鬼佬大哥大
  • / 7
  • 下載費用:30 金幣  

基于MEMETIC算法的微生物發酵控制優化方法.pdf

摘要
申請專利號:

CN201510469590.7

申請日:

2015.08.04

公開號:

CN105069323A

公開日:

2015.11.18

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 19/10申請日:20150804|||公開
IPC分類號: G06F19/10(2011.01)I 主分類號: G06F19/10
申請人: 莆田學院
發明人: 彭建升
地址: 351100福建省莆田市城廂區學園中街1133號莆田學院科研處
優先權:
專利代理機構: 福州市景弘專利代理事務所(普通合伙)35219 代理人: 林祥翔; 呂元輝
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510469590.7

授權公告號:

||||||

法律狀態公告日:

2018.05.01|||2015.12.16|||2015.11.18

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明公開了一種基于Memetic算法的微生物發酵控制優化方法,包括以下步驟:建立微生物發酵數據集、構建BP神經網絡、使用所述訓練數據集對BP神經網絡進行訓練、對微生物發酵控制參數進行二進制編碼、執行交叉算子、采用爬山算法執行局部搜索算子、執行變異算子、再次執行局部搜索算子,將選出的較優個體作為當前解、以步驟四中訓練合格的BP神經網絡作為適應度函數,計算群體中每個個體的適應度值,然后通過選擇算子,對群體進行更新、從新的種群中尋找最優的個體并記錄最優的控制參數組合。本發明可根據現有的發酵數據獲取取最優的控制參數組合,不需要重新設計實驗。

權利要求書

1.基于Memetic算法的微生物發酵控制優化方法,其特征在于,包括以下
步驟:
步驟一、建立微生物發酵數據集,所述發酵數據集包括微生物發酵過程中
的發酵控制參數以及與發酵控制參數對應的發酵產物的數量;
步驟二、將所述微生物發酵數據集隨機分成訓練數據集與測試數據集兩個
部分;
步驟三、構建BP神經網絡,其中,發酵控制參數作為BP神經網絡的輸入
層輸入節點,發酵產物的產量作為BP神經網絡的輸出層輸出節點,設定隱含層
節點數量;
步驟四、使用所述訓練數據集對BP神經網絡進行訓練,使BP神經網絡學
習控制參數與發酵產物數量之間的映射關系,使用所述測試數據集檢測經過訓
練的BP神經網絡預測產物數量的準確性是否在預設的誤差范圍內,若否,則對
所述BP神經網絡重新進行訓練;
步驟五、根據發酵控制參數的精度和取值范圍對每個所述微生物發酵控制
參數進行二進制編碼,將兩個以上二進制編碼后的發酵控制參數串連成一條染
色體,一條染色體為一個個體,將兩個以上個體隨機組成初始種群;
步驟六、執行交叉算子:在初始種群中選擇兩個以上個體,從所述個體中
隨機選擇兩個個體,根據預先設定的交叉概率Pc對兩個個體中交叉位的基因進
行交叉操作;
步驟七、采用爬山算法執行局部搜索算子;
步驟八、執行變異算子:根據交叉概率Pc在兩個以上的個體中生成交叉位,
隨機地從群體中選擇兩個個體,對交叉位基因進行交換,直到中間群體中的所
有個體都進行交換;
步驟九、再次執行局部搜索算子,將選出的較優個體作為當前解;
步驟十、以步驟四中訓練合格的BP神經網絡作為適應度函數,計算群體中
每個個體的適應度值,然后通過選擇算子,對群體進行更新;
步驟十一、從新的種群中尋找最優的個體并記錄下來,判斷最優個體的適
應度值是否不再變化,如果還有變化則跳轉至步驟七,如果不再變化則輸出最
優個體,并進行解碼,得到最優的控制參數組合。
2.根據權利要求1所述的基于Memetic算法的微生物發酵控制優化方法,
其特征在于,所述步驟七包括以下步驟:
為每個一個個體隨機的產生兩個基因位,交換兩個基因位上的值來產生領
域范圍的個體;
重復兩次以上搜索過程,選出較優個體,將適應度高的個體作為當前解。
3.根據權利要求1所述的基于Memetic算法的微生物發酵控制優化方法,
其特征在于,在步驟一中,所述發酵控制參數包括發酵溫度、發酵液pH值、發
酵液溶解氧濃度、發酵液濁度或發酵液殘氮量。
4.根據權利要求1所述的基于Memetic算法的微生物發酵控制優化方法,
其特征在于,在步驟四中,所述誤差范圍為BP神經網絡預測發酵產物數量的預
測值和實驗測得的觀察值之間的線性回歸判定系數R2大于0.9。
5.根據權利要求1所述的基于Memetic算法的微生物發酵控制優化方法,
其特征在于,所述交叉概率Pc是在步驟五中組成初始種群時設定的。

