CN105069323B - 基于Memetic算法的微生物发酵控制优化方法 - Google Patents

Abstract

本发明公开了一种基于Memetic算法的微生物发酵控制优化方法，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、执行交叉算子、采用爬山算法执行局部搜索算子、执行变异算子、再次执行局部搜索算子，将选出的较优个体作为当前解、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，然后通过选择算子，对群体进行更新、从新的种群中寻找最优的个体并记录最优的控制参数组合。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Memetic算法的微生物发酵控制优化方法

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Memetic算法的微生物发酵控制优化方法。

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、现有的发酵控制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Memetic算法的微生物发酵控制优化方法，用于解决现有微生物发酵控制过程需要预先设计实验，不易得到发酵最优个体的问题，提高发酵个体的搜索速率和收敛性。

本发明是这样实现的：

一种基于Memetic算法的微生物发酵控制优化方法，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的数量；

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，发酵产物的产量作为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、执行交叉算子：在初始种群中选择两个以上个体，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；

步骤七、采用爬山算法执行局部搜索算子；

步骤八、执行变异算子：根据交叉概率P_c在两个以上的个体中生成交叉位，随机地从群体中选择两个个体，对交叉位基因进行交换，直到中间群体中的所有个体都进行交换；

步骤九、再次执行局部搜索算子，将选出的较优个体作为当前解；

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，然后通过选择算子，对群体进行更新；

步骤十一、从新的种群中寻找最优的个体并记录下来，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，所述步骤七包括以下步骤：

为每个一个个体随机的产生两个基因位，交换两个基因位上的值来产生领域范围的个体，比较当前个体与新产生领域范围内的个体的适应度值，如果当前个体是适应度值较高，则将其作为当前较优个体，反之就用较高的相邻个体来替换当前个体作为较优个体，如此循环，直到搜索到局部最优解。

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。

本发明的有益效果为：本发明经过训练的BP神经网络直接作为Memetic算法的适应度函数，再应用Memetic算法对发酵过程进行优化控制，免去了Memetic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，本发明Memetic算法在传统遗传算法中引入局部搜索算子，加强了算法的局部搜索能力，每一代的进化都对最优解与全局解最优解进行比较，如果当前最优解比全局最优解好，就用当前最优解代替全局最优解，否则保留全局最优解，使得解的质量整体不断向最优解逼近，有效避免陷入局部最优解，并且Memetic算法的采用全局搜索和局部搜索相结合的机制使得搜索效率大大加快，算法迭代次数减少，提高寻优效率，因此本发明无需预先设计实验，即可得到发酵的最优个体以及最优发酵控制参数，提高发酵个体的搜索速率和收敛性。

附图说明

图1为本发明实施方式基于Memetic算法的微生物发酵控制优化方法的的控制流程图。

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，本发明实施方式一种基于Memetic算法的微生物发酵控制优化方法，所述Memetic算法一种结合遗传算法和局部搜索策略的新型智能算法，因此很多人又将Memetic算法称为混合遗传算法、遗传局部优化等。通过与局部优化策略的结合，可以局部调整进化后产生的新个体，强化了算法的局部搜索能力。

该基于Memetic算法的微生物发酵控制优化方法，包括以下步骤：

1、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。

2、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，其中，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。一般测试数据集占总发酵数据集的6％左右。

3、构建BP神经网络方法：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。

4、使用所述训练数据集对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。其中，训练合格的BP神经网络作为Memetic算法的适应度函数。

5、对选定的发酵控制参数进行编码，每个发酵控制参数根据实验要求的精度和发酵参数取值范围，进行二进制编码。设某一参数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)，只要确定了实验要求的精度和发酵参数的取值范围，就可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，在组成初始种群时设置算法参数，如种群规模、变异概率、交叉概率等。

6、执行交叉算子，依据抗体适应度值和抗体浓度所决定的抗体选择概率，选择若干抗体，从这些选择的抗体中随机选择两个抗体，由交叉概率P_c来控制交叉位，对交叉位的基因进。

7、执行局部搜索算子，本发明采用爬山算法实现局部搜索，对于每个一个个体随机地产生两个基因位，通过交换两个基因位上的值来产生领域范围的个体，进行3次搜索过程，选出较优个体，最终将适应度高的个体作为当前解。

8、执行变异算子，以概率Pc生成一个“一点交叉”的交叉位，随机地从中间群体中选择两个个体，对交叉位基因进行交换，直到中间群体中的所有个体都被选择过。

9、再次执行局部搜索算子，对种群中的每一个个体进行局部探索，采用爬山算法实现局部搜索，选出较优个体，作为当前解。

10、更新所有个体，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的适应度值，通过选择算子，进行群体更新。

11、从新的种群中寻找最优的个体并记录下来，判断最优个体的适应度值是否不再变化，如果还有变化则继续循环计算，如果不再变化则跳出循环，输出最优个体，并进行解码，得到最优的参数控制组合。

在本发明实施方式中，Memetic算法采用的这种全局搜索和局部搜索相结合的机制使得其搜索效率在某些问题领域比传统的遗传算法快几个数量级，显示出了较高的寻优效率，并被尝试应用于求解各种经典的优化问题及各类工程优化问题。

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。本发明经过训练的BP神经网络直接作为Memetic算法的适应度函数，再应用Memetic算法对发酵过程进行优化控制(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Memetic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Memetic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。

本发明在Memetic算法在传统遗传算法中引入局部搜索算子，加强了算法的局部搜索能力，每一代的进化都对最优解与全局解最优解进行比较，如果当前最优解比全局最优解好，就用当前最优解代替全局最优解，否则保留全局最优解，使得解的质量整体不断向最优解逼近，有效避免陷入局部最优解，在本Memetic算法中，除了局部搜索算子，其余的步骤都是全局搜索步骤，全局搜索其实就是遗传算法，局部搜索算子只是嵌入到全局搜索的步骤中。同时，Memetic算法的这种全局搜索和局部搜索相结合的机制使得搜索效率大大加快，算法迭代次数减少，提高寻优效率。

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 (3)

1.基于Memetic算法的微生物发酵控制优化方法，其特征在于，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，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；

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、执行交叉算子：在初始种群中选择两个以上个体，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；

步骤七、采用爬山算法执行局部搜索算子；

步骤八、执行变异算子：根据交叉概率P_c在两个以上的个体中生成交叉位，随机地从群体中选择两个个体，对交叉位基因进行交换，直到中间群体中的所有个体都进行交换；

步骤九、再次执行局部搜索算子，将选出的较优个体作为当前解；

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，然后通过选择算子，对群体进行更新；

步骤十一、从新的种群中寻找最优的个体并记录下来，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；

所述步骤七包括以下步骤：

为每个一个个体随机的产生两个基因位，交换两个基因位上的值来产生领域范围的个体；

重复两次以上搜索过程，选出较优个体，将适应度高的个体作为当前解。

2.根据权利要求1所述的基于Memetic算法的微生物发酵控制优化方法，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。

3.根据权利要求1所述的基于Memetic算法的微生物发酵控制优化方法，其特征在于，所述交叉概率P_c是在步骤五中组成初始种群时设定的。