群能量守恒粒子群算法及其在發(fā)酵過程控制中的應用研究.pdf

1、發(fā)酵工程是生化工程和現(xiàn)代生物技術(shù)及其產(chǎn)業(yè)化的基礎。在發(fā)酵工程領(lǐng)域，為了提高發(fā)酵水平和生產(chǎn)率，更多的研究工作集中在菌種的篩選和改造上。盡管現(xiàn)代生物技術(shù)的發(fā)展，在基因工程和代謝工程領(lǐng)域內(nèi)有了長足的進展，通過誘發(fā)變異、基因重組和培養(yǎng)能夠得到高產(chǎn)菌株，然而，通過優(yōu)化模型和控制以使發(fā)酵過程產(chǎn)品生產(chǎn)最優(yōu)仍是發(fā)酵工程領(lǐng)域中存在的主要問題之一，因此對生物發(fā)酵過程模型優(yōu)化及優(yōu)化控制的研究日益受到重視。粒子群優(yōu)化算法原理簡單、易于實現(xiàn)，且適合于復雜優(yōu)化問題

2、的求解，因此，將粒子群優(yōu)化算法引入發(fā)酵領(lǐng)域進行模型參數(shù)估計為發(fā)酵過程模型優(yōu)化提供了有效途徑。發(fā)酵過程的優(yōu)化控制目標多種多樣（最大生產(chǎn)率、最大終止時刻產(chǎn)量或最高原料轉(zhuǎn)化率等），發(fā)酵領(lǐng)域中處理多目標問題的傳統(tǒng)方法（目標加權(quán)合并、目標轉(zhuǎn)化為約束等）實施困難且易丟失非凸目標函數(shù)最優(yōu)解以至決策失誤?；诹Ｗ尤簝?yōu)化的多目標算法由于在搜索中具有多向性和全局性，同時可以處理所有類型的目標函數(shù)和約束，因此非常適合求解發(fā)酵過程中復雜的多目標優(yōu)化控制問題。<

3、br>　　 本文在分析現(xiàn)有粒子群算法研究現(xiàn)狀的基礎上，對標準粒子群算法在尋優(yōu)過程中容易過早收斂、陷入局部最優(yōu)的現(xiàn)象進行研究，應用能量守恒原理，通過引入粒子最差位置提出了一種群能量守恒粒子群優(yōu)化算法。該算法根據(jù)粒子內(nèi)能進行動態(tài)分群，對較優(yōu)群體采用引入最差粒子的速度更新策略，加快較優(yōu)群體收斂速度;對較差群體采用帶有懲罰機制的速度更新策略，補償較優(yōu)群體速度降低產(chǎn)生的整群能量損失，避免算法陷入局部最優(yōu)。典型優(yōu)化問題的仿真結(jié)果表明，該算法具有更

4、強的全局搜索能力和更快的收斂速度。
　　 對多目標進化算法在尋優(yōu)過程中的收斂性和分布性問題進行研究，提出一種群能量守恒多目標粒子群優(yōu)化算法。該算法在粒子速度和位移計算中引入粒子群體能量守恒機制，并將該機制同非支配排序方法、自適應網(wǎng)格機制以及精英保留策略進行有機結(jié)合，提高粒子搜尋能力，避免陷入次優(yōu)非支配前沿。將該算法和非支配排序遺傳算法分別作為子種群進化規(guī)則，構(gòu)造基于種群間優(yōu)劣互補的多目標協(xié)同進化算法。與經(jīng)典多目標進化算法的比較測

5、試結(jié)果表明，所提算法具有更好的解分布性和收斂性。
　　 在發(fā)酵過程優(yōu)化控制方法研究上，針對批次發(fā)酵過程模型不準確和過程參數(shù)不穩(wěn)定特點，利用批次流加過程中的反復迭代特性提出一種用于批次流加發(fā)酵過程的批次間協(xié)同優(yōu)化控制方法。該方法將群能量守恒粒子群算法、多目標粒子群算法和批次間優(yōu)化控制有機地結(jié)合起來，用上一輪批次流加發(fā)酵過程的數(shù)據(jù)進行過程模型參數(shù)辨識，并將更新的過程模型用于新一輪發(fā)酵過程中進行操作條件優(yōu)化。基于工業(yè)酵母發(fā)酵過程仿真模