CN105069220B

CN105069220B - 基于bp神经网络免疫遗传算法的微生物发酵优化方法

Info

Publication number: CN105069220B
Application number: CN201510469624.2A
Authority: CN
Inventors: 彭建升
Original assignee: Putian University
Current assignee: Putian University
Priority date: 2015-08-04
Filing date: 2015-08-04
Publication date: 2018-02-13
Anticipated expiration: 2035-08-04
Also published as: CN105069220A

Abstract

本发明公开了一种基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，包括以下步骤：建立微生物发酵数据集、构建BP神经网络、使用所述训练数据集对BP神经网络进行训练、对微生物发酵控制参数进行二进制编码、对所述初始种群执行提取疫苗算子、执行交叉算子、执行变异算子、行疫苗接种算子、以步骤四中训练合格的BP神经网络作为适应度函数计算群体中每个个体的适应度值、执行免疫检测算子、计算个体浓度，执行免疫平衡算子、从发酵所产生的新种群中寻找最优的个体。本发明可根据现有的发酵数据获取取最优的控制参数组合，不需要重新设计实验。

Description

基于BP神经网络免疫遗传算法的微生物发酵优化方法

技术领域

本发明涉及微生物发酵领域，特别是涉及一种基于BP神经网络免疫遗传算法的微生物发酵优化方法。

背景技术

微生物发酵过程是高度复杂且非线性的过程，难于用精确的数学模型对发酵过程进行建模。近几年，随着计算智能算法的发展，越来越多的计算智能算法被应用到微生物发酵过程建模与优化控制上。如应用BP神经网络、遗传算法等对发酵过程进行建模与优化控制。现有技术常把BP神经网络、遗传算法单独应用于发酵过程的建模与优化控制。也有联合应用BP神经网络与遗传算法对发酵过程进行建模与优化控制，但这种联合应用常常只利用遗传算法优化BP神经网络的结构，再应用优化后的BP神经网络对发酵过程进行建模与优化控制。另外传统的遗传算法优化发酵控制也存在如下主要问题：

1、传统遗传算法在个体更新后并没有判断其是否得到优化，以至于经过交叉、变异后的个体出现不如父代的退化现象；

2、传统遗传算法容易出现早熟收敛的问题，陷入局部最优解；

3、传统遗传算法适应度值高的个体在一代中被选择的概率高，相应的浓度高，适应度值低的个体在一代中被选择的概率低，相应的浓度低，没有自我调节能力，不利于保持群体中个体的多样性；

4、现有的发酵优化方法都要通过预先设计实验，然后实施设计的实验方案，得到实验数据再进行分析优化控制策略。

发明内容

为解决上述技术问题，本发明提供一种基于BP神经网络免疫遗传算法的微生物发酵优化方法，用于解决现有微生物发酵控制过程需要预先设计发酵实验，并且不易得到发酵最优个体和最优发酵控制参数的问题。

本发明是这样实现的，一种基于BP神经网络免疫遗传算法的微生物发酵优化方法，包括以下步骤：

步骤一、建立微生物发酵数据集，所述发酵数据集包括微生物发酵过程中的发酵控制参数以及与发酵控制参数对应的发酵产物数量；

步骤二、将所述微生物发酵数据集随机分成训练数据集与测试数据集两个部分；

步骤三、构建BP神经网络，其中，发酵控制参数作为BP神经网络的输入层输入节点，发酵产物数量作为BP神经网络的输出层输出节点，设定隐含层节点数量；

步骤四、使用所述训练数据集对BP神经网络进行训练，使BP神经网络学习控制参数与发酵产物数量之间的映射关系，使用所述测试数据集检测经过训练的BP神经网络预测产物数量的准确性是否在预设的误差范围内，若否，则对所述BP神经网络重新进行训练；

步骤五、根据发酵控制参数的精度和取值范围对每个所述微生物发酵控制参数进行二进制编码，将两个以上二进制编码后的发酵控制参数串连成一条染色体，一条染色体为一个个体，将两个以上个体随机组成初始种群；

步骤六、对所述初始种群执行提取疫苗算子：所述疫苗是指发酵过程中每一代发酵产物数量最优值的估计值，建立动态的疫苗库，若当前发酵产物数量最优解比疫苗库中最差的疫苗的适应度值高，则用当前最优解取代所述最差的疫苗；

步骤七、执行交叉算子：选择两个以上个体，从所述个体中随机选择两个个体，根据预先设定的交叉概率P_c对两个个体中交叉位的基因进行交叉操作；

步骤八、执行变异算子：为进行交叉操作后的个体的每一位基因位产生对应的随机数rand，根据预先设定变异概率P_m判断所述个体的每一位基因位的随机数rand是否大于预设的变异概率P_m，若是，则对对应基因位进行变异运算，若否，则不进行变异运算；

