A CN201510034259 A CN 201510034259A CN 104616072 B CN104616072 B CN 104616072B
- Authority
- CN
- China
- Prior art keywords
- glutamic acid
- mrow
- interval
- value
- acid fermentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 188
- 230000004151 fermentation Effects 0.000 title claims abstract description 188
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 235000013922 glutamic acid Nutrition 0.000 title claims abstract description 118
- 239000004220 glutamic acid Substances 0.000 title claims abstract description 118
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000009423 ventilation Methods 0.000 claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 30
- 239000000758 substrate Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract 2
- 125000000291 glutamic acid group Chemical group N[C@@H](CCC(O)=O)C(=O)* 0.000 abstract 1
- 239000002253 acid Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
本发明涉及一种基于区间优化的提高谷氨酸发酵产物浓度的方法，获取谷氨酸发酵过程历史生产数据，建立谷氨酸发酵过程的3层BP神经网络模型，将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型，将发酵过程PH值、发酵温度和通风量作为变量，谷氨酸发酵产物浓度作为优化目标，利用区间粒子群优化算法对谷氨酸发酵过程区间神经网络模型进行区间优化，得到使谷氨酸发酵产物浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值，在谷氨酸发酵过程中，根据最优发酵温度、最优通风量和最优发酵过程PH值进行谷氨酸发酵。
Description
技术领域
本发明属于复杂工业过程的区域优化控制领域，具体涉及一种基于区间优化的提高谷氨酸发酵产物浓度的方法。
背景技术
在工业过程的优化控制中，传统优化算法所获得的最优解都表现为解空间中的一个最优点，即点优化。但是在对复杂工业过程进行优化控制时，区域优化更为合适。所谓区域优化，就是最优解表现为一个区域，而不仅仅是一个点。区域优化是点优化概念的推广，因为一个“区域”可以看作是无数个“点”的集合，当区域边界收缩为一个“点”时即为点优化。对于一个动态过程来说，各个时刻“点数据”的集合组成一条曲线轨迹，而各个时刻的“区域数据”的集合则组成了一个区域轨迹，如图1所示。
采用区域优化的原因在于：(1)随着点优化的进行，当进入某一区域后，继续寻优对优化目标函数的影响作用已经不明显，这时完全可以将这一区域作为最终的优化结果以提高优化效率；(2)即使不考虑优化对象所依赖的过程知识造成的不可靠因素，仅是工程实际中噪声、扰动对工况的影响就使得点优化难以实现；(3)尤其对于一些不可逆过程，一旦输入严重偏离设定值，其所造成的严重后果是无法挽回的。在这种情况下使用区域优化策略，只要输入波动不超过区域优化设定的范围，都可以保证输出指标在一定的优化区域内；(4)在优化进行过程中随着工况的变化，过程参数及优化要求都可能发生改动，这时就需要多种优化方案，而区域优化可以提供包含多种优化方案的可行域。
“区间”是区域的一种表现形式，如果“点”数据定义为0维空间数据，则“区间”数据为1维空间数据，而“区域”数据则可定位为n维数据。一般来说，对于复杂工业过程的各个操作变量和状态变量而言，一维的区间数据即可满足区域控制的要求，因此区间优化是实现区域优化的一条有效途径。
发明内容
针对现有技术的不足，本发明提出一种基于区间优化的提高谷氨酸发酵产物浓度的方法。
本发明技术方案如下：
一种基于区间优化的提高谷氨酸发酵产物浓度的方法，包括以下步骤：
步骤1：获取谷氨酸发酵过程历史生产数据，包括发酵过程PH值、发酵温度、通风量、谷氨酸发酵产物浓度、菌体浓度、基质浓度和流加糖量；
步骤2：建立谷氨酸发酵过程的3层BP神经网络模型，将谷氨酸发酵过程历史生产数据中的发酵过程PH值、发酵温度、通风量、菌体浓度、基质浓度、流加糖量和谷氨酸发酵产物浓度作为该3层BP神经网络模型的输入层数据，将谷氨酸发酵过程历史生产数据中的下一个时刻谷氨酸发酵产物浓度、下一个时刻菌体浓度和下一个时刻基质浓度作为该3层BP神经网络模型的输出层数据，隐含层节点的作用函数和输出层节点的作用函数均为Sigmoid型函数；
