（控制科学与工程专业论文）基于遗传算法的间歇过程优化控制策略研究.pdf

i - _ _ _ 。 学位论文数据集 中图分类号 t p 2 7 3 学科分类号 5 1 0 8 0 1 0 论文编号 10 0 10 2 0 1 1 0 7 7 5密级公开 学位授予单位代码 1 0 0 1 0学位授予单位名称北京化工大学 作者姓名孔超 学号 2 0 0 8 0 0 0 7 7 5 获学位专业名称控制科学与工程 获学位专业代码 0 8 1 1 0 1 课题来源自选项目研究方向 间歇过程优化控制 论文题目 基于遗传算法的间歇过程优化控制策略研究 关键词 间歇发酵过程，遗传算法，最优控制策略，仿真 论文答辩日期 2 0 1 1 5 2 6论文类型 应用研究 学位论文评阅及答辩委员会情况 姓名职称工作单位学科专长 指导教师 李宏光教授北京化工大学控制理论与控制工程 评阅人1 王晶副教授北京化工大学控制科学与工程 评阅人2耿志强副教授北京化工大学控制理论与控制工程 评阅人3 评阅人4 评阅人5 答辩委员蝴 朱群雄教授北京化工大学智能系统与数据挖掘 答辩委员1 黄克谨教授北京化工大学化工过程系统工程 答辩委员2王友清教授北京化工大学控制理论 答辩委员3 耿志强副教授北京化工大学控制理论与控制工程 答辩委员4 王晶副教授北京化工大学控制科学与工程 答辩委员5 注：一论文类型：1 基础研究2 应用研究3 开发研究4 其它 二中图分类号在( ( 中国图书资料分类法查询。 三学科分类号在中华人民共和国国家标准( g b t1 3 7 4 5 9 ) 学科分类与代码中查询。 四论文编号由单位代码和年份及学号的后四位组成 25 5舢77眦8iiiil舢y 摘要 基于遗传算法的间歇过程优化控制策略研究 摘要 随着市场经济的发展，追求生产小批量、多品种、高附加值产品 成为一种趋势，因此，在精细化工和制药等领域越来越多地采用了间 歇生产工艺。由于目前大多数的间歇发酵过程自动化水平普遍较为落 后，为了适应市场的发展、提高产品的竞争力，同时还要兼顾降低生 产成本和环保的要求，研究开发间歇发酵过程中的先进的控制策略和 各种优化方法已经成为迫切的需要。 间歇发酵过程具有非线性、非稳态工作点及多变量的特点，与化 工的连续过程有所不同，因而使得一些用于连续过程的先进控制算法 和策略不再适合。 遗传算法作为一种随机搜索和优化算法，可以高效处理非线性问 题，同时具有全局优化和易操作的特性。考虑间歇发酵过程的复杂性， 同时基于全面关注发酵过程中间状态的思想，提出了一个基于遗传算 法的新型优化控制策略，通过由求解一系列端点时间不固定最优控制 子问题得到整个间歇过程的最优操作策略。同时为了克服遗传算法容 易陷入局部最优和加快收敛速度，在自适应遗传算法基础上对相关的 遗传算子进行了改进，并将改进后的自适应遗传算法应用到所提出的 优化控制策略之中。 论文以青霉素发酵过程为研究对象，首先，充分考虑了影响发酵 北京化t 大学硕l ：学位论文 产量的菌体平均比生长速率和流加时间间隔因素，给出了优化目标函 数的表达式，详细给出了新型优化控制策略并讨论了算法的实现，求 解获得整个发酵过程的最优流加速率轨线；其次，对提出的优化控制 策略和等级策略进行了仿真，验证了所提出的策略的可行性。同时将 改进的自适应遗传算法应用到优化策略中，仿真表明它在局部寻优和 收敛速度上有了很大的改进；最后，对控制策略的实现问题进行了分 析，探讨了p h 值对发酵过程的影响，并给出了简单的实验性结论。 开发了一个青霉素发酵过程控制实验平台，能够提供控制策略参数设 置、过程的仿真以及监控实时过程参数数据及曲线。 关键词：间歇发酵过程，遗传算法，最优控制策略，仿真 a b s t r a c t s t u d i e so ng e n e t i ca l g o r i t h mb a s e d o p t i m a lc o n t r o ls t r a t e g i e sf o rb a t c h 北京化工大学硕士学位论文 g e n e t i ca l g o r i t h mi sr e c o g n i z e da sar a n d o ms e a r c ha n d o p t i m i z a t i o n a p p r o a c ha b l et oe f j e i c i e n t l yd e a lw i t hn o n l i n e a rp r o c e s s e s ，a sw e l la st h e c h a r a c t e r i s t i c so fg l o b a lo p t i m i z a t i o na n de a s yi m p l e m e n t a t i o n t a 虹n g a c c o u mo ft h ec o m p l e x i t ya n dp a y i n gc l o s ea t t e n t i o nt ot h ei n t e m l e d i a t e s t a t e s ，o fb a t c hf e n n e n t a t i o np r o c e s s e s ，t h i st h e s i se x p l i c i t l yd e v e l o pa l ( i n do fn o v e lo p t i m a lc o n t r o ls t r a t e g yb a s e do ng e n e t i ca l g o r i t h m s ，w h i c h c o u l de f f e c t i v e l ya c h i e v eo p t i m a lo p e r a t i n gs t r a t e g i e sf o rb a t c h p i o c e s s e s b ys o l v i n gas 耐e so fs u b - o p t i m a lc o n t r o lp r o b l e m sw i t hu n f i x e de n d p o i n t t i m e m o r e o v e r t oo v e r c o m ep r e m a t u r eo r1 0 c a l - b e s ts o l u t i o n ，ah n do f i m p r o v e da d 印t i v eg e n e t i ca l g o r i t h m si si n t r o d u c e da n da p p l i e dt ot l l e o p t i m a lc o n t r 0 1s t r a t e g i e s as p e c i f i e dp e n i c i l l i nf e n n e n t a t i o n p r o c e s s i s e n l p l o y e di nt h e s t u d i e s f i r s t l y ，a no b je c t i v em n c t i o nt a l ( i n g 血l l ya c c o u n to fa d d i t i v e i m p a c t so fa v e r a g es p e c i f i c 孕o 、玑hr a t e sa n dt i m ei n t e r v a l so ff e e dn o w o nd e s i r e d y i e l d s i se s t a b l i s h e d a n i n d 印t hi n v e s t i g a t i o n o n c o r r e s p o n d i n go p t i m a l c o n t r o l s t r a t e g i e s i s p er f ：b r m e d ，a l o n gw i m a l g o d t h m sr e a l i z a t i o n ，e v e n t u a l l yl e a d i n gt oo p t i m a ls o l u t i o n so ft h en o w r a t et 炳e c t o 巧o v e rt h ew h o l ef e n n e n t a t i o np r o c e s s e s s e c o n d l 弘也e p r o p o s e d 印p r o a c h e sa r e 印p l i e dt ot h ep e n i c i l l i nf e n l l e n t a t i o np r o c e s s a n dc o i n p a r e dw i t hl e v e lf e e df l o wr a t