CN118192214A - 一种用于微藻生长的pH自动调控器控制优化方法 - Google Patents
一种用于微藻生长的pH自动调控器控制优化方法 Download PDFInfo
- Publication number
- CN118192214A CN118192214A CN202410591482.6A CN202410591482A CN118192214A CN 118192214 A CN118192214 A CN 118192214A CN 202410591482 A CN202410591482 A CN 202410591482A CN 118192214 A CN118192214 A CN 118192214A
- Authority
- CN
- China
- Prior art keywords
- fox
- value
- search
- algorithm
- automatic regulator
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 118
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 16
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 32
- 238000011161 development Methods 0.000 claims description 18
- 241000282421 Canidae Species 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 3
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 3
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000029219 regulation of pH Effects 0.000 abstract description 2
- 241000195493 Cryptophyta Species 0.000 description 9
- 239000001963 growth medium Substances 0.000 description 8
- 230000029553 photosynthesis Effects 0.000 description 6
- 238000010672 photosynthesis Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 230000009191 jumping Effects 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 4
- 108090000790 Enzymes Proteins 0.000 description 4
- 241000206744 Phaeodactylum tricornutum Species 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- YAHZABJORDUQGO-NQXXGFSBSA-N D-ribulose 1,5-bisphosphate Chemical compound OP(=O)(O)OC[C@@H](O)[C@@H](O)C(=O)COP(O)(O)=O YAHZABJORDUQGO-NQXXGFSBSA-N 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011081 inoculation Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241000238633 Odonata Species 0.000 description 1
- 241000282577 Pan troglodytes Species 0.000 description 1
- 241000199919 Phaeophyceae Species 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-N carbonic acid Chemical compound OC(O)=O BVKZGUZCCUSVTD-UHFFFAOYSA-N 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于微藻生长的pH自动调控器控制优化方法，属于pH自动调控技术领域，步骤为：S1、通过预实验，获取微藻的理想生长环境下的目标pH值；S2、利用“空间监测”机制，改进狐狸算法寻优机制；S3、引入搜索步长因子改进狐狸算法的搜索速度控制因子；S4、利用S2和S3改进后的狐狸优化算法整定PID控制器参数，得到最佳PID控制参数Kp、Ki、Kd；S5、通过pH传感器获取微藻生长环境实时pH值，计算微藻生长的目标pH值与实时pH值两者的差值；S6、利用S5得到的差值计算本时刻pH调控器的PID控制器输出的二氧化碳释放量值，返回执行S4，不断循环，实现pH调控器对二氧化碳释放量的控制的优化。
Description
技术领域
本发明属于pH自动调控技术领域，尤其是涉及一种用于微藻生长的pH自动调控器控制优化方法。
背景技术