步骤3：将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型：分别将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点的作用函数和输出层节点的作用函数扩张为区间函数，将谷氨酸发酵过程的3层BP神经网络模型的输入层的输入数据扩张为区间值，作为谷氨酸发酵过程区间神经网络模型的输入层数据，将谷氨酸发酵过程的3层BP神经网络模型的输入层、隐含层及输出层之间的基本点运算扩张为区间运算，谷氨酸发酵过程的3层BP神经网络模型的输入层的输入区间值数据为各输入变量值域内随机选取的一段连续的区域数据；
步骤4：将发酵过程PH值、发酵温度和通风量作为变量，谷氨酸发酵产物浓度作为优化目标，利用区间粒子群优化算法对谷氨酸发酵过程区间神经网络模型进行区间优化，得到使谷氨酸发酵产物浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值；
步骤4.1：设定粒子群算法的学习因子、种群规模q和迭代终止次数，确定发酵温度、通风量和发酵过程PH值的初始取值范围；
步骤4.2：将发酵温度、通风量和发酵过程PH值组成的向量值作为种群个体，种群个体维数为3，初始化种群个体的区间值及其速度；
步骤4.3：将初始化的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，将初始化的q个种群个体的区间值作为每个个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，即谷氨酸发酵产物浓度的区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值；
步骤4.4：判断更新迭代次数是否达到迭代终止次数，若是，则执行步骤4.7，否则，将惯性权重进行更新，执行步骤4.5；
步骤4.5：更新种群个体的区间值及其速度；
所述的更新种群个体的区间值及其速度的具体方法为：
(1)利用趋势减法迭代更新种群个体的速度：其中，w为惯性权重，c1、c2为粒子群算法的学习因子， 为迭代第k次的种群个体的速度，为迭代第k+1次的种群个体的速度，为迭代第k次的第i个种群个体的历史最优区间值，为迭代第k次的第i个种群个体的历史最优区间值的下限值，为迭代第k次的第i个种群个体的历史最优区间值的上限值，为迭代第k次的全局最优区间值，为迭代第k次的第i个种群个体的区间值，为迭代第k次的第i个种群个体的区间值的下限值，为迭代第k次的第i个种群个体的区间值的上限值；
(2)利用更新的种群个体的速度更新种群个体的区间值：其中，为迭代第k+1次的第i个种群个体的区间值。
步骤4.6：将更新的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，若更新的种群个体的区间值的适应度区间值大于该种群个体的历史最优区间值的适应度区间值，则将该更新的种群个体的区间值作为该种群个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值，执行步骤4.4；
步骤4.7：将当前全局最优区间值中的发酵温度区间值、通风量区间值、发酵过程PH值区间值分别作为最优发酵温度、最优通风量、最优发酵过程PH值。
步骤5：在谷氨酸发酵过程中，根据最优发酵温度、最优通风量和最优发酵过程PH值进行谷氨酸发酵。
所述的将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点和输出层节点的作用函数扩张为区间函数的方法为自然区间扩张方法。
本发明的有益效果是：
本发明提出一种基于区间优化的提高谷氨酸发酵产物浓度的方法，区间粒子群优化方法对谷氨酸发酵过程区间神经网络模型进行优化，得到使谷氨酸浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值，能实现对谷氨酸发酵过程的精确控制；同时在点优化中，发酵温度、最优通风量和最优发酵过程PH值只要偏离优化设定值，谷氨酸发酵过程的控制器便会对整个谷氨酸发酵系统施加调整控制，导致能源的消耗和生产成本的急剧上升，而区间粒子群优化方法优化的值是区间值，有一定的变化范围，从而避免了这种情况；区间粒子群优化方法是一种包含多种优化方案的优化方法。
附图说明
图1为区域优化示意图；
图2为本发明具体实施方式中基于区间优化的提高谷氨酸发酵产物浓度的方法的流程图；
图3为本发明具体实施方式中谷氨酸发酵过程示意图；
图4为本发明具体实施方式中建立的3层BP神经网络模型的示意图；
图5为本发明具体实施方式中将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型的示意图；
图6为本发明具体实施方式中产酸率的优化结果示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于区间优化的提高谷氨酸发酵产物浓度的方法，如图2所示，包括以下步骤：
步骤1：获取谷氨酸发酵过程历史生产数据，包括发酵过程PH值、发酵温度T、通风量W、谷氨酸发酵产物浓度P、菌体浓度X、基质浓度S和流加糖量L。
本实施方式中，获取的谷氨酸发酵过程历史生产数据为间隔一个小时的生产数据，谷氨酸发酵过程示意图如图3所示，谷氨酸发酵过程的输入为发酵过程PH值PH(t)、发酵温度T(t)、通风量W(t)、菌体浓度X(t)、基质浓度S(t)、流加糖量L(t)、谷氨酸发酵产物浓度P(t)，谷氨酸发酵过程的输出为下一个时刻谷氨酸发酵产物浓度P(t+Δt)、下一个时刻菌体浓度X(t+Δt)、下一个时刻基质浓度S(t+Δt)。