es t r a t e g i e st h r o u g hs i m u l a t i o n s t u d i e s ，d e m o n s t r a t i n gt h es a t i s f i e df e a s i b i l i 够m e a i l t i m e ，t h ei r n p r o v e d a d 印t i v eg e n e t i ca l g o r i t h m s a r ei n t r o d u c e dt ot h e o p t i m a lc o m r 0 1 a b s t r a c t s t r a t e g i e s ，s h o w i n gi m p r o v e m e n t si n t e n n so fl o c a lo p t i m i z a t i o na n d c o n v e 玛e n c er a t et h r o u g hs i m u l a t i o ne x p e n m e n t s f i n a l l y ，t h et h e s i s a n a l y z e st h ei m p l e m e n t a t i o no fc o n t r o ls t r a t e g i e sa u l dd i s c u s s e st h e 北京化t 大学硕上学位论文 目录 目录 第一章前言1 1 1 论文研究的背景及意义1 1 2 国内外的文献综述2 1 2 1 间歇发酵过程概述2 1 2 2 间歇发酵过程优化控制3 1 2 3 补料间歇发酵过程的研究现状4 1 2 4 遗传算法在间歇发酵过程中的应用5 1 3 论文研究的主要内容6 1 4 本章小结7 第二章一类改进的自适应遗传算法9 2 1 引言9 2 2 基本遗传算法9 2 2 1 原理9 2 2 2 算法描述l0 2 2 3 算法操作1 2 2 3 自适应遗传算法。1 2 2 3 1 原理1 2 2 3 2 测试实例研究1 3 2 4 一类改进的自适应遗传算法1 4 2 4 1 改进算法：1 4 2 4 2 测试实例分析16 2 5 本章小结一1 7 第三章青霉素补料发酵过程优化控制策略1 9 3 1 引言19 3 2 青霉素发酵过程2 0 3 2 1 青霉素发酵工艺2 0 1 北京化工人学硕上学位论文 3 2 2 青霉素发酵数学模型2 1 3 3 基于遗传算法的优化控制策略2 4 3 3 1 优化问题描述2 4 3 3 2 优化问题的遗传算法构建2 6 3 3 3 基于遗传算法的优化控制策略2 7 3 4 基于遗传算法的优化控制算法设计2 8 3 4 1 最优控制策略求解算法2 8 3 4 2 时间域的遗传算法操作2 9 3 5 实验仿真3 1 3 5 1 遗传算法优化策略与常规等级策略比较3 2 3 5 2m a g a 优化策略与s g a 优化策略比较3 7 3 6 本章小结4 1 第四章控制策略的实现问题讨论4 3 4 1 引言4 3 4 2 青霉素发酵过程p h 控制4 3 4 2 1 青霉素发酵p h 动态模型4 3 4 2 2p h 控制策略4 5 4 2 3p h 仿真分析4 6 4 3 青霉素发酵过程控制实验平台开发4 7 4 3 1 实验平台的主模块4 7 4 3 2 参数曲线绘制模块4 9 4 3 3 参数汇总查看模块5 1 4 4 本章小结5 2 第五章总结与展望5 3 参考文献5 5 附录。5 9 致谢。6 5 v i i i 目录 研究成果及发表的学术论文6 7 作者及导师简介 i x 北京化丁大学硕十学位论文 x c o n t 朋t s c o n t e n t s c h a p t e r 1i n t r o d u c t i o n 。1 1 1 b a c l ( 目o u n d & s i g m f i c a n c e 1 1 2r e f e r 肌c eo f r e l a t e ds l l b j e c t s 2 1 2 1o v e r v i e wo f b a tc _ hf 锄e n t a t i o np r o c e s s e s 。2 1 2 20 l p t i m a lc o n 仃0 1o f b a t c hf e r n l e i l t a t i o np r o c e s s e s 3 1 2 3r e s e a r c ho ff e d - b a t c hf 如n 洲i o np r o c e s s e s 4 1 2 4a p p l i c a t i o no fg ai nb a t c hf 锄饥t a t i o np r o c e s s e s 5 1 3o v e r v i e wo f t h e s i s 6 1 4c o n c l u s i o n 7 c h a p t e r 2s t u d i e so nac l a s so fa d a p t i v eg e n e t i ca l g o r i t h m s 。9 2 11 1 1 仃o d u c t i o n 9 2 2b a s i cg e i l e t i ca l g o r i 廿l i i l s 9 2 2 11 1 1 e o r a t i c a lf o u i l d a t i o n s 9 2 2 2d e s 嘶p t i o n so fa l g o r i l m s 1o 2 2 3o p e 枷o n so fa l g o r i t l l m s 12 2 3a d a p t i v eg e l l e t i ca l g o r i t l l l n s 1 2 2 3 17 r h e o r a t i c a lf o u n d a t i o n s 。1 2 2 3 2c 鹤es t u d i e s 1 3 2 4h i l p r o v e da d a p t i v eg e n e t i ca l g o r i m m s 1 4 2 4 1i m p m v e d a l g o r i 廿l m s 1 4 2 4 2c a s ea i l a l y s i s 1 6 2 5c o n c l u s i o n 17 c h a p t e r 3 o p t i m a l c o n t r o l s t r a t e g i e s o f p e n i c i u i n b a t c h f e r m e n t a t i o np r o c e s s e s 19 3 1h l 臼0 d u c t i o n 19 北京化t 大学硕十学位论文 3 2p e n j c i l l i nb a t c hf b n l l e l l t a t i o np r o c e s s e s 2 0 3 2 1p e i l i c i l l i nf e m e n t a t i o n 2 0 3 2 2m a t h e i i l a t i c a lm o d e l so f p e i l i c i l l i n 触n e n t a t i o n 2 1 3 3o p t i m a lc o n n _ o ls 打a t e 西e sb a s e do ng e n e t i ca 1 9 0 r i t h m 2 4 3 3 1d e s c r i p t i o n so f o p t i m i z a t i o ni s s u e s 2 4 3 3 2c o n s 咖c t i o n so f g e n e t i ca l g o r i 咖no p t i m i z a t i o n 2 6 3 3 3o p t i m a lc o n n d ls 仃a t e 百e sb a s e do ng e n e t i ca l l g o r i t l l i n 2 7 3 4d e s i g n o f o p t i m a lc o n t r d la l g o r i t h m sb a s e do ng e n e t i ca l g o r i t l l l l l 2 8 3 4 1a l g o r i t h m sf o r 叩t i m a lc o n 仃d ls 仃a t e g y 2 8 3 4 2g e n e t i ca l g o r i t h mo p e r a t i o n si nt i m ed o m a i n 2 9 3 5e x p e r i m e n t a ls i m u l a t i o n s 31 