[发明专利]基于Memetic算法的微生物发酵控制优化方法

说明书

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。