步骤2：设定输入层的节点数为n，隐含层的节点数为m，延迟时间为Δt，建立谷氨酸发酵过程的3层BP神经网络模型，将谷氨酸发酵过程历史生产数据中的发酵过程PH值、发酵温度、通风量、菌体浓度、基质浓度、流加糖量和谷氨酸发酵产物浓度作为该3层BP神经网络模型的输入层数据，将谷氨酸发酵过程历史生产数据中的下一个时刻谷氨酸发酵产物浓度、下一个时刻菌体浓度和下一个时刻基质浓度作为该3层BP神经网络模型的输出层数据，隐含层节点的作用函数和输出层节点的作用函数均为Sigmoid型函数。
本实施方式中，建立的3层BP神经网络模型如图4所示，本3层BP神经网络模型为静态的BP神经网络模型，为了描述动态的谷氨酸发酵过程，对静态的BP神经网络模型引入延迟，其延迟时间为Δt为1小时。
输入层的节点数为n＝14，隐含层的节点数为m＝10，输入层到隐含层的权值为wji(j＝1，2，…，m；i＝1，2，…n)，隐含层到输出层的权值为wj(i＝1，2…，m)，隐含层的阈值为θj(j＝1，2，…，m)，输出层的阈值为θp(p＝1)。
隐含层节点和输出层节点的作用函数为Sigmoid型函数如式(1)所示：
因此，设xi为谷氨酸发酵过程输入数据，oi＝xi(i＝1，2，…，n)为该3层BP神经网络模型的输入层数据，隐含层节点的输出数据如式(2)所示：
oj＝f(netj) (2)
其中，j＝1，2，…，m，
输出层节点的输出数据如式(3)所示：
op＝f(netp) (3)
其中，p＝1，
本实施方式中，每个变量采用4组数据，每组数据30个，分别对应发酵的30小时。3层BP神经网络模型经过40000次学习训练后，该3层BP神经网络模型输出数据与实际数据的误差平方和为2.55×10-4，其精度满足谷氨酸发酵的要求。
步骤3：将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型：分别将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点的作用函数和输出层节点的作用函数扩张为区间函数，将谷氨酸发酵过程的3层BP神经网络模型的输入层的输入数据扩张为区间值，作为谷氨酸发酵过程区间神经网络模型的输入层数据，将谷氨酸发酵过程的3层BP神经网络模型的输入层、隐含层及输出层之间的基本点运算扩张为区间运算，谷氨酸发酵过程的3层BP神经网络模型的输入层的输入区间值数据为各输入变量值域内随机选取的一段连续的区域数据。
将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点和输出层节点的作用函数扩张为区间函数的方法为自然区间扩张方法，得到的区间函数如式(4)所示：
将谷氨酸发酵过程的3层BP神经网络模型的输入层数据的区间值作为谷氨酸发酵过程区间神经网络模型的输入层数据，如图5所示。
将谷氨酸发酵过程区间神经网络模型的输入层数据如式(5)所示：
其中， x i为输入层数据的下限值，为输入层数据的上限值。
得到的谷氨酸发酵过程区间神经网络模型的隐含层输出数据如式(6)所示：
其中，j＝1，2，…，m；
得到的谷氨酸发酵过程区间神经网络模型的输出层输出数据如式(7)所示：
其中，p＝1
步骤4：将发酵过程PH值、发酵温度和通风量作为变量，谷氨酸发酵产物浓度作为优化目标，利用区间粒子群优化算法对谷氨酸发酵过程区间神经网络模型进行区间优化，得到使谷氨酸发酵产物浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值。
本实施方式中，首先确定每1个小时发酵温度、通风量和发酵过程PH值的区间范围，然后从第1个小时开始优化，得到第1个小时的最优产酸率，然后将产酸率和各个自变量区间范围再代入到第2个小时中，优化出第2个小时的最优产酸率，以此类推，直至得出第20个小时的最优产酸率。区间粒子群优化方法对谷氨酸发酵过程每一个小时的优化详细步骤如下：
步骤4.1：设定粒子群算法的学习因子、种群规模q和迭代终止次数，确定发酵温度、通风量和发酵过程PH值的初始取值范围。
本实施方式中，设定的粒子群算法的学习因子c1＝2，c2＝2，种群规模q＝30，迭代终止次数为40，确定发酵温度的初始取值范围为[33.01，34.10]，通风量的的初始取值范围为[13.6，15.2]，和发酵过程PH值的初始取值范围为[6.3，7.1]。
步骤4.2：将发酵温度、通风量和发酵过程PH值组成的向量值作为种群个体，种群个体维数为3，初始化种群个体的区间值及其速度。
步骤4.3：将初始化的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，将初始化的q个种群个体的区间值作为每个个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，即谷氨酸发酵产物浓度的区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值。
本实施方式中，设(μ，σ＝1.2…，n)为种群个体的适应度区间值，令其中，
利用适应度函数判断种群个体的区间值的适应度区间值的大小的方法为：设定可信度参数λ，λ的取值位于0.5与1之间，记Xμ大于或等于Xσ的可信度为P(Xμ≥Xσ)，若P(Xμ≥Xσ)＞λ，则说明Xμ大于或等于Xσ。
可信度P(Xμ≥Xσ)如公式(8)所示：
其中，
步骤4.4：判断更新迭代次数是否达到迭代终止次数40，若是，则执行步骤4.7，否则将惯性权重进行更新，执行步骤4.5。
惯性权重w控制着种群个体的速度前一时刻变化量对当前变化量的影响，如果w较大，则影响较大，能够搜索到以前未能达到的区域，整个算法的全局搜索能力加强，有利于跳出局部极小点；而w值较小，则前一动量项的影响较小，主要是在当前解的附近搜索，局部搜索能力较强，有利于算法的收敛。一般来说，让惯性权值随着迭代次数的增加在1.4到0之间能逐步减少，可以取得较好的效果。
