CN105095587B - 基于细菌觅食算法的微生物发酵优化方法 - Google Patents
基于细菌觅食算法的微生物发酵优化方法 Download PDFInfo
- Publication number
- CN105095587B CN105095587B CN201510470955.8A CN201510470955A CN105095587B CN 105095587 B CN105095587 B CN 105095587B CN 201510470955 A CN201510470955 A CN 201510470955A CN 105095587 B CN105095587 B CN 105095587B
- Authority
- CN
- China
- Prior art keywords
- bacterium
- operator
- mrow
- neural network
- microbial 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
Abstract
本发明公开一种基于细菌觅食算法的微生物发酵优化方法，包括以下步骤：建立微生物发酵数据集、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、构建BP神经网络、使用训练数据集对BP神经网络进行训练、对每个所述微生物发酵控制参数进行二进制编码得到细菌初始种群、执行细菌趋化算子、执行繁殖算子、每只细菌按概率执行迁徙算子。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
技术领域
本发明涉及微生物发酵控制领域，特别是涉及一种基于细菌觅食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细菌觅食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，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：
一种基于细菌觅食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，一条染色体为一个细菌个体，将两个以上细菌个体随机组成初始种群；
步骤六、每只细菌由细菌适应度和所处的位置组成，所述细菌适应度以步骤四中训练合格的BP神经网络为适应度函数计算，细菌所处的位置Xi(j,k,l)按以下公式进行更新：
Xi(j+1,k,l)＝Xi(j,k,l)+rand()×step×φ(i)、
其中，j为细菌第j代趋化算子，k为细菌第k代繁殖算子，l为细菌第l代迁徙算子，rand()为0～1之间的随机数，step表示细菌每次前进的步长，φ(i)表示细菌随机翻滚的方向，Xrand(j,k,l)为当前个体Xi(j,k,l)领域内的一个随机位置；
步骤七、执行细菌趋化算子：在细菌位置更新过程时，每个细菌先向一个随机的方向前进一个步长，判断细菌的适应度是否得到改善，若是，则按此方向继续前进，直到适应度不再改善或达到最大的前进次数；若否，则随机向另一个方向前进一个步长，直到每只细菌都完成预定的趋化算子次数；
步骤八、执行繁殖算子：每只细菌按照其执行完趋化算子后的适应度值进行排序，控制适应度值较低的半数细菌个体死亡，适应度值高的半数细菌个体繁殖自身，生成新的群体，新产生的群体再次循环执行趋化算子、繁殖算子，直到群体执行完预定的繁殖算子次数；
步骤九、每只细菌按概率执行迁徙算子，当细菌个体满足迁徙算子发生概率时，该细菌个体死亡，并随机地在解空间的任意位置生成一个新的个体，每执行完一次迁徙算子后，跳转至步骤七，直至完成预定的迁徙算子执行次数，然后输出最优个体，并进行解码，得到最优的发酵控制参数组合。
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。
本发明的有益效果为：本发明经过训练的BP神经网络直接作为细菌觅食算法的适应度函数，应用细菌觅食算法对发酵过程进行优化控制，免去了细菌觅食算法对微生物发酵进行优化控制时需要构建复杂的适应度函数的问题，并且细菌觅食算法主要依靠以细菌特有的趋化、繁殖、迁徙三种行为为基础的三种算子进行位置更新和最优解的搜索，提高了全局搜索的能力，减少早熟收敛的可能性，细菌觅食算法中不存在个体之间的信息交互，繁殖算子只是单向交互，用优良的个体取代差的个体，减少了差的个体搜索食物的时间，提高了算法的整体效率。
附图说明
图1为本发明实施方式基于细菌觅食算法的微生物发酵优化方法的控制流程图。
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。
本发明实施方式，基于细菌觅食算法的微生物发酵优化方法，其中，所述细菌觅食算法为模仿大肠杆菌在人体肠道内的觅食行为的一种算法，属于仿生类优化算法。大肠杆菌的觅食行为主要有1.寻找可能存在食物源的区域；2.通过先验知识判断是否应该进入该区域；3.消耗掉一定量的食物后，或者觅食区域环境变得恶劣等不适合生存的条件出现，细菌死亡或迁移到另一个适合觅食区域。细菌觅食算法(Bacterial ForagingOptimization,BFO)正是根据以上三个过程提出一种仿生随机搜索算法，是K.M.Passion于2002年基于大肠杆菌在人体肠道内搜索食物行为过程中表出来的群体竞争协作机制，提出的一种新型仿生类群体智能算法。细菌觅食算法主要依靠以细菌特有的趋化、繁殖、迁徙三种行为为基础的三种算子进行位置更新和最优解的搜索，进而实现种群的进化。