說明書

基于Memetic算法的微生物發酵控制優化方法

技術領域

本發明涉及微生物發酵領域,特別是涉及一種基于Memetic算法的微生物
發酵控制優化方法。

背景技術

微生物發酵過程是高度復雜且非線性的過程,難于用精確的數學模型對發
酵過程進行建模。近幾年,隨著計算智能算法的發展,越來越多的計算智能算
法被應用到微生物發酵過程建模與優化控制上。如應用BP神經網絡、遺傳算法
等對發酵過程進行建模與優化控制。現有技術常把BP神經網絡、遺傳算法單獨
應用于發酵過程的建模與優化控制。也有聯合應用BP神經網絡與遺傳算法對發
酵過程進行建模與優化控制,但這種聯合應用常常只利用遺傳算法優化BP神經
網絡的結構,再應用優化后的BP神經網絡對發酵過程進行建模與優化控制。另
外傳統的遺傳算法優化發酵控制也存在如下主要問題:

1、傳統遺傳算法在個體更新后并沒有判斷其是否得到優化,以至于經過交
叉、變異后的個體出現不如父代的退化現象;

2、傳統遺傳算法容易出現早熟收斂的問題,陷入局部最優解;

3、傳統遺傳算法適應度值高的個體在一代中被選擇的概率高,相應的濃度
高,適應度值低的個體在一代中被選擇的概率低,相應的濃度低,沒有自我調
節能力,不利于保持群體中個體的多樣性;

4、現有的發酵控制優化方法都要通過預先設計實驗,然后實施設計的實驗
方案,得到實驗數據再進行分析優化控制策略。

發明內容

為解決上述技術問題,本發明提供一種基于Memetic算法的微生物發酵控
制優化方法,用于解決現有微生物發酵控制過程需要預先設計實驗,不易得到
發酵最優個體的問題,提高發酵個體的搜索速率和收斂性。

本發明是這樣實現的:

一種基于Memetic算法的微生物發酵控制優化方法,包括以下步驟:

步驟一、建立微生物發酵數據集,所述發酵數據集包括微生物發酵過程中
的發酵控制參數以及與發酵控制參數對應的發酵產物的數量;

步驟二、將所述微生物發酵數據集隨機分成訓練數據集與測試數據集兩個
部分;

步驟三、構建BP神經網絡,其中,發酵控制參數作為BP神經網絡的輸入
層輸入節點,發酵產物的產量作為BP神經網絡的輸出層輸出節點,設定隱含層
節點數量;

步驟四、使用所述訓練數據集對BP神經網絡進行訓練,使BP神經網絡學
習控制參數與發酵產物數量之間的映射關系,使用所述測試數據集檢測經過訓
練的BP神經網絡預測產物數量的準確性是否在預設的誤差范圍內,若否,則對
所述BP神經網絡重新進行訓練;

步驟五、根據發酵控制參數的精度和取值范圍對每個所述微生物發酵控制
參數進行二進制編碼,將兩個以上二進制編碼后的發酵控制參數串連成一條染
色體,一條染色體為一個個體,將兩個以上個體隨機組成初始種群;

步驟六、執行交叉算子:在初始種群中選擇兩個以上個體,從所述個體中
隨機選擇兩個個體,根據預先設定的交叉概率Pc對兩個個體中交叉位的基因進
行交叉操作;

步驟七、采用爬山算法執行局部搜索算子;

步驟八、執行變異算子:根據交叉概率Pc在兩個以上的個體中生成交叉位,
隨機地從群體中選擇兩個個體,對交叉位基因進行交換,直到中間群體中的所
有個體都進行交換;

步驟九、再次執行局部搜索算子,將選出的較優個體作為當前解;

步驟十、以步驟四中訓練合格的BP神經網絡作為適應度函數,計算群體中
每個個體的適應度值,然后通過選擇算子,對群體進行更新;

步驟十一、從新的種群中尋找最優的個體并記錄下來,判斷最優個體的適
應度值是否不再變化,如果還有變化則跳轉至步驟七,如果不再變化則輸出最
優個體,并進行解碼,得到最優的控制參數組合。

進一步的,所述步驟七包括以下步驟:

為每個一個個體隨機的產生兩個基因位,交換兩個基因位上的值來產生領
域范圍的個體,比較當前個體與新產生領域范圍內的個體的適應度值,如果當
前個體是適應度值較高,則將其作為當前較優個體,反之就用較高的相鄰個體
來替換當前個體作為較優個體,如此循環,直到搜索到局部最優解。

進一步的,在步驟一中,所述發酵控制參數包括發酵溫度、發酵液pH值、
發酵液溶解氧濃度、發酵液濁度或發酵液殘氮量。

進一步的,在步驟四中,所述誤差范圍為BP神經網絡預測發酵產物數量的
預測值和實驗測得的觀察值之間的線性回歸判定系數R2大于0.9。

進一步的,所述交叉概率Pc是在步驟五中組成初始種群時設定的。

本發明的有益效果為:本發明經過訓練的BP神經網絡直接作為Memetic
算法的適應度函數,再應用Memetic算法對發酵過程進行優化控制,免去了
Memetic算法對微生物發酵進行優化控制時需要構造復雜的適應度函數的問題,
在本發明中,只要用現有的發酵數據,不需要重新設計實驗;進一步的,本發
明Memetic算法在傳統遺傳算法中引入局部搜索算子,加強了算法的局部搜索
能力,每一代的進化都對最優解與全局解最優解進行比較,如果當前最優解比
全局最優解好,就用當前最優解代替全局最優解,否則保留全局最優解,使得
解的質量整體不斷向最優解逼近,有效避免陷入局部最優解,并且Memetic算
法的采用全局搜索和局部搜索相結合的機制使得搜索效率大大加快,算法迭代
次數減少,提高尋優效率,因此本發明無需預先設計實驗,即可得到發酵的最
優個體以及最優發酵控制參數,提高發酵個體的搜索速率和收斂性。

附圖說明

圖1為本發明實施方式基于Memetic算法的微生物發酵控制優化方法的的
控制流程圖。

具體實施方式

為詳細說明本發明的技術內容、構造特征、所實現目的及效果,以下結合
實施方式并配合附圖詳予說明。

請參閱圖1,本發明實施方式一種基于Memetic算法的微生物發酵控制優化
方法,所述Memetic算法一種結合遺傳算法和局部搜索策略的新型智能算法,
因此很多人又將Memetic算法稱為混合遺傳算法、遺傳局部優化等。通過與局
部優化策略的結合,可以局部調整進化后產生的新個體,強化了算法的局部搜
索能力。

該基于Memetic算法的微生物發酵控制優化方法,包括以下步驟:

1、選擇需要優化控制的發酵控制參數,如發酵溫度、發酵液pH值、發酵
液溶解氧濃度、發酵液濁度、發酵液殘氮量等,并每隔一定時間記錄控制參數
的設定值及對應的發酵產品的產量。經過多批次的發酵,把這些批次的發酵數
據作為發酵數據集。

2、把發酵數據集隨機分成兩部分,一部分為訓練數據集,一部分為測試數
據集。訓練數據集用來訓練BP神經網絡,其中,測試數據集不參與訓練BP神
經網絡,而是用于測試經過訓練的BP神經網絡預測發酵產品產量的準確性。一
般測試數據集占總發酵數據集的6%左右。

3、構建BP神經網絡方法:把選定的發酵控制參數作為BP神經網絡的輸
入層輸入節點,把發酵產品的產量作為BP神經網絡的輸出層輸出節點,選擇適
當的隱含層節點數,構建三層BP神經網絡。

4、使用所述訓練數據集對BP神經網絡進行訓練,讓BP神經網絡學習控
制參數與發酵產品產量之間的映射關系,用測試數據集對經過訓練的BP神經網
絡預測產品產量的準確性進行測試,如果經過訓練的BP神經網絡預測產量的準
確性超出實驗允許的誤差范圍之外,則重新進行訓練,如果在實驗誤差允許的
范圍內(一般要求BP神經網絡預測發酵產品產量的預測值和實驗測得的觀察值
之間的線性回歸判定系數(coefficientofdetermination)R2大于0.9),則BP神
經網絡訓練合格。其中,訓練合格的BP神經網絡作為Memetic算法的適應度函
數。

5、對選定的發酵控制參數進行編碼,每個發酵控制參數根據實驗要求的精
度和發酵參數取值范圍,進行二進制編碼。設某一參數x的取值范圍在[a,b],編
碼長度為n,則編碼精度為(b-a)/(2n-1),只要確定了實驗要求的精度和發酵參
數的取值范圍,就可算出需要編碼的二進制符號串的長度。經過二進制編碼后
的每個發酵控制參數可以看作一個基因,多個基因串連組成一條染色體,一條
染色體代表一個體,許多個隨機個體組成初始種群,在組成初始種群時設置算
法參數,如種群規模、變異概率、交叉概率等。

6、執行交叉算子,依據抗體適應度值和抗體濃度所決定的抗體選擇概率,
選擇若干抗體,從這些選擇的抗體中隨機選擇兩個抗體,由交叉概率Pc來控制
交叉位,對交叉位的基因進。

7、執行局部搜索算子,本發明采用爬山算法實現局部搜索,對于每個一個
個體隨機地產生兩個基因位,通過交換兩個基因位上的值來產生領域范圍的個
體,進行3次搜索過程,選出較優個體,最終將適應度高的個體作為當前解。

8、執行變異算子,以概率Pc生成一個“一點交叉”的交叉位,隨機地從
中間群體中選擇兩個個體,對交叉位基因進行交換,直到中間群體中的所有個
體都被選擇過。

9、再次執行局部搜索算子,對種群中的每一個個體進行局部探索,采用爬
山算法實現局部搜索,選出較優個體,作為當前解。

10、更新所有個體,以訓練合格的BP神經網絡作為適應度函數計算群體中
每個的適應度值,通過選擇算子,進行群體更新。

11、從新的種群中尋找最優的個體并記錄下來,判斷最優個體的適應度值
是否不再變化,如果還有變化則繼續循環計算,如果不再變化則跳出循環,輸
出最優個體,并進行解碼,得到最優的參數控制組合。

在本發明實施方式中,Memetic算法采用的這種全局搜索和局部搜索相結合
的機制使得其搜索效率在某些問題領域比傳統的遺傳算法快幾個數量級,顯示
出了較高的尋優效率,并被嘗試應用于求解各種經典的優化問題及各類工程優
化問題。

現有的發酵控制優化方法都要通過預先設計發酵實驗,然后不斷的實施設
計的多種發酵實驗方案,得到發酵實驗數據后再進行分析優化控制策略。本發
明經過訓練的BP神經網絡直接作為Memetic算法的適應度函數,再應用
Memetic算法對發酵過程進行優化控制(尋找最優個體),因此不需要重復發酵
實驗,只要用現有的發酵數據,就能找到優化的發酵控制策略。例如,某發酵
工廠需要第三方去做發酵工藝優化方案,通過本發明就不需要重新設計發酵實
驗,本發明直接利用發酵工廠現在的發酵歷史數據進行分析,就能找出優化的
發酵控制策略,使發酵優化控制更加方便、快捷。通過本發明方法,可以繪制
出優化的發酵控制軌線,操作員只需要按優化的控制軌線進行控制參數設定,
就能有效改善發酵過程。

在現有的Memetic算法等進化算法中,控制的難點在于構建適合的算法的
適應度函數,特別對高度復雜的微生物發酵過程,構建適應度函數更加困難,
本發明通過訓練合格的BP神經網絡剛好可以作為Memetic算法的適應度函數,
解決了構建適應度函數難的問題。免去了免疫遺傳算法對微生物發酵進行優化
控制時需要構造復雜的適應度函數的問題。

本發明在Memetic算法在傳統遺傳算法中引入局部搜索算子,加強了算法
的局部搜索能力,每一代的進化都對最優解與全局解最優解進行比較,如果當
前最優解比全局最優解好,就用當前最優解代替全局最優解,否則保留全局最
優解,使得解的質量整體不斷向最優解逼近,有效避免陷入局部最優解,在本
Memetic算法中,除了局部搜索算子,其余的步驟都是全局搜索步驟,全局搜索
其實就是遺傳算法,局部搜索算子只是嵌入到全局搜索的步驟中。同時,Memetic
算法的這種全局搜索和局部搜索相結合的機制使得搜索效率大大加快,算法迭
代次數減少,提高尋優效率。

以上所述僅為本發明的實施例,并非因此限制本發明的專利范圍,凡是利
用本發明說明書及附圖內容所作的等效結構或等效流程變換,或直接或間接運
用在其他相關的技術領域,均同理包括在本發明的專利保護范圍內。

關 鍵 詞:
基于 MEMETIC 算法 微生物 發酵 控制 優化 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于MEMETIC算法的微生物發酵控制優化方法.pdf
鏈接地址:http://www.wwszu.club/p-6385958.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大