因此将惯性权重进行更新的方法为将惯性权重w变为原来的一半。
步骤4.5：利用趋势减法迭代更新种群个体的区间值及其速度。
利用趋势减法迭代更新种群个体的速度，公式如式(9)所示：
其中，符号“——”进行表示“趋势减法”， 为迭代第k次的种群个体的速度，为迭代第k+1次的种群个体的速度，为迭代第k次的第i个种群个体的历史最优区间值，为迭代第k次的第i个种群个体的历史最优区间值的下限值，为迭代第k次的第i个种群个体的历史最优区间值的上限值，为迭代第k次的全局最优区间值，为迭代第k次的第i个种群个体的区间值，为迭代第k次的第i个种群个体的区间值的下限值，为迭代第k次的第i个种群个体的区间值的上限值。
利用更新的种群个体的速度更新种群个体的区间值，其公式如式(10)所示：
其中，为迭代第k+1次的第i个种群个体的区间值。
步骤4.6：将更新的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，若更新的种群个体的区间值的适应度区间值大于该种群个体的历史最优区间值的适应度区间值，则将该更新的种群个体的区间值作为该种群个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值，执行步骤4.4。
步骤4.7：将当前全局最优区间值中的发酵温度区间值、通风量区间值、发酵过程PH值区间值分别作为最优发酵温度、最优通风量、最优发酵过程PH值。
步骤5：在谷氨酸发酵过程中，根据最优发酵温度、最优通风量和最优发酵过程PH值进行谷氨酸发酵。
本实施方式中，优化结果如图6和表1所示，其中图6为产酸率的优化结果，得到最优产酸率的下限值和上限值，表1为各操作变量整体区间优化结果。
表1各操作变量整体区间优化结果
Claims (2)
1.一种基于区间优化的提高谷氨酸发酵产物浓度的方法，其特征在于，包括以下步骤：
步骤1：获取谷氨酸发酵过程历史生产数据，包括发酵过程PH值、发酵温度、通风量、谷氨酸发酵产物浓度、菌体浓度、基质浓度和流加糖量；
步骤2：建立谷氨酸发酵过程的3层BP神经网络模型，将谷氨酸发酵过程历史生产数据中的发酵过程PH值、发酵温度、通风量、菌体浓度、基质浓度、流加糖量和谷氨酸发酵产物浓度作为该3层BP神经网络模型的输入层数据，将谷氨酸发酵过程历史生产数据中的下一个时刻谷氨酸发酵产物浓度、下一个时刻菌体浓度和下一个时刻基质浓度作为该3层BP神经网络模型的输出层数据，隐含层节点的作用函数和输出层节点的作用函数均为Sigmoid型函数；
步骤3：将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型：分别将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点的作用函数和输出层节点的作用函数扩张为区间函数，将谷氨酸发酵过程的3层BP神经网络模型的输入层的输入数据扩张为区间值，作为谷氨酸发酵过程区间神经网络模型的输入层数据，将谷氨酸发酵过程的3层BP神经网络模型的输入层、隐含层及输出层之间的基本点运算扩张为区间运算，谷氨酸发酵过程的3层BP神经网络模型的输入层的输入区间值数据为各输入变量值域内随机选取的一段连续的区域数据；
步骤4：将发酵过程PH值、发酵温度和通风量作为变量，谷氨酸发酵产物浓度作为优化目标，利用区间粒子群优化算法对谷氨酸发酵过程区间神经网络模型进行区间优化，得到使谷氨酸发酵产物浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值；
步骤4.1：设定粒子群算法的学习因子、种群规模q和迭代终止次数，确定发酵温度、通风量和发酵过程PH值的初始取值范围；
步骤4.2：将发酵温度、通风量和发酵过程PH值组成的向量值作为种群个体，种群个体维数为3，初始化种群个体的区间值及其速度；
步骤4.3：将初始化的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，将初始化的q个种群个体的区间值作为每个个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，即谷氨酸发酵产物浓度的区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值；
所述每个种群个体的历史最优区间值的适应度区间值的计算过程如下所示：
设为种群个体的适应度区间值，令其中，n为输入层的节点数；
利用适应度函数判断种群个体的区间值的适应度区间值的大小的方法为：设定可信度参数λ，记Xμ大于或等于Xσ的可信度为P(Xμ≥Xσ)，若P(Xμ≥Xσ)＞λ，则说明Xμ大于或等于Xσ；
可信度P(Xμ≥Xσ)如下所示：
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>&mu;</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>X</mi>
<mi>&sigma;</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>&sigma;</mi>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>&mu;</mi>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>&sigma;</mi>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中，