步骤九、执行疫苗接种算子：按预设比例a从抗体群体中选出两个以上个体，对所选出的个体进行疫苗接种操作；在进行疫苗接种操作时，依据预设的概率P_i判断所述个体的每个基因位是否接受疫苗接种，若接受接种，则用疫苗相应基因位上的基因值修改当前抗体的相应基因；

步骤十、以步骤四中训练合格的BP神经网络作为适应度函数计算群体中每个个体的适应度值；

步骤十一、执行免疫检测算子：通过免疫检测算子比较步骤九中接种疫苗前后个体的适应度值是否提高，若无，则用父代的个体替代接种后的个体参与群体选择；

步骤十二、计算个体浓度，执行免疫平衡算子，使浓度越高的个体越受到抑制，浓度越低的个体越受到促进；

步骤十三、从发酵所产生的新种群中寻找最优的个体并记录，判断最优个体的适应度值是否不再变化，如果还有变化则跳转至步骤七，如果不再变化则输出最优个体，并进行解码，得到最优的控制参数组合。

进一步的，在步骤一中，所述发酵控制参数包括发酵温度、发酵液pH值、发酵液溶解氧浓度、发酵液浊度或发酵液残氮量。

进一步的，在步骤二中，所述测试数据集占总微生物发酵数据集的5％～7％。

进一步的，在步骤四中，所述误差范围为BP神经网络预测发酵产物数量的预测值和实验测得的观察值之间的线性回归判定系数R²大于0.9。

进一步的，所述变异概率P_m和交叉概率P_c是在步骤五中组成初始种群时设定的。

本发明的有益效果：本发明经过训练的BP神经网络直接作为免疫遗传算法的适应度函数，再应用免疫遗传算法对发酵过程进行优化控制，免去了免疫遗传算法对微生物发酵进行优化控制时需要构造复杂的适应度函数的问题，在本发明中，只要用现有的发酵数据，不需要重新设计实验；进一步的，在本发明免疫遗传算法中，经过交叉、变异、疫苗接种算子的作用后，新生的个体需要经过免疫检测算子操作，有效避免子代个体退化，并通过引入疫苗接种算子，用疫苗的信息来替换随机选出的个体的某些基因位，从而使个体向最优化的解逼近，加快了算法的收敛速度，避免陷入局部最优解，再次，通过免疫遗传算法引入免疫平衡算子，对浓度高的抗体进行抑制，反之对浓度较低的抗体进行促进，维持了抗体的多样性及免疫平衡，从而能得到发酵产生的最优个体和最优个体发酵控制参数组合。

附图说明

图1为本发明实施方式基于BP神经网络免疫遗传算法的微生物发酵优化方法的流程图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

请参阅图1，本发明一实施方式为：一种基于BP神经网络免疫遗传算法的微生物发酵优化方法，所述免疫遗传算法为为了弥补遗传算法的不足，在遗传算法的基础上引入生物免疫机制，算法中得用先验知识构造疫苗，并借鉴免疫系统能够产生和维持多样性抗体的能力，以及自我调解问题能力，在遗传算法的整体框架上引入免疫机制，而形成免疫遗传算法。

该基于BP神经网络免疫遗传算法的微生物发酵优化方法包括以下步骤：

一、建立微生物发酵数据集：选择需要优化控制的发酵控制参数，如发酵温度、发酵液pH值、发酵液溶解氧浓度、发酵液浊度、发酵液残氮量等，并每隔一定时间记录发酵过程中控制参数的设定值及对应的发酵产品的产量，经过多批次的发酵，把这些批次的发酵数据作为发酵数据集。

二、把发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集，训练数据集用来训练BP神经网络，测试数据集不参与训练BP神经网络，而是用于测试经过训练的BP神经网络预测发酵产品产量的准确性。优选的，测试数据集占总发酵数据集的6％左右。

三、构建BP神经网络：把选定的发酵控制参数作为BP神经网络的输入层输入节点，把发酵产品的产量作为BP神经网络的输出层输出节点，选择适当的隐含层节点数，构建三层BP神经网络。

四、训练BP神经网络：通过训练数据集对BP神经网络进行训练，让BP神经网络学习控制参数与发酵产品产量之间的映射关系，用测试数据集对经过训练的BP神经网络预测产品产量的准确性进行测试，如果经过训练的BP神经网络预测产量的准确性超出实验允许的误差范围之外，则重新进行训练，如果在实验误差允许的范围内(一般要求BP神经网络预测发酵产品产量的预测值和实验测得的观察值之间的线性回归判定系数(coefficient ofdetermination)R²大于0.9)，则BP神经网络训练合格。训练合格的BP神经网络可以作为免疫遗传算法的适应度函数。

五、对选定的发酵控制参数进行编码：每个发酵控制参数根据要求的精度和发酵参数取值范围进行二进制编码。设某一控制参数x的取值范围在[a、b]，编码长度为n，则编码精度为(b-a)/(2ⁿ-1)，只要确定了实验精度和发酵参数的取值范围，就是算出需要编码的二进制符号串的长度。经过二进制编码后的每个发酵控制参数可以看作一个基因，多个基因串连组成一条染色体，一条染色体代表一个体，许多个随机个体组成初始种群，在组成初始种群后，设置算法参数，如种群规模、变异概率P_m、交叉概率P_c等。

六、执行提取疫苗算子，疫苗是指从待求解问题的先验知识中提取的一种特征信息。本发明把疫苗看作是对发酵产品产量最优值的一种估计值，将每一代的最优解作为免疫遗传算法的疫苗，建立动态疫苗库，当前的最优解比疫苗库中最差的疫苗的适应度值高时，则取代动态疫苗库的该最差疫苗，使动态疫苗库及时得到更新。

七、执行交叉算子，选择若干个体，从这些选择的个体中随机选择两个抗体(此外及以下所述的抗体是指二进制编码后的染色体，即个体)，根据预先设定的交叉概率P_c来控制交叉位，对交叉位的基因进行交叉操作。交叉概率P_c在初始化种群时预先设定，可以根据算法优化效果适当调整。

八、执行变异算子，对进行过交叉操作的抗体，循环每一位基因位，为每个基因位产生对应的随机数rand，当变异概率P_m＞rand时，对该基因位进行变异运算。经过交叉算子和变异算子操作，生成子代群体。

九、执行疫苗接种算子，在步骤五中种群初始化时设定的种群规模为N，依据一个比例概率a，从抗体群体中选择出a×N个抗体，并对其进行疫苗接种操作。对选出的抗体，依据先验知识，即之前提取出的疫苗，对该抗体的每个基因位，依据概率P_i决定其是否接受疫苗接种。如果接种，则用疫苗相应基因位上的基因值修改当前抗体的相应基因，使得抗体以较大的概率具有更高的适应度值。

十、计算适应度值，执行免疫检测算子：以训练合格的BP神经网络作为适应度函数计算群体中每个抗体的适应度值，通过免疫检测算子比较接种疫苗前后两个抗体的适应度值，适应度值没有父代高，则用父代的抗体替代接种后的抗体参与群体选择。

十一、计算抗体浓度，执行免疫平衡算子，免疫平衡算子作用是使抗体的浓度越高越受到抑制，浓度越低则越受到促进，抗体浓度C_i为群体中与第i个抗体适应度值相近的抗体所占的比率，计算公式如下，其中ε为取值在0-1之间的可调参数，N为群体规模，Fitness(i)是种群第i个个体的适应度值。Fitness(j)是种群第j个个体的适应度值；

(即先设定好ε的取值，比如ε＝0.5，则统计与第i个抗体适应度值相差在0.5以内的抗体的个数再除与种群个体的总数N就是抗体浓度Ci)，设定一个浓度阈值，统计浓度高于该阈值的抗体，记数量为k(1≤k≤N)，这k个浓度较高的抗体的浓度概率为：

其余N-k个浓度较低的抗体的浓度概率为：

全部抗体浓度概率之和为1，种群中超过浓度阈值的高浓度抗体越多，这部分高浓度抗体的浓度概率P_d(k)越小，低浓度抗体的浓度概率P_d(N-k)越大；超过浓度阈值的高浓度抗体越少，高浓度抗体的浓度概率P_d(k)越大，低浓度抗体的浓度概率P_d(N-k)越小。

个体选择概率由适应度概率和浓度概率两部分组成，浓度较高的抗体选择概率为：

p＝α×p_f+(1-α)×P_d(k)

浓度较低的选择概率为：

p＝α×p_f+(1-α)×P_d(N-k)

其中p_f是抗体的适应度概率，定义为抗体的适应度与适应度总和之比；P_d是抗体的浓度概率；0≤α≤1，0<p_f，P_d<1。

依据选择概率，选择产生新一代的种群。种群中抗体适度概率越大，相应的选择概率越大；超过阈值的高浓度抗体越多，高浓度抗体的浓度概率P_d(k)越小，则其选择概率越小，被选择概率越小，反之则被选择概率越大。

十二、从新的种群中寻找最优的抗体并记录下来，判断最优抗体的适应度值是否不再变化，如果还有变化，则跳转至步骤七继续循环计算，如果不再变化则跳出循环，输出最优抗体，并进行解码，得到最优的控制参数组合。

本发明实施方式中，将求解问题的目标函数对应为入侵生命体的抗原，问题的候选解对应为抗体(即待进化个体)，通过抗原和抗体的亲和度描述可行解与最优解的逼近程度。免疫遗传算法是将人工免疫系统的机制和进化算法二者融合，本发明在免疫遗传算法增加了疫苗接种算子、免疫检测算子、免疫平衡算子等功能，在个体更新、选择算子、维持多样性上相比遗传算法有很大的改进。

现有的发酵控制优化方法都要通过预先设计发酵实验，然后不断的实施设计的多种发酵实验方案，得到发酵实验数据后再进行分析优化控制策略。而本发明直接通过训练的BP神经网络对发酵过程进行建模，通过免疫遗传算法对发酵过程进行寻优(寻找最优个体)，因此不需要重复发酵实验，只要用现有的发酵数据，就能找到优化的发酵控制策略。例如，某发酵工厂需要第三方去做发酵工艺优化方案，通过本发明就不需要重新设计发酵实验，本发明直接利用发酵工厂现在的发酵历史数据进行分析，就能找出优化的发酵控制策略，使发酵优化控制更加方便、快捷。通过本发明方法，可以绘制出优化的发酵控制轨线，操作员只需要按优化的控制轨线进行控制参数设定，就能有效改善发酵过程。

在现有的免疫遗传算法等进化算法中，控制的难点在于构建适合的算法的适应度函数，特别对高度复杂的微生物发酵过程，构建适应度函数更加困难，本发明通过训练合格的BP神经网络刚好可以作为免疫遗传算法的适应度函数，解决了构建适应度函数难的问题。免去了免疫遗传算法对微生物发酵进行优化控制时需要构造复杂的适应度函数的问题。

并且，本发明在免疫遗传算法中，引入交叉、变异、疫苗接种算子，新生的个体需要经过免疫检测算子操作，即判断其适应度是否优于父代个体，如果发生退化，则用父代个体替代新生成个体，有效避免子代个体退化；本发明的免疫遗传算子利用先验知识，引入疫苗接种算子，对随机选出的个体的某些基因位用疫苗的信息来替换，从而使个体向最优化的解逼近，加快了算法的收敛速度，避免陷入局部最优解；本发明还在免疫遗传算法引入免疫平衡算子，对浓度高的抗体进行抑制，反之对浓度较低的抗体进行促进，维持了个体的多样性及免疫平衡。可见本明通过BP神经网络对发酵过程进行建模，通过免疫遗传算法对发酵过程进行寻优，以及通过引入交叉、变异、疫苗接种算子、疫苗接种算、免疫平衡算子来得到发酵的最优个体和最优发酵控制参数组合。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，包括以下步骤：

步骤十二、计算个体浓度，执行免疫平衡算子，使浓度越高的个体越受到抑制，浓度越低的个体越受到促进，执行免疫平衡算子包括：

根据公式计算抗体浓度C_i，C_i为群体中与第i个抗体适应度值相近的抗体所占的比率，ε为取值在0-1之间的可调参数，N为群体规模，Fitness(i)是种群第i个个体的适应度值；

设定一个浓度阈值，统计浓度高于该阈值的抗体，记数量为k，1≤k≤N，这k个浓度较高的抗体的浓度概率为：

其余N-k个浓度较低的抗体的浓度概率为：

<mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mi>k</mi> <mi>N</mi> </mfrac> <mo>&times;</mo> <mfrac> <mi>k</mi> <mrow> <mi>N</mi> <mo>-</mo> <mi>k</mi> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>

全部抗体浓度概率之和为1，个体选择概率由适应度概率和浓度概率两部分组成，浓度较高的抗体选择概率为：

p＝α×p_f+(1-α)×P_d(k)

浓度较低的选择概率为：

p＝α×p_f+(1-α)×P_d(N-k)

其中p_f是抗体的适应度概率，定义为抗体的适应度与适应度总和之比；P_d是抗体的浓度概率；0≤α≤1，0<p_f，P_d<1；

2.根据权利要求1所述的基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，在步骤一中，所述发酵控制参数包括发酵温度、发酵液pH值、发酵液溶解氧浓度、发酵液浊度或发酵液残氮量。

3.根据权利要求1所述的基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，在步骤二中，所述测试数据集占总微生物发酵数据集的5％～7％。

4.根据权利要求1所述的基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，在步骤四中，所述误差范围为BP神经网络预测发酵产物数量的预测值和实验测得的观察值之间的线性回归判定系数R²大于0.9。

5.根据权利要求1所述的基于BP神经网络免疫遗传算法的微生物发酵优化方法，其特征在于，所述变异概率P_m和交叉概率P_c是在步骤五中组成初始种群时设定的。