[发明专利]基于BP神经网络免疫遗传算法的微生物发酵优化方法

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。