步骤4.4：判断更新迭代次数是否达到迭代终止次数，若是，则执行步骤4.7，否则，将惯性权重进行更新，执行步骤4.5；
所述将惯性权重进行更新的具体过程是：
将惯性权重进行更新的方法为将惯性权重w变为原来的一半；
步骤4.5：更新种群个体的区间值及其速度；
所述的更新种群个体的区间值及其速度的具体方法为：
利用趋势减法迭代更新种群个体的速度：
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>wV</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，w为惯性权重，c1、c2为粒子群算法的学习因子， 为迭代第k次的种群个体的速度，为迭代第k+1次的种群个体的速度，为迭代第k次的第i个种群个体的历史最优区间值，为迭代第k次的第i个种群个体的历史最优区间值的下限值，勾迭代第k次的第i个种群个体的历史最优区间值的上限值，为迭代第k次的全局最优区间值，为迭代第k次的第i个种群个体的区间值，为迭代第k次的第i个种群个体的区间值的下限值，为迭代第k次的第i个种群个体的区间值的上限值；
利用更新的种群个体的速度更新种群个体的区间值：
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>V</mi>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>;</mo>
</mrow>
其中，为迭代第k+1次的第i个种群个体的区间值；
步骤4.6：将更新的q个种群个体的区间值输入谷氨酸发酵过程区间神经网络模型，得到谷氨酸发酵产物浓度的区间值，若更新的种群个体的区间值的适应度区间值大于该种群个体的历史最优区间值的适应度区间值，则将该更新的种群个体的区间值作为该种群个体的历史最优区间值，比较每个种群个体的历史最优区间值的适应度区间值，将适应度区间值最大的种群个体的历史最优区间值作为全局最优区间值，执行步骤4.4；
步骤4.7：将当前全局最优区间值中的发酵温度区间值、通风量区间值、发酵过程PH值区间值分别作为最优发酵温度、最优通风量、最优发酵过程PH值；
步骤5：在谷氨酸发酵过程中，根据最优发酵温度、最优通风量和最优发酵过程PH值进行谷氨酸发酵。
2.根据权利要求1所述的基于区间优化的提高谷氨酸发酵产物浓度的方法，其特征在于，所述的将谷氨酸发酵过程的3层BP神经网络模型的隐含层节点和输出层节点的作用函数扩张为区间函数的方法为自然区间扩张方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510034259.2A CN104616072B (zh) | 2015-01-23 | 2015-01-23 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510034259.2A CN104616072B (zh) | 2015-01-23 | 2015-01-23 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104616072A CN104616072A (zh) | 2015-05-13 |
| CN104616072B true CN104616072B (zh) | 2017-12-01 |
Family
ID=53150508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510034259.2A Expired - Fee Related CN104616072B (zh) | 2015-01-23 | 2015-01-23 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104616072B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069323B (zh) * | 2015-08-04 | 2018-05-01 | 莆田学院 | 基于Memetic算法的微生物发酵控制优化方法 |
| CN105095587B (zh) * | 2015-08-04 | 2018-05-01 | 莆田学院 | 基于细菌觅食算法的微生物发酵优化方法 |
| CN105117616B (zh) * | 2015-08-04 | 2018-04-27 | 莆田学院 | 基于粒子群算法的微生物发酵优化方法 |
| CN108470214B (zh) * | 2018-03-26 | 2020-07-14 | 东北大学 | 一种基于区间优化算法的有界误差参数估计方法 |
| JP2020162549A (ja) | 2019-03-29 | 2020-10-08 | 味の素株式会社 | 制御装置、制御方法およびプログラムならびに有機化合物の製造方法 |
| CN117742226B (zh) * | 2024-02-21 | 2024-05-14 | 南京国荣环保科技有限公司 | 基于多参数微生物传感的智能粪便处理控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004046303A (ja) * | 2002-07-09 | 2004-02-12 | Fuji Electric Holdings Co Ltd | 電磁石の最適構造設計方法 |
