1.一种基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，包括以下步骤：
S1：以葡萄糖为原料，采用XZ-A26菌株厌氧流加发酵产L-丙氨酸，建立各时刻多个发酵参数和L-丙氨酸浓度的发酵过程历史数据集，构建并训练BP神经网络模型，形成各时刻多个发酵参数和L-丙氨酸浓度与下一时刻L-丙氨酸浓度的映射关系，选择葡萄糖流加量为控制变量，构建遗传算法模型并优化计算，获得使预测的下一时刻L-丙氨酸浓度最大时T时刻的葡萄糖流加量的模拟值；
S2：发酵过程取样并测定各时刻的各发酵参数和L-丙氨酸浓度，发酵进行至吸光度达到预定值时，将测定的T时刻的L-丙氨酸浓度列为输出的训练数据，把测定的T-1时刻各发酵参数和L-丙氨酸浓度列为输入的训练数据，与历史数据集的训练数据合并训练BP神经网络模型，然后将测定的T时刻的除葡萄糖流加量以外的各发酵参数和L-丙氨酸浓度应用于遗传算法模型并优化计算，获得使预测的T+1时刻L-丙氨酸浓度最大时T时刻的葡萄糖流加量的最优值，并于T时刻投放相应量的葡萄糖完成补料，逐个时刻训练模型和优化计算，获得任意时刻葡萄糖流加量的最优值。
2.如权利要求1所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，多个发酵参数包括各时刻对应的OD值、葡萄糖浓度、葡萄糖流加量以及氨水流加量。
3.如权利要求1所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，将历史数据集的数据按发酵批次随机分为训练数据和测试数据，训练数据和测试数据的比值为3:1，发酵批次为15～20批次。
4.如权利要求2所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，BP神经网络模型以各时刻对应的时刻、吸光度值、葡萄糖浓度、L-丙氨酸浓度、葡萄糖流加量以及氨水流加量列为输入的训练数据，以下一时刻对应的L-丙氨酸浓度列为输出的训练数据，隐含层为两层，第一层为10个单元、第二层为3个单元，形成拓扑结构为6-10-3-1模式的BP神经网络模型。
5.如权利要求4所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，BP神经网络模型采用premnmx函数对输入的数据归一化处理，采用postmnmx函数对输出的预测的丙氨酸浓度反归一化处理，神经网络架构如下net＝newff(pn,tn,[10,3],{'tansig','logsig','purelin'},'trainlm','learngdm')。
6.如权利要求1所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，构建遗传算法模型时，确定葡萄糖流加量的取值范围，进行二进制编码，在该取值范围内产生50个初始种群数量，设置迭代次数为100次，Pc交叉概率为0.25，Pm突变概率为0.01。
7.如权利要求1所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，吸光度达到的预定值为5。
8.如权利要求1所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其特征在于，S2中取样、测定、训练模型、优化计算、投放葡萄糖完成补料整个过程的时间不超过30min，各时刻的间隔为2h。