请参阅图1，该基于细菌觅食算法的微生物发酵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。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、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 of determination)R2大于0.9)，则BP神经网络训练合格。训练合格的BP神经网络可以作为细菌觅食算法的适应度函数。
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细菌个体(即细菌)，许多个随机的细菌个体组成初始种群，并设置算法参数，如细菌种群规模、细菌移动步长、细菌最大前进次数、趋化算子次数、繁殖算子次数、迁徙算子次数等。
6、每只细菌由细菌适应度和所处的位置组成，即用Bacterial(i)＝{location[],fitness}表示，其中，Bacterial(i)表示细菌i，location[]表示细菌所处的位置，fitness表示细菌的适应值，适应度值以训练合格的BP神经网络为适应度函数计算。细菌所在位置按下式进行更新：
Xi(j+1,k,l)＝Xi(j,k,l)+rand()×step×φ(i)、
式中，j为细菌第j代趋化算子，k为细菌第k代繁殖算子，l为细菌第l代迁徙算子，rand()为0～1之间的随机数，step表示细菌每次前进的步长，φ(i)表示细菌随机翻滚的方向，Xrand(j,k,l)为当前个体Xi(j,k,l)领域内的一个随机位置，所述rand()为0～1之间的随机数。
7、执行细菌趋化算子，在细菌位置更新过程中，每个细菌先向一个随机的方向前进一个步长，判断适应度是否得到改善，如果适应度得以改善，就按此方向继续前进，直到适应度不再改善或达到最大的前进次数；如果适应度没得到改善，就随机向另一个方向前进一个步长，直到每只细菌都完成预定的趋化算子次数，执行繁殖算子。
8、细菌达到最大趋化算子后，细菌执行繁殖算子。每只细菌按照其执行完后的适应度值进行排序，适应度值较低的半数细菌个体死亡，适应度值高的半数细菌个体繁殖自身，生成新的群体(人为去干涉细菌繁殖，适应度值低的细菌群体，随机选择一半细菌让其死亡；适应度值高的细菌群体，随机选择一半细菌让其自身繁殖)。新产生的群体再次循环执行趋化算子、繁殖算子，直到群体执行完预定的繁殖算子次数后执行迁徙算子。
9、每只细菌以概率执行迁徙算子，所述迁徙算子为：如果种群中的某个个体满足迁徙算子发生的概率，则这个细菌个体死亡，并随机地在解空间的任意位置生成一个新的个体。执行完一次迁徙算子后，细菌再次循环执行趋化算子、繁殖算子、迁徙算子，直到完成预定的迁徙算子次数，输出最优个体，并进行解码，得到最优的参数控制组合。
本发明中细菌个体执行趋化算子、繁殖算子、迁徙算子，使细菌越来越接近目标，也就是越来越接近最优解，所述最优解解码后就是控制参数的最优组合。
本发明通过微生物发酵历史数据对BP神经网络进行训练，经过训练合格的BP神经，只要给出微生物发酵的输入参数值就能准确预测出微生物发酵产品的产量(类似一个数学函数，只要给出未知数的值就能马上计算出结果)，把经过训练的BP神经网络作为细菌觅食算法的适应度函数，应用细菌觅食算法对发酵过程进行优化控制，免去了细菌觅食算法对微生物发酵进行优化控制时需要构建复杂的适应度函数的问题。
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。本发明把经过训练的BP神经网络作为细菌觅食算法的适应度函数，应用细菌觅食算法对发酵过程进行优化控制，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。
在本发明中，细菌觅食算不像传统遗传算法的变异算子仅仅是对某一基因以定概率变异，在当前解的领域范围内变异，细菌觅食算法的迁徙算子中的细菌个体通过一定的概率死亡，并且随机生成一个新的个体，新个体的基因有可能全面改变，新产生的个体位置有可能靠近食物源也可能远离食物源，远离食物源的细菌虽然一定程度上破坏了种群的优良特性，但同时也增加了细菌个体的多样性，提高了全局搜索的能力，减少早熟收敛的可能性。并且，传统遗传算法中采用交叉算实现个体间的信息交互，而在本发明的细菌觅食算法中不存在个体之间的信息交互，繁殖算子只是单向交互，用优良的个体取代差的个体，减少了差的个体搜索食物的时间，提高了算法的整体效率。可见通过本发明有助于得到实验数据再进行分析优化控制策略，同时也有助于提高发酵产物的产量。
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 (4)
1.基于细菌觅食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，一条染色体为一个细菌个体，将两个以上细菌个体随机组成初始种群；
步骤六、每只细菌由细菌适应度和所处的位置组成，所述细菌适应度以步骤四中训练合格的BP神经网络为适应度函数计算，细菌所处的位置Xi(j,k,l)按以下公式进行更新：
Xi(j+1,k,l)＝Xi(j,k,l)+rand()×step×φ(i)、
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，j为细菌第j代趋化算子，k为细菌第k代繁殖算子，l为细菌第l代迁徙算子，rand()为0～1之间的随机数，step表示细菌每次前进的步长，φ(i)表示细菌随机翻滚的方向，Xrand(j,k,l)为当前个体Xi(j,k,l)领域内的一个随机位置；
步骤七、执行细菌趋化算子：在细菌位置更新过程时，每个细菌先向一个随机的方向前进一个步长，判断细菌的适应度是否得到改善，若是，则按此方向继续前进，直到适应度不再改善或达到最大的前进次数；若否，则随机向另一个方向前进一个步长，直到每只细菌都完成预定的趋化算子次数；
步骤八、执行繁殖算子：每只细菌按照其执行完趋化算子后的适应度值进行排序，控制适应度值较低的半数细菌个体死亡，适应度值高的半数细菌个体繁殖自身，生成新的群体，新产生的群体再次循环执行趋化算子、繁殖算子，直到群体执行完预定的繁殖算子次数；
步骤九、每只细菌按概率执行迁徙算子，当细菌个体满足迁徙算子发生概率时，该细菌个体死亡，并随机地在解空间的任意位置生成一个新的个体，每执行完一次迁徙算子后，跳转至步骤七，直至完成预定的迁徙算子执行次数，然后输出最优个体，并进行解码，得到最优的发酵控制参数组合。
2.根据权利要求1所述的基于细菌觅食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.据权利要求1所述的基于细菌觅食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.据权利要求1所述的基于细菌觅食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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510470955.8A CN105095587B (zh) | 2015-08-04 | 2015-08-04 | 基于细菌觅食算法的微生物发酵优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510470955.8A CN105095587B (zh) | 2015-08-04 | 2015-08-04 | 基于细菌觅食算法的微生物发酵优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105095587A CN105095587A (zh) | 2015-11-25 |
| CN105095587B true CN105095587B (zh) | 2018-05-01 |
Family
ID=54576012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510470955.8A Expired - Fee Related CN105095587B (zh) | 2015-08-04 | 2015-08-04 | 基于细菌觅食算法的微生物发酵优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105095587B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373669A (zh) * | 2015-11-28 | 2016-03-02 | 泰山医学院 | 一种黄伞菌发酵条件优化及动力学模型的构建方法 |
| CN112342263A (zh) * | 2020-10-14 | 2021-02-09 | 江苏丰泽生物工程设备制造有限公司 | 一种实时预判发酵细菌生长趋势的方法 |
| CN112634019A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
| CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013204031A (ja) * | 2012-03-29 | 2013-10-07 | Taiyo Nippon Sanso Corp | バイオ燃料の製造方法 |
-
2015
- 2015-08-04 CN CN201510470955.8A patent/CN105095587B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
| CN104616072A (zh) * | 2015-01-23 | 2015-05-13 | 东北大学 | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 |
Non-Patent Citations (4)
| Title |
|---|
| Time-dependent fermentation control strategies for enhancing synthesis of marine bacteriocin 1701 using artificial neural network and genetic algorithm;Jiansheng Peng;《Bioresource Technology》;20130630;第138卷(第6期);全文 * |
| 基于BP神经网络和遗传算法的面包酵母高密度发酵培养基优化;谈亚丽等;《工业微生物》;20130228;第43卷(第1期);正文第1节，第2.1节，第2.3节 * |
| 改进粒子群算法优化微生物连续发酵过程;尹蕾等;《计算机工程与应用》;20111231;第47卷(第31期);全文 * |
| 细菌觅食优化算法的改进及应用研究;胡洁;《中国博士学位论文全文数据库 基础科学辑》;20121115;第2012年卷(第11期);正文第2.3节，第7.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105095587A (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069220B (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
| Hindré et al. | New insights into bacterial adaptation through in vivo and in silico experimental evolution | |
| Oña et al. | Obligate cross-feeding expands the metabolic niche of bacteria | |
| Roeva et al. | Population size influence on the genetic and ant algorithms performance in case of cultivation process modeling | |
| CN105160398B (zh) | 基于人工鱼群算法的微生物发酵优化方法 | |
| Botzheim et al. | Fuzzy rule extraction by bacterial memetic algorithms | |
| Taillefumier et al. | Microbial consortia at steady supply | |
| CN105095587B (zh) | 基于细菌觅食算法的微生物发酵优化方法 | |
| CN110386768B (zh) | 水泥烧成过程中能耗动态实时控制方法 | |
| Halder et al. | Optimization of cellular automata model for the heating of dual-phase steel by genetic algorithm and genetic programming | |
| CN105404142B (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
| CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
| CN110045613A (zh) | 基于量子退火的混合整数最优控制数值求解方法 | |
| Szilágyi et al. | Evolution of linkage and genome expansion in protocells: The origin of chromosomes | |
| Cury et al. | Simulation of bacterial populations with SLiM | |
| Hosseinkhan et al. | Comparison of gene co-expression networks in Pseudomonas aeruginosa and Staphylococcus aureus reveals conservation in some aspects of virulence | |
| CN114282702A (zh) | 基于iga-bp神经网络的土壤调理时间序列预测方法和系统 | |
| KR100727053B1 (ko) | 대사산물들의 플럭스 섬 프로파일링을 이용한 생물개량방법 | |
| CN105069323B (zh) | 基于Memetic算法的微生物发酵控制优化方法 | |
| CN113486952B (zh) | 一种基因调控网络的多因素模型优化方法 | |
| CN109781951B (zh) | 一种鱼塘水质监测系统及监测方法 | |
| CN113935556A (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
| Kloet | Realizing Societal Ambitions: In Innovative Research Programs the Case of the Dutch Ecogenomics Consortium | |
| CN106803023A (zh) | 基于神经网络结合遗传算法实时优化补料产丙氨酸的方法 | |
| CN109858127B (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180501 Termination date: 20210804 |