| JP2009211294A (ja) * | 2008-03-03 | 2009-09-17 | Nippon Hoso Kyokai <Nhk> | ニューラルネットワーク装置及びそれを用いたロボットカメラ制御装置並びにニューラルネットワークプログラム |
| CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
-
2015
- 2015-01-23 CN CN201510034259.2A patent/CN104616072B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004046303A (ja) * | 2002-07-09 | 2004-02-12 | Fuji Electric Holdings Co Ltd | 電磁石の最適構造設計方法 |
| JP2009211294A (ja) * | 2008-03-03 | 2009-09-17 | Nippon Hoso Kyokai <Nhk> | ニューラルネットワーク装置及びそれを用いたロボットカメラ制御装置並びにニューラルネットワークプログラム |
| CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
Non-Patent Citations (1)
| Title |
|---|
| "区间优化算法的研究及应用";房少纯;《中国优秀硕士学位论文全文数据库信息科技辑》;20140715(第7期);正文摘要、第2.1.3节、第3.1.3节、第3.3节、第4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104616072A (zh) | 2015-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104616072B (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
| CN106502092B (zh) | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| WO2023019601A1 (zh) | 基于结构优化算法的复值神经网络的信号调制识别方法 | |
| CN116627027B (zh) | 一种基于改进型pid最优鲁棒性控制方法 | |
| CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
| CN101315544A (zh) | 一种温室智能控制方法 | |
| CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
| CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN116401756B (zh) | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 | |
| CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
| CN111126132A (zh) | 一种基于孪生网络的学习目标跟踪算法 | |
| CN104123706A (zh) | 一种基于自适应免疫遗传算法的图像增强方法 | |
| CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
| CN104317195A (zh) | 一种基于改进极限学习机的非线性逆模型控制方法 | |
| Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
| CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
| CN108121206A (zh) | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 | |
| CN112650053A (zh) | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 | |
| Setiawan et al. | Sequence to sequence deep learning architecture for forecasting temperature and humidity inside closed space | |
| CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
| CN117117850A (zh) | 一种短期用电负荷预测方法及系统 | |
| Fei et al. | Chinese Grain Production Forecasting Method Based on Particle Swarm Optimization-based Support Vector Machine | |
| CN105334730A (zh) | 加热炉氧含量的iga优化t-s模糊arx建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171201 Termination date: 20220123 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |