行适应度值较 大的行为算子，若某条人工鱼试探聚群算子和追尾算子后，适应度值均没有改善，则这条人 工鱼执行觅食算子，若这条人工鱼在达到觅食算子的最大尝试次数后，适应度值仍没有改 善，则执行随机算子，即这条人工鱼在自己的周围环境中随机游动到一个新的位置，最终人 工鱼集结在最优解的周围。
[0064] 本发明人工鱼群算法中包含了随机算子，与遗传算法的变异算子不同，随机算子 是针对基因位的某一个基因随机改变，改变幅度小，产生的新解特异性不大，而人工鱼群的 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，从而有助于算法跳出局部最优解。进 一步的，本发明人工鱼群算法中还包含了追尾算子，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。因此通过本发明可以得到发酵最优个体和最优发酵控制参数。
[0065] 现有的发酵控制优化方法都要通过预先设计发酵实验，然后不断的实施设计的多 种发酵实验方案，得到发酵实验数据后再进行分析优化控制策略。而本发明直接通过训练 BP神经网络对发酵过程进行建模，人工鱼群算法对发酵过程寻优，就能找到优化的发酵控 制策略，不需要重新设计实验，只要用现有的发酵数据。例如，某发酵工厂需要第三方去做 发酵工艺优化方案，通过本发明就不需要重新设计发酵实验，本发明直接利用发酵工厂现 在的发酵历史数据进行分析，就能找出优化的发酵控制策略，使发酵优化控制更加方便、快 捷。通过本发明方法，可以绘制出优化的发酵控制轨线，操作员只需要按优化的控制轨线进 行控制参数设定，就能有效改善发酵过程。
[0066] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发 明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技 术领域，均同理包括在本发明的专利保护范围内。
【主权项】
1. 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 、- /N〇2. 根据权利要求1所述的基于人工鱼群算法的微生物发酵优化方法，其特征在于，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XrantCT其中，X,为第j条人工鱼当前位置，nf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YrantCT> Y1，且Y_tCT/nf< δ 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Xraxt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X_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：￥_>￥1且￥_/1^< 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乂_前进一步，前进后的位 置用以下公式表示：3. 根据权利要求1所述的基于人工鱼群算法的微生物发酵优化方法，其特征在于，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4 = Xi+randO X visual转移至新的位置Xj,其中，rand()为O~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人工鱼j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= Xi+randO Xvisual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：Xnext= X i+randO Xstep在感知范围内随机移动一步，使得Xjlj达一个新的位 置 Xnext。4. 根据权利要求1所述的基于人工鱼群算法的微生物发酵优化方法，其特征在于，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。5. 根据权利要求1所述的基于人工鱼群算法的微生物发酵优化方法，其特征在于，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 %。6. 根据权利要求1所述的基于人工鱼群算法的微生物发酵优化方法，其特征在于，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R2大于0. 9。
【专利摘要】本发明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。
【IPC分类】G06Q10/04, G06N3/02
【公开号】CN105160398
【申请号】CN201510471167
【发明人】彭建升
【申请人】莆田学院
【公开日】2015年12月16日
【申请日】2015年8月4日