基于粒子群算法的微生物发酵优化方法

摘要

本发明公开了一种基于粒子群算法的微生物发酵优化方法，该方法包括以下步骤：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、对BP神经网络进行训练、对每个所述微生物发酵控制参数进行二进制编码得到粒子初始种群、以BP神经网络作为适应度函数计算每个粒子的适应度值、执行粒子的自身极值算子、执行粒子全局极值算子、执行速度-位移模型操作算子，以BP神经网络作为适应度函数计算更新位置后的新一代粒子适应度值，得到最优的控制参数组合。本发明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。

主权项

基于粒子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，一条染色体为一个粒子个体，将两个以上粒子个体随机组成初始种群；步骤六、以步骤四中训练合格的BP神经网络作为适应度函数计算每个粒子的适应度值；步骤七、执行粒子的自身极值算子，判断粒子当前的适应度值是否大于该粒子所经历过的最好位置p_id的适应度值，若是，则更新所述粒子的最好位置p_id；步骤八、执行粒子全局极值算子，判断粒子的适应度值是否大于群体中所有粒子所经历的最好位置p_gd的适应度值，若是，则更新群体的全局最好位置p_gd；步骤九、执行速度‑位移模型操作算子，判断每个粒子是否找到自身最好位置p_id和全局最好位置p_gd，若是，则每个粒子按以下公式更新自己的速度和位置，v_id(t+1)＝ωv_id(t)+η₁rand()(p_id‑x_id(t))+η₂rand()(p_gd‑x_id(t))、x_id(t+1)＝x_id(t)+v_id(t+1)，其中，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，x_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η1、η2为加速常数，rand()为0～1之间的随机数；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更新位置后的新一代粒子适应度值，判断粒子的适应度值是否不再变化，如果还有变化则跳转至步骤六，如果不再变化则输出最优粒子，并进行解码，得到最优的控制参数组合。