微藻通过光合作用利用CO2进行生长，通入适量CO2能够提供微藻生长所需的碳源，增加培养基中的碳浓度，可以促进微藻的光合作用，提高其生物量和目标产品产量；微藻中的1,5-二磷酸核酮糖羧化酶（RuBisCO）能够催化CO2与1,5-二磷酸核酮糖（RuBP）反应，形成有机物，这一过程依赖于CO2浓缩机制（CCM）。CCM能够高效地将环境中的CO2浓缩和固定，提高光合作用的效率。在培养微藻时，通常会先将CO2通入水中，这样可以减少气体通入时产生的湍流对微藻的干扰，从而更加精确地控制CO2的溶解量，同时利用水作为介质来平衡和缓冲藻液pH的变化。
当CO2溶解在水中时，会形成碳酸，进而分解产生碳酸氢根和氢离子，导致水的pH值下降，即变酸。通入量过多时，藻液pH值过低，可能会抑制微藻中重要的碳固定酶如羧化酶RuBisCO的活性，进而影响微藻的光合作用效率和生长状态。此外，pH值过低还可能影响藻细胞中其他酶的活性，进而影响藻细胞的代谢途径。通入量过少时，可能无法满足微藻对CO2的需求，从而限制了光合作用的效率，进一步影响微藻的生长和生物量的产生。
因此，通入CO2对维持微藻生长至关重要，需要精准控制其通入量，以确保微藻光合作用的高效进行，同时保持藻液pH值在适宜微藻生长的范围内，避免因pH值变化过大而对微藻的生长造成负面影响。综上，pH自动调控器的反馈控制系统通过实时监测和调整pH值和CO2供应，结合微藻的生长特性和最优化的培养条件，实现对通入气体中CO2浓度和流量的精确调节。
pH自动调控器的反馈控制系统通过实时监测和调整pH值，结合微藻的生长特性和最优化的培养条件，实现对通入气体中CO2浓度和流量的调节；为了提高pH自动调控器的控制精度，目前的pH自动调控器的控制技术大多采用PID控制方法， 但是传统PID控制方法在实际的pH监测控制中，存在着许多干扰因素，如温度、压力、流量等的变化，这些因素会对pH值产生影响，使得PID控制器的控制效果受到干扰。
狐狸优化算法（FOX）一种新的自然启发优化器，该算法是模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食。在介绍了FOX的数学模型和算法后，将FOX算法与蜻蜓优化算法（DA）、粒子群优化（PSO）、适应度相关优化器（FDO）、灰狼优化（GWO）、鲸鱼优化算法（WOA）、黑猩猩优化算法（ChOA）、蝴蝶优化算法（BOA）和遗传算法（GA）进行了比较，结果表明，FOX算法的局部开发性能优于上述算法，但是算法在寻优速度上较慢，全局搜索性能较差，且存在陷入局部最优后不易跳出的问题。
发明内容
基于背景技术中存在的上述问题，本发明所要解决的问题是：提供一种用于微藻生长的pH自动调控器控制优化方法，提高pH自动调控器中PID控制器的性能，从而提高pH自动调控器对微藻生长环境pH值的控制，保证微藻的健康生长。
本发明解决其技术问题所采用的技术方案是：一种用于微藻生长的pH自动调控器控制优化方法，通过改进狐狸优化算法（FOX），利用改进后的狐狸优化算法（IFOX）整定pH自动调控器的PID控制器的参数，得到IFOX-PID控制器，提高pH自动调控器对二氧化碳（CO2）释放量的控制精度，从而精确控制环境pH值，具体步骤如下：
S1、通过预实验，获取微藻的理想生长环境下的目标pH值。
S2、提出一种“空间监测”机制，通过计算搜索空间体积，随狐狸优化算法迭代监测寻优状态，改进狐狸优化算法寻优机制。
S3、引入搜索步长因子改进狐狸优化算法全局搜索阶段的搜索速度控制因子
，从而优化全局搜索阶段算法位置更新策略。
S4、利用S2和S3改进后的狐狸优化算法整定pH自动调控器的PID控制器的比例参数Kp、积分参数Ki和微分参数Kd，得到最佳PID控制参数。
S5、通过pH传感器获取微藻生长环境实时pH值，计算微藻生长的目标pH值与实时
pH值两者的差值。
S6、将与步骤S4得到的最佳控制参数输入到PID控制器，计算本时刻pH自动调
控器的PID控制器输出的二氧化碳释放量值，返回执行步骤S4，不断循环，实现pH自动调控
器对二氧化碳释放量的控制的优化。
优选地，步骤S1中，获取微藻的理想生长环境下的目标pH值，具体实验步骤为：
S11、根据研究需要选择适合的微藻种类，按照微藻的生长需求配制足够的培养基；
S12、设置7个pH梯度，覆盖微藻最佳生长pH范围，每个pH组别设定三个重复，使用对微藻生长无影响的酸或碱溶液将每个实验组的培养基pH值调至设定值；
S13、在无菌条件下，将预先培养的微藻接种到型号相同的培养瓶中，并保证每个瓶子的接种量相同，将所有培养瓶放置在温室或光照培养箱中，设置相同的光照强度、温度和CO2供应量，以确保pH是影响微藻生长的唯一变量；
S14、根据微藻的生长速率、生物量增长、叶绿素含量等数据评估每个pH值下的生长条件；通过实验可以得到特定微藻在不同pH条件下的生长曲线，从而确定最适pH值。
优选地，步骤S2中，“空间监测”机制的具体设计为：
S21、首先，计算整个狐狸搜索空间的体积，数学模型如式（1）：
（1）；
式中，为当前迭代算法寻优前的搜索空间体积，/>为目标函数的问题维度，为第j维的最大位置，/>为第j维的最小位置；
S22、然后，计算当前迭代解的体积，数学模型如式（2）；
（2）；
式中，为当前迭代算法寻优后的解位置的体积，为狐狸优化算法种群总规
模，为第i个狐狸第j维的最大搜索体积，为第i个狐狸第j维的最
小搜索体积；
S23、最后，计算搜索空间的探索比率，数学模型如式（3）；当探索比率持续两次
迭代满足时，表示算法陷入局部最优；
（3）。
优选地，“空间监测”机制用于狐狸优化算法在全局搜索阶段和局部开发阶段的位置更新后，在重新一轮迭代寻优时，通过计算算法搜索空间体积，随狐狸优化算法迭代监测寻优状态，当算法陷入局部最优时，及时发现并通过随机扰动跳出局部最优解。