3 5 1s i i n u l a t i o nc o m p 撕s o nb e 帆e e i lg aa n dl e v e ls t r a t e g y 3 2 3 5 2s i m u l a t i o nc o m p 撕s o nb 咖e e nm a g aa n ds g a s t r a t e g y 3 7 3 6c 0 n c l u s i o n 41 c h a p t e r4d i s c u s s i o no ni n l p l e m e n t a t i o no ft h ec o n t r o ls t r a t e g i e s 。4 3 4 1h l t r o d u c t i o n 4 3 4 2c o n 仃o lo f p hi np e i l i c i l l i n 断m e i l t a t i o n 4 3 4 2 1d y n a m i cm o d e l so f p h 4 3 4 2 2c o i 血o ls 僦e 舀e so f p h 4 5 4 2 3s i m u l a t i o nr e s u l t sa n da i l a l y s i s 4 6 4 3p e i l i c i l l i n 断m e l l t a t i o np r o c e s sc o n 们le x p e r i m e n t a lp l a t f o 姗4 7 4 3 1m a i nm o d u l e so f l ee x p 舐m e n t a lp l a t f o m 4 7 4 3 2p 猢e t e r 伽ep l o n i n gm o d u l e s 4 9 4 3 30 v e r v i e wm o d u l e s 5l 4 4c o n c l u s i o n 5 2 c h a p t e r5c o n c l u s i o na n dp r o s p e c t 。5 3 r e f e r e n c e s 。5 5 a p p e n d i c e s 。5 9 i a c k n o w l e d g m e n r e s e a r c hr e s u l t s b r i e fi n t r o d u c t i o 北京化工人学硕i j 学位论文 第一章前言 第一章前言 北京化工大学硕十学位论文 标的优化调度，实现资源的最佳配置；另一方面是优化控制的研究，优化问题多 是一些非线性、多变量问题，传统的优化方法很难获得较好的优化效果。遗传算 法具有全局并行、需求低和简单易操作等特点，被很多人应用到全局优化、约束 优化和多目标优化等领域【1 6 】。 在间歇过程的优化控制研究领域，遗传算法非常适合处理具有复杂非线性特 点的微生物发酵过程，比如对发酵罐中的某些可测的关键变量进行最优控制轨线 的求解，如温度控制轨线、底物流加控制轨线等。但是当前对间歇发酵过程优化 目标的研究仅仅考虑最终产品的质量或产量，处理的是单目标单参数优化问题， 忽略了间歇发酵过程中间状态对优化目标的影响。综合考虑当前间歇发酵过程优 化研究的现状和遗传算法求解非线性问题的优势，遗传算法在间歇发酵过程的优 化研究还是很有必要的。 论文基于全面关注间歇发酵过程中间状态的思想，选择以青霉素发酵过程为 研究对象。首先，给出了一个由求解一系列端点时间不固定最优控制子问题形成 的新型优化控制策略，并且在优化控制目标函数中加入了菌体平均比生长速率和 流加速率时间间隔对产量的影响因素；然后，提出了一个基于遗传算法的最优控 制策略实现算法，可以同时获得最优补料流加时间间隔及相应的最优流加速率， 并且针对遗传算法局部最优和收敛较慢的缺点，将改进的自适应遗传算法应用到 所提出的优化控制策略中，仿真结果表明不仅能使间歇发酵过程的优化效果进一 步提高，而且在局部最优和收敛速度问题上也有了很大的改善；最后，基于发酵 参数对最优轨线的影响进行了控制策略实现问题的简单讨论，分析了p h 值对控 制策略的影响，并开发了青霉素发酵过程控制实验平台。 1 2 国内外的文献综述 1 2 1 间歇发酵过程概述 在当前发酵工业中，发酵方式主要有三种，分别为连续发酵、间歇发酵和补 料间歇发酵【6 】。连续发酵是开放式发酵，在整个发酵过程中，流入的底物和流出 的废液均不为零，取值大小为人为设定，而间歇发酵则是封闭式发酵，流入的底 物和流出的废液均为零。 补料间歇发酵是根据菌体细胞的营养需求，通过特定的方式向发酵罐间断性 地加入底物，维持菌体正常生长的特殊发酵工艺。补料间歇发酵根据是否排出废 液又分为增体积和重复循环两种发酵方式，增体积发酵只是单纯地加入底物，不 需要排出废液，而重复循环则是在加入底物的同时需从发酵罐中排出一定量的废 2 第一章前言 液。 传统的间歇发酵很难得到高浓度的菌体，影响发酵过程的最终产物的生成 量，而采用补料方式可以持续提供菌体生长所需的营养，维持菌体细胞的高速生 长状态，最终获得高浓度的菌体。补料间歇发酵还可以实现对发酵代谢途径、菌 体比生长速率等参数的控制，同传统的间歇发酵相比，补料间歇发酵技术有以下 几个特点【1 7 】： ( 1 ) 可以解决生物化学方面的一些问题，比如底物抑制和分解代谢阻遏等 现象，在补料间歇发酵中，通过控制流加速率值，使底物既能满足菌体生长的需 要，又不会抑制菌体的生长，消除底物抑制对发酵过程的影响，同时逐步加入某 些特定物质，可消除分解代谢阻遏现象【1 8 】； ( 2 ) 可以得到高浓度的菌体，菌体浓度对发酵产物存在直接的影响，菌体 生长受到抑制，引起菌体比生长速率降低，生长期延长，最终获得的产量会受到 很大的影响。采用合适的补料方式，可以使菌体一直处于合适的生长环境中，获 得高浓度的菌体； ( 3 ) 可以保持良好的发酵条件，补料操作可以调节发酵过程的某些参数， 改善发酵条件，为前期的菌体生长和后期的产物合成创造合适的外部条件。 1 2 2 间歇发酵过程优化控制 自上世纪7 0 年代开始，间歇发酵过程开始成为计算机、控制和数学等领域 的理论研究重点，过程本身的不连续性，系统模型的不确定性，以及需要克服控 制对象、外部环境等纷繁复杂的干扰变化，这些因素使得间歇发酵过程的理论研 究受到越来越多的重视【1 9 。2 0 1 。在市场经济条件下，生产厂家追求高利润的方法主 要是通过提高产品的市场竞争力和车间的生产效率，但是在国内的精细化工、制 药等领域，间歇生产的水平普遍较低，存在生产成本较高而且生产效率低下的现 象，资源不合理利用的问题也较为突出，因此，如何提高间歇发酵过程的自动化 水平成为当前应用研究领域的难点问题之一。 当前，很大一部分的间歇发酵控制是采用单一方法或策略来实现，然而，对 于一些特别复杂的发酵过程，过程本身包含很多复杂的生化反应，过程呈现出严 重的非线性和非稳态等特性，而且同一批次的不同的发酵反应期内，过程的特性 都不相同，无法实现定值控制。即使在相同的发酵条件下，不同批次间得到的发 酵结果有时也存在很大的不同，采用常规的控制已经很难满足控制的要求。 预测控制( p r e d i 嘶v ec 0 n 仃d 1 ) 是近几年发展起来的一种新型控制方法，通过 预测未来的输出实现控制【2 1 1 ，能够处理有限时域优化特征和多变量带约束问题， 适合求解无法建立精确模型或比较复杂的生产过程的控制问题，被广泛应用到复 北京化t 大学硕十学位论文 杂的化工生产系统中【2 2 1 。该方法虽然基于过程模型但是对模型形式和精度的要求 不高，在实际的生产中，一些简单的间歇发酵过程的控制也常采用此类控制。 迭代学习控制( i t e r a t i v el e 锄i n gc o 曲1 ) 是一种智能控制，它通过迭代更新 的方法寻找最优控制率，最终得到期望输出轨迹的控制输入【9 1 。与传统的控制方 法相比，具有不依赖精确数学模型和拥有记忆功能的特点，而且控制器的形式相 对也比较简单，不需要过多的先验知识。由于迭代学习控制不需要过程模型，适 合处理非线性问题，该方法可以得到很好的控制和跟踪效果【2 0 】。 当前，间歇发酵过程的优化控制对象越来越复杂，构建模型的难度越来越大， 过程的复杂性和任务的多样化使得传统的控制方法很难达到当前的控制要求，必 须寻求一些新的控制方案来实现。结合近几年发展起来的各种先进控制策略，形 成了多种控制算法，如自适应控制【2 3 1 、鲁棒控制。在智能控制方面则形成基于神 经网络、遗传算、法【引、粒子群算法、专家系统【2 4 】等智能技术的控制算法，这些算 法均适用于非线性、多目标、有约束的控制系纠2 5 1 。 1 2 3 补料间歇发酵过程的研究现状 在早期的工业发酵中，对于发酵过程的控制采用的是底物恒速流加控制方 案，流加速率的取值规定依靠的是现场操作人员的经验【2 6 1 ，由于发酵过程的复杂 性，实际的发酵效率比较低下，产量较低。近十几年，由于小批量生产的要求使 得补料间歇发酵过程的优化研究重新被重视起来。 补料间歇发酵过程的优化研究主要包括两个方面：一个是从发酵工艺角度 上，补料质量的确定，哪些物质能够满足菌体细胞正常生长的营养需求；另一个 是从自动化控制角度上，补料数量的控制，过多或者过少的补料量都会影响发酵 过程的最终产量。论文仅仅分析如何实现补料数量的控制，当前补料操作常采用 的是无反馈的方式，该方式是预先规定补料的速率值，依据现场经验实现不同时 刻不同的补料流加数值。无反馈补料主要有恒速、指数和变速三种补料方式【2 7 1 ， 具体的如图1 1 所示。 l - j 时间时间时间 图1 1 恒速、指数、变速补料曲线 f i g l lp r o f i l 锶o fc o n s t 锄t ，e x p o n e n d a l ，i n 凹乩s e d 蠡矧a i n g 4 第一章前言 补料间歇发酵过程形成了两种最优化方法：一类是基于机理模型的最优化控 制方法，另一类基于实时数据和黑箱模型的最优化控制【2 引。近年来，随着智能控 制的飞速发展，尤其是智能学习、模糊控制理论、遗传算法、神经网络等理论的 成熟，补料间歇发酵过程的优化控制开始尝试利用这些最新的理论。 在文献 9 ，h l e ej a y ，k w a n g 是将迭代学习控制算法应用到间歇过程中， 提出了一个基于模型的i l c 算法来处理多变量问题，在快速热处理的控制过程 中，只能测量端点输出跟踪误差，不能测量整个输出轨线的跟踪误差，可通过i l c 实现端点对端点的迭代学习解决。利用基于二次型判据的i l c 算法( q i l c 算法) 来构造优化函数，优化函数包含实时反馈控制和前馈i l c 两部分，利用迭代的方 法最终可以实现比较好的跟踪效果。另外还有一些利用趋势模型2 7 1 、推理预测2 8 】 等方法来对实现间歇过程单元的跟踪控制，这些方法都是基于实际过程模型的， 对模型精度有一定的要求。 在文献 1 0 ，d w 抽g ，s r i n i v a s a n 描述了基于多模型的一种优化方法，通过 周期性的预测最终产品质量，同时在特定决策点调整过程变量值，捕获变量间的 时变关系，将获得的数据应用于构建的多模型中。由于构建的多模型需要结合过 程变量中的实时间歇信息和前批次的间歇信息来预测下一步的变量信息，最后实 现对最终产品质量的优化，所以该方法需要大量的数据信息，是一种基于数据驱 动的一种多模型算法。 在文献 2 9 】，张杰等人采用将迭代动态规划算法和神经网络结合的方法来实 现间歇发酵过程的实时优化，由于发酵过程存在未知干扰和模型一车间不匹配的 问题，为了克服这些问题，提出了利用离散i d p 算法来实现对乙二醇发酵过程的 实时优化，后期由于产品的约束问题又引入了罚函数。同时又利用神经网络的并 行和可学习性，将机理模型用训练过的神经网络代替，这样既可以克服模型不准 确的难点，又可以提高最终产品的质量。 可以看出，当前间歇发酵过程的优化主要是通过数学解析的方法，对预测值 和实际值的偏差进行二次处理【3 0 】，在某些算法上结合神经网络、模糊控制、迭代 学习等来寻求最优或实现跟踪。这类方法对模型精度要求较高，但是由于在建模 的同时对一些约束条件进行了过于简化处理，使得在实际应用中，控制效果不能 令人满意。 1 2 4 遗传算法在间歇发酵过程中的应用 遗传算法是一种模仿生物进化机制而得到的一种自适应启发式全局搜索算 法模型，其实质是根据“物竞天择 和“适者生存 的原则，借助由选择一交叉 一突变操作组成的循环进化操作，通过多代的进化得到问题最优解对应的最佳染 北京化1 二大学硕l ：学位论文 色体【3 卜3 2 】。该算法对问题模型的精度要求不高，只需要将优化目标编码成可识别 的染色体的形式，利用进化操作获得种群中的最优染色体，解码得到优化问题的 最优解。大量的实验证明遗传算法不仅能够很好的求解非线性约束问题，而且在 鲁棒性方面也有较好的效果。和一些数学解析优化方法相比，遗传算法不需要过 多的模型参数，可以避免直接处理非线性问题，降低了问题的处理难度【3 3 0 5 1 。 在文献 1 1 ，d e b 嬲i s ，s 破a r 等人利用遗传算法来处理间歇过程优化问题， 主要是对流加速率进行优化控制，提出染色体由补料序列、目标函数的变量系数 和切换时间三部分组成。染色体第一部分可以提供最终产品质量信息，第二三部 分提供优化数值的信息，经过遗传操作后，获得最佳的染色体，解码后得到最优 的流加补料序列，但是该方法仅仅考虑流加数值的最优选择，忽略了流加时间是 否合适的问题。 在文献 3 6 】，u u r ，y 娩g e 等人则是通过对流加时间进行了分段处理，根据流 加时间段是否固定，提出了两种遗传算法。两种算法在控制策略上并没有区别， 仅仅在染色体的组成上存在不同，时间段固定时，染色体仅包含操作变量和适应 度函数，而时间不固定时，除了包含上面两部分外，还包含每一个时间段的具体 时长。染色体经过轮盘赌选择、交叉、变异等操作，最终获得每个阶段的最优操 作值，通过乙二醇发酵过程仿真表明该方法能够很好的实现对补料流加的最优控 制。 遗传算法因其不需要准确的模型即可进行优化操作的特点而被很多学者应 用到补料间歇发酵优化中【3 7 1 ，但是由于发酵过程的复杂性，往往会对发酵过程 的优化目标函数进行简化处理和约束限制，使得实际的控制效果并不是很好。在 文献 3 7 ，r o n e i l 等基于遗传算法对生化反应器的流加速率进行优化，但对时间 间隔次数及流加速率等级进行规定，并且优化目标也仅仅考虑了最终的产量而忽 略了生化反应内部的反馈抑制等现象，而y n z g e 等虽然提出了利用遗传算法对流 加速率进行寻优，但是对发酵时间进行了简单的等分处理，仅仅在固定的时间间 隔内利用遗传算法对流加速率进行优化计算，忽视了时间间隔对发酵的影响，基 于上面存在的问题，论文全面考虑了影响发酵最终产量的影响因素，提出了一个 新的优化目标函数，并且基于遗传算法，提出了一个新的优化控制策略。 1 3 论文研究的主要内容 第一章给出了论文的背景、研究目的和意义，重点描述了间歇发酵过程的概 念及当前国内外对此领域的研究现状，并对遗传算法在间歇过程中的优化研究做 了详细的分析； 6 第一章前言 第二章研究了一类改进的自适应遗传算法，分析了遗传算法的原理及当前的 相关应用，研究了遗传算法的进化流程和遗传算子的相关操作。针对遗传算法的 特点，分析了自适应遗传算法的优缺点，对自适应遗传算法进行了改进，并且进 行了测试实例的分析验证； 第三章主要研究了基于遗传算法的青霉素补料发酵过程的优化控制策略及 其实验仿真验证。首先，给出了当前发酵过程的现状分析，重点对青霉素发酵工 艺和发酵模型进行了介绍，分析了当前青霉素发酵过程的优化控制问题。基于全 面关注间歇过程中间状态的思想，提出了新的优化目标函数及目标函数的遗传算 法构建，并且给出了论文提出的基于遗传算法的子优化控制策略，利用优化策略 来求取青霉素发酵过程的最优补料流加轨迹；其次，详细研究了提出的优化控制 策略的求解算法，分析了遗传算法的算法实现和适应度函数在子优化问题的算法 设计等内容；最后，借用青霉素发酵过程模型，对基于标准遗传算法的优化控制 策略和常规的等级策略进行了仿真比较，同时针对遗传算法的缺点，将改进的自 适应遗传算法应用到提出的优化控制策略中，通过仿真验证了提出的优化控制策 略能够获得较好的优化控制轨线，而改进的自适应遗传算法在克服局部最优和加 快收敛速度方面，也有了很大的改善。 第四章研究了实际的青霉素发酵过程可能存在的偏差问题，并进行了控制策 略实现问题的简单探讨。考虑了p h 值对发酵过程的影响，并给出了简单的解决 方案，同时开发了青霉素发酵过程控制实验平台，实现青霉素发酵过程控制策略 的参数设置、参数的实时显示及参数曲线的绘制等功能。 第五章对论文工作进行了总结，并对未来的课题研究方向进行了展望。 1 4 本章小结 首先，给出了课题的研究背景和意义，分析了当前国内外间歇发酵过程的优 化研究现状，详细研究了补料间歇过程常用的补料方式及其优缺点，其次，研究 了遗传算法在间歇发酵过程中的应用，最后，给出了论文所要完成的工作内容。 7 北京化t 大学硕十学位论文 8 第二章一类改进的自适胞遗传算法 2 1 引言 第二章一类改进的自适应遗传算法 遗传算法作为一种应用广泛的智能搜索算法，适合处理一些复杂的非线性优 化问题【3 8 1 ，而且不需要问题的数学函数式表达，具有稳健性强、操作简单、需 求低的特点，尤其在求解一些无模型或模型获取困难的非线性系统的控制优化问 题时具有独特的优势，能够获得较好的优化结果。 传统的遗传算法虽然能够很好地处理非线性问题，但是算法本身存在收敛速 度慢、早熟等缺点，而且遗传算子的概率值是事先人为设定，在整个进化搜索过 程中，概率值不会发生改变，造成算法的通用性相对较差【3 3 1 。在遗传算法中， 算子概率的选取对进化的质量存在直接影响，为此，人们提出了自适应的概念， 根据搜索过程中可行解集的变化，实现遗传算予概率的自动调整。