基于人工鱼群算法的微生物发酵优化方法技术

本发明专利技术公开了一种基于人工鱼群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、使用所述训练数据集对BP神经网络进行训练、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、以BP神经网络为人工鱼群算法的适应度函数计算每条人工鱼的适应度值、当前鱼群分别执行聚群算子或追尾算子、步骤八、判断人工鱼群执行完聚群算子或追尾算子后适应度值是否提高、人工鱼群执行觅食算子、计算人工鱼群的适应度值，记录最优个体。本发明专利技术可根据现有的发酵数据获取最优的控制参数组合，不需要重新设计实验。

【技术实现步骤摘要】

本专利技术涉及微生物发酵控制领域，特别是涉及一种基于人工鱼群算法的微生物发 酵优化方法。
技术介绍
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。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于人工鱼群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。 本专利技术是这样实现的： 一种，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 为一个人工鱼个体，将两个以上人工鱼个体随机组成初始种群； 步骤六、以步骤四中训练合格的BP神经网络为人工鱼群算法的适应度函数，计算 每条人工鱼的适应度值，并记录最优个体的适应度值； 步骤七、当前鱼群分别执行聚群算子或追尾算子； 步骤八、判断人工鱼群执行完聚群算子或追尾算子后适应度值是否提高，若是，则 比较人工鱼群执行聚群算子与追尾算子后的适应度值，选择适应度值较大的作为最终执行 算子，并跳转至步骤十，若否，则跳转至步骤九； 步骤九、人工鱼群执行觅食算子； 步骤十、计算人工鱼群的适应度值，记录最优个体，判断最优个体的适应度值是否 不再变化，若是，则输出最优解，进行解码得到发酵控制参数的最优组合，若否，则跳转至步 骤六。 进一步的，步骤七中，执行聚群算子具体包括步骤： 根据以下公式计算人工鱼群的中心位置X_tCT 其中，X,为第j条人工鱼当前位置，n f为以自身位置为中心，其感知范围内的人工 鱼的数目； 计算该中心位置X_tCT对应的人工鱼群的适应度值Y ，判断是否满足条件 Intra^Y1，且Y_tCT/nf< S XY1，其中，δ为拥挤因子，δ < LY1为第i条人工鱼的适应 度值，若是，则人工鱼群中心位置前进一步，前进后的位置Xnrait根据以下公式计算：.，其中，rand ()为0~1之间的 随机数，step为人工鱼每次前进一步的步长； 步骤七中，执行追尾算子具体包括步骤： 人工鱼根据其自身当前位置X1搜索其感知范围内适应度值最大的人工鱼X _，判 断人工鱼Xniax的适应度值Y _是否大于人工鱼X i的适应度值Y i，若是，则以人工鱼x_为中 心搜索其感知范围内的人工鱼数目nf，并判断是否满足条件：Y_> ￥1且￥_/&< δ XY1 其中，S为拥挤因子，δ < 1，若是，则人工鱼向适应度值最大的人工鱼Xniax前进一步，前进 后的位置用以下公式表示：ο 进一步的，所述步骤九中，人工鱼群执行觅食算子包括步骤： 步骤九一、设第i条人工鱼所在的位置为X1，第i条人工鱼按照公式：Χ,= Xi+randO X visual转移至新的位置Xj,其中，rand ()为为0~1之间的随机数，visual为 人工鱼的感知范围，visual值在种群初始时预先设定； 步骤九二、根据适应度函数计算新的人工鱼在位置X,的适应度值Y ，判断Y,是否 大于位置X1的适应度值Y i，若Y ，则人工鱼向位置\前进一步，并按以下公式更新至 新的位置Xnext: 若Yi> Y _j，则人工鱼按公式：X_j= X i+randO X visual进行位置更新，更新后判断 是否满足前进条件，若否，则重复执行觅食算子直至设定的最大重复次数，当达到最大重复 次数时，按公式：X next= X i+randO X step在感知范围内随机移动一步，使得Xi到达一个新 的位置Xnext。 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R 2大于〇. 9。 本专利技术的有益效果为：本专利技术把经过训练的BP神经网络作为人工鱼群算法的适 应度函数，应用人工鱼群算法对发酵过程进行优化控制，免去了人工鱼群算法对微生物发 酵进行优化控制时需要构建复杂的适应度函数的问题；人工鱼群算法中包含随机算子，随 机算子产生一个完整的新解，各个编码位都可能改变，整体改变幅度大，产生的新解特异性 大，丰富了解的多样性，符合生物群体进化的规律；同时，人工鱼群算法中还包含追尾算子， 加快人工鱼向更优的位置游动，同时也使陷入局部最优的人工鱼向全局最优的人工鱼方向 移动而逃离局部最优，加快了算法的收敛性。可见，通过本专利技术更有利于得到发酵最优个体 和最优发酵控制参数的问题。【附图说明】 图1为本专利技术实施方式的当前第1页1 2 3 本文档来自技高网...

【技术保护点】
基于人工鱼群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，一条染色体为一个人工鱼个体，将两个以上人工鱼个体随机组成初始种群；步骤六、以步骤四中训练合格的BP神经网络为人工鱼群算法的适应度函数，计算每条人工鱼的适应度值，并记录最优个体的适应度值；步骤七、当前鱼群分别执行聚群算子或追尾算子；步骤八、判断人工鱼群执行完聚群算子或追尾算子后适应度值是否提高，若是，则比较人工鱼群执行聚群算子与追尾算子后的适应度值，选择适应度值较大的作为最终执行算子，并跳转至步骤十，若否，则跳转至步骤九；步骤九、人工鱼群执行觅食算子；步骤十、计算人工鱼群的适应度值，记录最优个体，判断最优个体的适应度值是否不再变化，若是，则输出最优解，进行解码得到发酵控制参数的最优组合，若否，则跳转至步骤六。...

【技术特征摘要】

【专利技术属性】
技术研发人员：彭建升，
申请(专利权)人：莆田学院，
类型：发明
国别省市：福建;35