优选地，为了平衡狐狸优化算法的全局搜索和局部开发阶段，本发明通过一个能
量因子与搜索速度控制因子对狐狸优化算法改进；能量因子采用随机选择的方法执
行算法的全局搜索或者局部开发；搜索速度控制因子改进后，可以保证在迭代前期保持
较大值，便于狐狸优化算法全局搜索，在迭代后期保持较小值，便于狐狸优化算法寻优收
敛。
优选地，所述步骤S3，改进后的搜索速度控制因子的数学模型公式为：
；
式中，在改进后的搜索速度控制因子的变化范围内取值，取值为0.5，为当
前迭代次数，为狐狸优化算法最大迭代次数，为搜索步长因子，公式为：
；
式中，为当前迭代最小适应度值，为当前次迭代第个狐狸个体位置
的适应度值，为狐狸优化算法种群总规模。
优选地，步骤S4中，改进狐狸优化算法整定pH自动调控器的PID控制器参数，通过
目标函数反应pH自动调控器的PID控制器参数整定效果，模拟测量狐狸和猎物之间的距
离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，将狐狸个体的位置与pH自
动调控器的PID控制器参数值建立实数映射关系，随狐狸优化算法的位置变化，更新pH自动
调控器的PID控制器参数值；具体步骤为：
S41、用误差平方与调控时间的平方的和的积分设计目标函数；
S42、初始化改进狐狸优化算法的参数以及狐狸种群初始位置，其中，狐狸种群初始位置即为pH自动调控器的PID控制器的Kp、Ki、Kd参数解集初始解；
S43、将pH自动调控器的PID控制器的Kp、Ki、Kd参数通过二进制编码为改进狐狸优化算法的狐狸个体位置；
S44、模拟狐狸捕食猎物和搜索猎物的行为，建立位置更新数学模型，更新pH自动调控器的PID控制器参数值；
S45、利用“空间监测”机制，监测改进狐狸优化算法是否陷入局部最优，若机制中
的公式（3）搜索空间的探索比率满足，则说明狐狸优化算法陷入局部最优，利用柯
西变异扰动策略更新狐狸种群跳出局部最优，否则结束“空间监测”机制；
S46、利用目标函数计算每个狐狸个体位置的适应度值，保留最小适应度值，并与上次迭代的最小适应度值比较，保留较小的适应度值对应的狐狸个体位置；
S47、当前迭代次数加1后，判断是否成立，若是，则输出最优适应度值对
应的狐狸个体位置并解析成pH自动调控器的PID控制器的Kp、Ki、Kd参数解；否则，返回执行
S43。
优选地，模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，更新pH自动调控器的PID控制器参数值的具体步骤为：
step1、判断能量因子是否满足，若是，则按照步骤step2到步骤
step4执行改进狐狸优化算法的局部开发位置更新策略，否则按照步骤step5执行全局搜索
位置更新策略；
step2、局部开发阶段，首先按照公式（6）计算狐狸与猎物之间的距离，所述距离由猎物声音传播到狐狸个体的时间和声音在空气中的传播速度决定；
（6）；
式中，为第次迭代时狐狸与猎物之间的距离，为声音在空
气中的传播速度，为猎物声音传播时间；
step3、得到狐狸和猎物之间的距离后，模拟狐狸跳跃捕捉猎物，通过公式（7）计算
跳跃高度，设计狐狸跳跃高度数学模型：
（7）；
式中，为当前迭代次数；
step4、根据狐狸与猎物之间的距离和狐狸跳跃高度，设计公式（8）局部开发阶段的位置更新数学模型；
（8）；
式中，为第次迭代的狐狸种群位置，为控制开发阶段模式的参
数，当随机参数q>0.18时，取值为0.18，否则取值为0.82；
step5、全局搜索阶段，为了确保狐狸随机地向最佳位置行走，使用一个最小的时
间变量MinT和改进后的搜索速度控制因子来控制搜索；按照公式（9）更新种群各个体位
置；
（9）；
式中，为当前迭代的种群最佳位置，为模拟狐狸走向新猎物位
置的最小时间变量，为从问题维度D中随机选择的一个变量值，为当前迭代
次数。
优选地，目标函数采用微藻生长的目标pH值与实时pH值两者差值平方积分与
调控时间的平方的和设计，数学模型公式为：
（4）；
式中，为总的调控时间，由狐狸优化算法最大迭代次数决定，为当前时间，为当前时刻第个狐狸个体位置的适应度值。
优选地，利用柯西变异扰动策略，如公式（5），对当前陷入局部最优解的狐狸个体位置扰动，生成新的位置，跳出算法局部最优解；
（5）；
式中，为第次迭代的狐狸种群位置，为当前迭代的种群最
佳位置，为柯西分布函数。
优选地，二氧化碳释放量由微藻生长环境的pH值决定，是一种间接式决定，采用增量式PID作为pH自动调控器的控制器。
优选地，步骤S6中，将与步骤S4得到的最佳Kp、Ki、Kd控制参数输入到PID控制
器，用下式计算出PID控制器最佳控制量，控制pH自动调控器更精准的释放二氧化碳
量；
；
式中，Kp为增量式PID控制器的比例参数，Ki为增量式PID控制器的积分参数，Kd为
增量式PID控制器的微分参数，为当前时刻的前一次微藻生长的目标pH值与实时pH
值两者的差值，为t-1时刻的前一次微藻生长的目标pH值与实时pH值两者的差值。
本发明有益效果是：
改进狐狸优化算法，通过“空间监测”机制改进狐狸优化算法的寻优机制，及时发
现次优解并通过随机扰动跳出局部最优解，提高狐狸优化算法寻优的精度和效率；改进狐
狸优化算法全局搜索阶段的搜索速度控制因子，从而优化全局搜索阶段算法位置更新策
略，提高狐狸优化算法的全局搜索和收敛的平衡性，利用改进后的狐狸优化算法（IFOX）整
定pH自动调控器的PID控制器的参数，提高pH自动调控器对二氧化碳（CO2）释放量的控制精
度，从而精确控制环境pH值，提高微藻的生长效率，从而在更短的时间内获得更多的微藻。
附图说明
图1为用于微藻生长的pH自动调控器控制优化方法的步骤图。
图2为改进后的搜索速度控制因子的变化图。
图3为改进后狐狸优化算法整定pH自动调控器的PID控制参数的变化图。
图4为改进前后狐狸优化算法性能的适应度值对比图。
图5为FOX-PID和IFOX-PID控制pH自动调控器的性能对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图5，本发明提供一种技术方案：
一种用于微藻生长的pH自动调控器控制优化方法，如图1所示，具体步骤为：
S1、通过预实验，获取微藻的理想生长环境下的目标pH值，具体实施采用三角褐指藻，首先获取预实验的种子，用接种环从固体平板上挑取生长较好的单克隆藻体转接至装有100mL培养基的250mL三角瓶中，并置于光照培养箱中静置培养，培养条件为：温度20 ℃、光照强度30μmol/(m2·s)，光暗周期12:12（h:h）；当三角褐指藻在三角瓶中积累了一定的生物量后，转接至装有700mL培养基的1L柱状光反应器中进行通气培养，通入用0.22μm针式滤器过滤后含有1.5% CO2/空气混合气体，在温度20 ℃、光强60μmol/(m2·s)条件下持续光照培养4-5天，作为后续实验的种子。
预实验设置七个pH梯度（6.0、6.5、7.0、7.5、8.0、8.5、9.0）对三角褐指藻进行自养培养，使用酸（HCl）和碱（NaOH）溶液将每个实验组的培养基pH值调至设定值，在无菌条件下，将准备好的藻种于3000g离心3分钟，去掉上清，用新配置的培养基重悬，离心清洗两次后，转接至装有700mL培养基的1L柱状光生物反应器中；三角褐指藻的初始接种浓度为0.2±0.02 g/L，通入用0.22μm针式滤器过滤后含有1.5%CO2/空气混合气体，在温度20 ℃、光强100μmol/(m2·s)条件下持续光照培养8天；每天监测藻液的pH值，必要时进行调整以保持设定值，并取样进行微藻细胞计数及干重测定；收集第0、2、5、8天的样品保存于-80℃冰箱用于脂肪酸和类胡萝卜素的含量测定，同时显微观察藻细胞形态变化；每个实验组设置三个生物学重复，并重复三个培养批次，确保数据的可靠性。
S2、提出一种“空间监测”机制，通过计算搜索空间体积，随狐狸优化算法迭代监测寻优状态，改进狐狸优化算法寻优机制。
S3、引入搜索步长因子改进狐狸优化算法全局搜索阶段的搜索速度控制因子
，从而优化全局搜索阶段算法位置更新策略。
S4、利用S2和S3改进后的狐狸优化算法整定pH自动调控器的PID控制器的比例参数Kp、积分参数Ki和微分参数Kd，得到最佳PID控制参数。
S5、通过pH传感器获取微藻生长环境实时pH值，计算微藻生长的目标pH值与实时
pH值两者的差值。
S6、将与步骤S4得到的最佳控制参数输入到PID控制器，计算本时刻pH自动调
控器的PID控制器输出的二氧化碳释放量值，返回执行步骤S4，不断循环，实现pH自动调控
器对二氧化碳释放量的控制的优化。
进一步地，步骤S2中，“空间监测”机制的具体设计为：
S21、首先，计算整个狐狸搜索空间的体积，数学模型如式（1）：
（1）；
式中，为当前迭代算法寻优前的搜索空间体积，/>为目标函数的问题维度，为第j维的最大位置，/>为第j维的最小位置；
S22、然后，计算当前迭代解的体积，数学模型如式（2）；
（2）；
式中，为当前迭代算法寻优后的解位置的体积，为狐狸优化算法种群总规
模，为第i个狐狸第j维的最大搜索体积，为第i个狐狸第j维的最
小搜索体积；
S23、最后，计算搜索空间的探索比率，数学模型如式（3）；当探索比率持续两次
迭代满足时，表示算法陷入局部最优；
（3）。
进一步地，“空间监测”机制用于狐狸优化算法在全局搜索阶段和局部开发阶段的位置更新后，在重新一轮迭代寻优时，通过计算算法搜索空间体积，随狐狸优化算法迭代监测寻优状态，当算法陷入局部最优时，及时发现并通过随机扰动跳出局部最优解。
进一步地，为了平衡狐狸优化算法的全局搜索和局部开发阶段，通过一个能量因
子与搜索速度控制因子；能量因子采用随机选择的方法，执行算法的全局搜索或者局
部开发；如图2所示，搜索速度控制因子改进后，可以保证在迭代前期保持较大值，便于狐
狸优化算法全局搜索，在迭代后期保持较小值，便于狐狸优化算法寻优收敛。
进一步地，所述步骤S3，改进后的搜索速度控制因子的数学模型公式为：
；
式中，在改进后的搜索速度控制因子的变化范围内取值，取值为0.5，为当
前迭代次数，为狐狸优化算法最大迭代次数，为搜索步长因子，公式为：
；
式中，为当前迭代最小适应度值，为当前次迭代第个狐狸个体位置
的适应度值，为狐狸优化算法种群总规模。
进一步地，步骤S4中，改进狐狸优化算法整定pH自动调控器的PID控制器参数，通
过目标函数反应pH自动调控器的PID控制器参数整定效果，模拟测量狐狸和猎物之间的
距离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，将狐狸个体的位置与pH
自动调控器的PID控制器参数值建立实数映射关系，随狐狸优化算法的位置变化，更新pH自
动调控器的PID控制器参数值；具体步骤为：
S41、用误差平方与调控时间的平方的和的积分设计目标函数；
S42、初始化改进狐狸优化算法的参数以及狐狸种群初始位置，其中，狐狸种群初始位置即为pH自动调控器的PID控制器的Kp、Ki、Kd参数解集初始解；
S43、将pH自动调控器的PID控制器的Kp、Ki、Kd参数通过二进制编码为改进狐狸优化算法的狐狸个体位置；
S44、模拟狐狸捕食猎物和搜索猎物的行为，建立位置更新数学模型，更新pH自动调控器的PID控制器参数值；
S45、利用“空间监测”机制，监测改进狐狸优化算法是否陷入局部最优，若机制中
的公式（3）搜索空间的探索比率满足，则说明算法陷入局部最优，利用柯西变异扰
动策略更新狐狸种群跳出局部最优，否则结束“空间监测”机制；
S46、利用目标函数计算每个狐狸个体位置的适应度值，保留最小适应度值，并与上次迭代的最小适应度值比较，保留较小的适应度值对应的狐狸个体位置；
S47、当前迭代次数加1后，判断是否成立，若是，则输出最优适应度值对
应的狐狸个体位置并解析成pH自动调控器的PID控制器的Kp、Ki、Kd参数解；否则，返回执行
S43。
进一步地，模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，更新pH自动调控器的PID控制器参数值的具体步骤为：
step1、判断能量因子是否满足，若是，则按照步骤step2到步骤
step4执行改进狐狸优化算法的局部开发位置更新策略，否则按照步骤step5执行全局搜索
位置更新策略；
step2、局部开发阶段，首先按照公式（6）计算狐狸与猎物之间的距离，所述距离由猎物声音传播到狐狸个体的时间和声音在空气中的传播速度决定；
（6）；
式中，为第次迭代时狐狸与猎物之间的距离，为声音在空
气中的传播速度，为猎物声音传播时间；
step3、得到狐狸和猎物之间的距离后，模拟狐狸跳跃捕捉猎物，通过公式（7）计算
跳跃高度，设计狐狸跳跃高度数学模型：
（7）；
式中，为当前迭代次数；
step4、根据狐狸与猎物之间的距离和狐狸跳跃高度设计公式（8）局部开发阶段的位置更新数学模型；
（8）；
式中，为第次迭代的狐狸种群位置，为控制开发阶段模式的参
数，当随机参数q>0.18时，取值为0.18，否则取值为0.82；
step5、全局搜索阶段，为了确保狐狸随机地向最佳位置行走，使用一个最小的时
间变量MinT和改进后的搜索速度控制因子来控制搜索；按照公式（9）更新种群各个体位
置；
（9）；
式中，为当前迭代的种群最佳位置，为模拟狐狸走向新猎物位
置的最小时间变量，为从问题维度D中随机选择的一个变量值，为当前迭代
次数。
进一步地，目标函数采用微藻生长的目标pH值与实时pH值两者差值平方积分
与调控时间的平方的和设计，数学模型公式为：
（4）；
式中，为总的调控时间，由狐狸优化算法最大迭代次数决定，为当前时间，为当前时刻第个狐狸个体位置的适应度值。
进一步地，利用柯西变异扰动策略，如公式（5），对当前陷入局部最优解的狐狸个体位置扰动，生成新的位置，跳出算法局部最优解；
（5）；
式中，为第次迭代的狐狸种群位置，为当前迭代的种群最
佳位置，为柯西分布函数。
进一步地，步骤S6中，将与步骤S4得到的最佳Kp、Ki、Kd控制参数输入到PID控
制器，用下式计算出PID控制器最佳控制量，控制pH自动调控器更精准的释放二氧化碳
量；
；
式中，Kp为增量式PID控制器的比例参数，Ki为增量式PID控制器的积分参数，Kd为
增量式PID控制器的微分参数，为当前时刻的前一次微藻生长的目标pH值与实时pH
值两者的差值，为t-1时刻的前一次微藻生长的目标pH值与实时pH值两者的差值。
进一步地，在Matlab设计改进狐狸优化算法最大迭代次数=50，当前迭代次数
=0，狐狸优化算法种群总规模=50，能量因子，随机参数=0.18，算法寻优的上界为[100,100,100]，算法寻优的下界为[-5,-5,-5]，目标函数问题维度=3，狐狸
的猎物规模=40，模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食，利用改进狐狸
优化算法的数学模型寻对进行优化计算， 算法迭代最终输出最
小对应的狐狸个体位置，并解码为pH自动调控器的PID控制参数。
进一步地，改进后的狐狸优化算法（IFOX）整定pH自动调控器的PID控制器参数，得到最佳PID的Kp、Ki、Kd控制参数，如图3所示。
进一步地，如图4所示，改进的狐狸优化算法（IFOX）与标准狐狸优化算法（FOX）适应度对比图，从图中可以明显对比发现，标准狐狸优化算法（FOX）在寻优过程中，最佳适应度值为77.6497，后期适应度值变化缓慢；改进的狐狸优化算法（IFOX）最佳适应度值为72.1721；按照适应度值越小，算法优化pH自动调控器的PID控制器的性能越好的原则，改进的狐狸优化算法（IFOX）相对于标准狐狸优化算法（FOX）的适应度值更小，说明改进的狐狸优化算法（IFOX）整定pH自动调控器的PID控制器参数性能更佳，且可以避免陷入局部最优。
进一步地，如图5所示，设置pH自动调控器的PID控制器的目标二氧化碳释放量为1个浓度单位，对比pH自动调控器在IFOX-PID和FOX-PID两种控制方式下的性能，pH自动调控器在IFOX-PID控制下相较于FOX-PID控制下超调量更小，且精度更高，pH自动调控器在FOX-PID控制下不能达到目标二氧化碳释放量；因此本发明提出的用于微藻生长的pH自动调控器控制优化方法的性能更好。
Claims (9)
1.一种用于微藻生长的pH自动调控器控制优化方法，利用改进狐狸优化算法整定pH自动调控器的PID控制器参数，提高pH自动调控器对二氧化碳释放量的控制精度，其特征在于，具体步骤为：
S1、通过预实验，获取微藻的理想生长环境下的目标pH值；
S2、提出一种“空间监测”机制，通过计算搜索空间体积，随狐狸优化算法迭代监测寻优状态，改进狐狸优化算法寻优机制；
S3、引入搜索步长因子改进狐狸优化算法全局搜索阶段的搜索速度控制因子/>，从而优化全局搜索阶段算法位置更新策略；
S4、利用S2和S3改进后的狐狸优化算法整定pH自动调控器的PID控制器的比例参数Kp、积分参数Ki和微分参数Kd，得到最佳PID控制参数；
S5、通过pH传感器获取微藻生长环境实时pH值，计算微藻生长的目标pH值与实时pH值两者的差值；
S6、将与步骤S4得到的最佳PID控制参数输入到PID控制器，计算本时刻pH自动调控器的PID控制器输出的二氧化碳释放量值，返回执行步骤S4，不断循环，实现pH自动调控器对二氧化碳释放量的控制的优化。
2.根据权利要求1所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，所述步骤S2中，“空间监测”机制用于狐狸优化算法在全局搜索阶段和局部开发阶段的位置更新结束后，具体设计为：
S21、首先，计算整个狐狸搜索空间的体积，数学模型如式（1）：
（1）；
式中，为当前迭代算法寻优前的搜索空间体积，/>为目标函数的问题维度，为第j维的最大位置，/>为第j维的最小位置；
S22、然后，计算当前迭代解的体积，数学模型如式（2）；
（2）；
式中，为当前迭代算法寻优后的解位置的体积，/>为狐狸优化算法种群总规模，为第i个狐狸第j维的最大搜索体积，/>为第i个狐狸第j维的最小搜索体积；
S23、最后，计算搜索空间的探索比率，数学模型如式（3）；当探索比率持续两次迭代满足/>时，表示算法陷入局部最优；
（3）。
3.根据权利要求1所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，所述步骤S3中，改进后的搜索速度控制因子的数学模型公式为：
；
式中，在改进后的搜索速度控制因子/>的变化范围内取值，取值为0.5，/>为当前迭代次数，/>为狐狸优化算法最大迭代次数，/>为搜索步长因子。
4.根据权利要求3所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，采用正弦函数限定搜索步长因子整体变化，同时结合当前迭代狐狸种群平均适应度值设计搜索步长因子，数学模型公式为：
；
式中，为当前迭代最小适应度值，/>为当前/>次迭代第/>个狐狸个体位置的适应度值，/>为狐狸优化算法种群总规模。
5.根据权利要求4所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，所述步骤S4中，改进狐狸优化算法整定pH自动调控器的PID控制器参数，通过目标函数反应pH自动调控器的PID控制器参数整定效果，模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，对pH自动调控器的PID控制器参数寻优，利用“空间监测”机制，监测改进狐狸优化算法在寻优过程中是否陷入局部最优，若机制中的公式（3）搜索空间的探索比率满足/>，则说明狐狸优化算法陷入局部最优，利用柯西变异扰动策略更新狐狸种群跳出局部最优，将狐狸个体的位置与pH自动调控器的PID控制器参数值建立实数映射关系，随狐狸优化算法的位置变化，更新pH自动调控器的PID控制器参数值。
6.根据权利要求5所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，目标函数采用微藻生长的目标pH值与实时pH值两者差值的平方与调控时间的平方的和的积分设计，数学模型公式为：
（4）；
式中，为总的调控时间，由狐狸优化算法最大迭代次数/>决定，/>为当前时间，单位为秒，/>为当前/>时刻第/>个狐狸个体位置的适应度值。
7.根据权利要求5所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，利用柯西变异扰动策略对当前陷入局部最优解的狐狸个体位置扰动，生成新的位置，跳出算法局部最优解；
（5）；
式中，为第/>次迭代的狐狸种群位置，/>为当前迭代的种群最佳位置，/>为柯西分布函数。
8.根据权利要求5所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，模拟测量狐狸和猎物之间的距离来执行有效的跳跃捕食，建立狐狸种群的位置更新数学模型，更新pH自动调控器的PID控制器参数值的具体步骤为：
step1、判断能量因子是否满足/>，若是，则按照步骤step2到步骤step4执行改进狐狸优化算法的局部开发位置更新策略，否则按照步骤step5执行全局搜索位置更新策略；
step2、局部开发阶段，首先按照公式（6）计算狐狸与猎物之间的距离，所述距离由猎物声音传播到狐狸个体的时间和声音在空气中的传播速度决定；
（6）；
式中，为第/>次迭代时狐狸与猎物之间的距离，/>为声音在空气中的传播速度，/>为猎物声音传播时间；
step3、得到狐狸和猎物之间的距离后，模拟狐狸跳跃捕捉猎物，通过公式（7）计算跳跃高度，设计狐狸跳跃高度数学模型：
（7）；
式中，为当前迭代次数；
step4、根据狐狸与猎物之间的距离和狐狸跳跃高度，设计公式（8）局部开发阶段的位置更新数学模型；
（8）；
式中，为第/>次迭代的狐狸种群位置，/>为控制开发阶段模式的参数，当随机参数q>0.18时，/>取值为0.18，否则/>取值为0.82；
step5、全局搜索阶段，为了确保狐狸随机地向最佳位置行走，使用一个最小的时间变量MinT和改进后的搜索速度控制因子来控制搜索；按照公式（9）更新种群各个体位置；
（9）；
式中，为当前迭代的种群最佳位置，/>为模拟狐狸走向新猎物位置的最小时间变量，/>为从问题维度D中随机选择的一个变量值，/>为当前迭代次数，为搜索步长因子，/>在改进后的搜索速度控制因子/>的变化范围内取值，取值为0.5，/>为狐狸优化算法最大迭代次数。
9.根据权利要求1-8任意一项所述的一种用于微藻生长的pH自动调控器控制优化方法，其特征在于，pH自动调控器的PID控制器使用增量式PID控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410591482.6A CN118192214B (zh) | 2024-05-14 | 2024-05-14 | 一种用于微藻生长的pH自动调控器控制优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410591482.6A CN118192214B (zh) | 2024-05-14 | 2024-05-14 | 一种用于微藻生长的pH自动调控器控制优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118192214A true CN118192214A (zh) | 2024-06-14 |
| CN118192214B CN118192214B (zh) | 2024-07-16 |
Family
ID=91405216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410591482.6A Active CN118192214B (zh) | 2024-05-14 | 2024-05-14 | 一种用于微藻生长的pH自动调控器控制优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118192214B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1724637A (zh) * | 2004-07-21 | 2006-01-25 | 中国科学院过程工程研究所 | 通过pH值反馈控制补碳培养微藻的方法 |
| CN109240362A (zh) * | 2018-11-26 | 2019-01-18 | 中南大学 | 一种基于分数阶PID控制器的废水pH值调节方法 |
| CN112410215A (zh) * | 2020-10-21 | 2021-02-26 | 英诺维尔智能科技（苏州）有限公司 | 一种氮气和二氧化碳动态调节反应器内ph值的方法 |
| WO2024084278A1 (en) * | 2022-10-22 | 2024-04-25 | Dalirazar Mohammadreza | Control and monitoring of natural cycle like a pond for aquaculture and with the possibility of connection with the hydroponic system |
-
2024
- 2024-05-14 CN CN202410591482.6A patent/CN118192214B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1724637A (zh) * | 2004-07-21 | 2006-01-25 | 中国科学院过程工程研究所 | 通过pH值反馈控制补碳培养微藻的方法 |
| CN109240362A (zh) * | 2018-11-26 | 2019-01-18 | 中南大学 | 一种基于分数阶PID控制器的废水pH值调节方法 |
| CN112410215A (zh) * | 2020-10-21 | 2021-02-26 | 英诺维尔智能科技（苏州）有限公司 | 一种氮气和二氧化碳动态调节反应器内ph值的方法 |
| WO2024084278A1 (en) * | 2022-10-22 | 2024-04-25 | Dalirazar Mohammadreza | Control and monitoring of natural cycle like a pond for aquaculture and with the possibility of connection with the hydroponic system |
Non-Patent Citations (2)
| Title |
|---|
| H MOHAMMED 等: "FOX：a Fox-inspired optimization algorithm", 《APPLIED INTELLIGENCE》, 24 April 2022 (2022-04-24), pages 1030 - 1050 * |
| 王家军, 等: "基于SMOTE的IFOX-1D-CNN变压器故障诊断模型", 《煤矿机械》, vol. 45, no. 4, 30 April 2024 (2024-04-30), pages 176 - 180 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118192214B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102131383B (zh) | 用于生物反应器的基于模型的控制 | |
| Ippoliti et al. | Modeling of photosynthesis and respiration rate for Isochrysis galbana (T-Iso) and its influence on the production of this strain | |
| Bernard | Hurdles and challenges for modelling and control of microalgae for CO2 mitigation and biofuel production | |
| Pruvost et al. | Theoretical investigation of microalgae culture in the light changing conditions of solar photobioreactor production and comparison with cyanobacteria | |
| Pruvost et al. | Industrial photobioreactors and scale-up concepts | |
| Carreño-Zagarra et al. | Linear active disturbance rejection control for a raceway photobioreactor | |
| US20220208297A1 (en) | Predicting cell culture performance in bioreactors | |
| Vera et al. | Multicriteria optimization of biochemical systems by linear programming: application to production of ethanol by Saccharomyces cerevisiae | |
| CN108256181B (zh) | 融合效率约束的设施二氧化碳目标值的优化调控模型的构建与应用 | |
| Du et al. | Alignment of microbial fitness with engineered product formation: obligatory coupling between acetate production and photoautotrophic growth | |
| Barbera et al. | Continuous cultivation as a method to assess the maximum specific growth rate of photosynthetic organisms | |
| CN103649299A (zh) | 生产过程的监控系统及其控制方法 | |
| Blanken et al. | Microalgal biofilm growth under day-night cycles | |
| CN118192214B (zh) | 一种用于微藻生长的pH自动调控器控制优化方法 | |
| Hoyo et al. | A computer-based tool to simulate raceway photobioreactors for design, operation and control purposes | |
| He et al. | Simulating cyanobacterial phenotypes by integrating flux balance analysis, kinetics, and a light distribution function | |
| Mairet et al. | Modeling and optimization of hairy root growth in fed‐batch process | |
| Vargas et al. | A method for the design of a continuous microalgae culture photobioreactor in series with recirculation system | |
| Nausch et al. | Simulation and optimization of nutrient uptake and biomass formation using a multi-parameter Monod-type model of tobacco BY-2 cell suspension cultures in a stirred-tank bioreactor | |
| Ifrim et al. | Optimization of a microalgae growth process in photobioreactors | |
| Villalobos et al. | New strategies for the design and control of raceway reactors to optimize microalgae production | |
| Losa et al. | Dynamic modeling of microalgal growth | |
| Tebbani et al. | Optimal operation of a lumostatic microalgae cultivation process | |
| CN112899125A (zh) | 一种微藻高效固碳装置与营养物补充控制方法 | |
| CN117970784A (zh) | 一种用于水产养殖的增氧设备控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |