（控制理论与控制工程专业论文）带变异算子pso算法在酶发酵控制中的优化研究.pdf

摘要 摘要 课题的依托背景是“十五”后期国家高技术研究发展计划( 8 6 3 ) 基金资助项目功能 基因亚功能片段的制各和质量控制技术平台。为了保证整个系统的高质高产，必须优化发酵 过程，提高发酵的产量和质量，所以课题重点放在带变异算子p s 0 算法在酶发酵的补料速率 只、p 值和d p 控制中的优化研究上。 粒子群优化算法( p a n i c l es w a r mo p t i m i z a t i o n ，p s o ) 算法与其它算法相比，具有更快的 收敛速度，操作更为简单。本文针对标准p s 0 算法处理高维、复杂问题时，易于陷入早熟收 敛的缺陷进行改进，提出带变异算子的粒子群优化算法v p s o ( i a t i o n o p e r a t o rp s 0 ) ，经过 多个测试函数的测试证明，v p s o 算法具有较快的全局收敛速度和强大的全局搜索能力，能 有效的避免早熟收敛问题，寻优效果明显好于标准p s 0 算法和遗传算法。 酶优化控制方案的设计是基于b p 神经网络的预测控制和v p s o 算法的参数寻优，鉴于 标准b p 算法收敛太慢的缺点，运用p s o 算法来优化网络权值，通过仿真实验表明，此算法 无论是收敛速度，还是避免早熟收敛，均取得不错的效果。为了验证此优化控制方案的可行 性与有效性，将其实际应用于对l 天冬酰胺酶i i 发酵的过程控制，实践结果表明，优化控制 方案的设计比较成功，与优化控制前的那些高产发酵结果相比，平均缩短发酵时间5 ，提高 产量5 6 。 关键词：功能基因亚功能片段粒子群优化算法神经网络预测控制优化 a b 毗r a c t a b s t r a c t t h ep r o j e c ti sb a s e do nac h i n e s e ”8 6 3 ”p r o j e c tn 咖e d “t h ep r e p a r a t i o no f t h es u b 一如n c t i o n s e g m e n to f f u n c t i o ng e n ea j l dt h et e c h n o l o g yp l a t f o m lo f q u a l i t yc o n t m l ”t oe n s u r et h a tt h es y s t e m g e th i g hy i e l d ，t h ef e r n l e n t a t i o np r o c e s sm u s tb eo p t i m i z e d ；f e m e n t a t i o ny j e i da n dq u a l i t ym u s tb e h e i g h t e n e d s ot h es t r o n ge m p h a s i so f t h i sp r o j e c ti sl a i do nt h er e s e a r c ho f a p p l y i n gi m p r o v e d p a r t i c l es w a n no p t i m i z a t i o nt ot h eo p t i m a lc o n t r o lo f m a t e r i a lm a k e u pv e l o c i t y 瓦，p h a n dd d o f e n z y m ef e r m e n t a t i o np r o c e s sc o n t r 0 1 c o m p a r i n gp a n i c l es w a n no p t i m i z a t i o nw i t ho t h e ro p t i m i z a t i o na l g o r i t h m s ，i t sc o n v e r g e n c e v e l o c i t yi sf a s t e ra n do p e r a t i o ni ss i m p i e r a c c o r d i n gt ot h ep r o b l e mt h a tp s 0a l g o r i t 1 r 1 1i se a s yt o p l u n g ei n t ot h el o c a lm i n i m u m sb a s i nw h e ni td e a l sw i t hm u l t i d i m e n s i o n a la n dc o m p l i c a t e d p r o b l e m s ，av a r i a t i o n o p e r a t o rp s 0a l g o r i t h m ( v p s o ) i sd e s i g n e d t h et e s tr e s u l t so f f o u r m u l t i d i m e n s i o n a lt e s tm n c t i o n s ，h a v ep m v e dt h a tv p s 0a l g o r i t h mc a ni m p r o v em e9 1 0 b a l c o n v e r g e n c ev e i o c i t ya j l d9 1 0 b a ls e a r c ha b i l i t y ，g r e a t l ye 1 1 1 a n c et h er a t eo fg l o b a lc o n v e r g e n c ea n d o v e r c o m et t l es h o r t c o m i n go f b a s i cp s 0 a l g o r i t l l i l l t h ed e s i g no f o p t i m i z a t i o np r o j e c ti sb a s e do np r e d i c t i v ec o n t r o lo f b pn e u r a ln e t w o r ka n d p a r 锄e t e ro p t i m i z a t i o no f v p s 0a l g o r i t l l i l l a c c o r d i n gt ot h es h o r t c o m i n gt h a tc o n v e r g e n c e v e l o c i t yo f b a s i cb pa l g o r i t h mi st o os l o w ，p s oa l g or i t h mi sa p p l i e dt oo p t i m i z ew e i g h t so f b p n e u r a ln e t w o r k t h es i m u l a t i o nr e s u l t sp m v et h a tn o to n l yc o n v e 唱e n c ev e l o c i t yb u ta l s og l o b a l s e a r c ha b i “t yo f t h ea l g o r i t h mh a v eg o o de h 色c t i no r d e rt ov a l i d a t et h ef 音a s i b i l i t ya n dv a i i d i t yo f、 t h i so p t i m i z a t i o np r o j e c t ，i ti sa p p l i e dt ol a s p a r a g i n a s ei if e i l e n t a t i o np m c e s sc o n t m l t h e p r a c t i c er e s u l td e m o n s t m t e st h a tt h ed e s i g no f o p t i m i z a t i o np r o j e c ti ss u c c e s s m l c o m p a r i n gt h e r e s u l tw i t ho t h e rr e s u l t sw i t h o u to p t i m i z a t i o nc o n t r o l ，f e m l e n t a t i o nt i m ed e c r e a s e sb y5 a n dy i e l d i n c r e a s e sb y5 6 k e y w o r d s ：s u b f 血c t i o ns e g m e n to ff u n c t i o ng e n e ，p a r t i c l es w a 丌1 1o p t i m i z a t i o n ，n e u r a ln e t w o r k ， p r e d i c t i v ec o n t r o l ，o p t i m i z a t i o n 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 本人为获得江南大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名：罢鱼遒日期；劬f 年2 月l 悯 关于论文使用授权的说明 本学位论文作者完全了解江南大学有关保留、使用学位论文的规 定：江南大学有权保留并向国家有关部门或机构送交论文的复印件和 磁盘，允许论文被查阅和借阅，可以将学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、 汇编学位论文，并且本人电子文档的内容和纸质论文的内容相一致。 t 保密的学位论文在解密后也遵守此规定。 签名：堇q i 邋 导师签名： 日期：细6 年z 月j 午日 第一章绪论 1 1 研究背景 第一章绪论 随着生物化学工程( b i o c h e m i c a le n g i n e e r i n g ) 和现代工业控制技术的发展，医药领域的 国际竞争日益激烈。我国加入w t d 以后，国内相关政府部门、科技界和各大生物制药企业 都有一种强烈紧迫感，希望能够尽快使研制出来的新型药物转化为商品，但其主要生产过程 是在特定反应器中进行的，并需要对产物进行检定、分析等一系列操作，因此，生化反应器 及其控制系统在生化工业中显得越来越重要，而这一系统的管理操作、测量控制、优化生产 便成为很重要的研究课题。 本课题的背景项目是“十五”后期国家高技术研究发展计划( 8 6 3 ) 基金资助项目一一 “功能基因亚功能片段的制备和质量控制技术平台”。功能基因亚功能片段活性多肽生产实际 上是基因工程操作和生物化学工程操作有机结合的过程，研究主要包括三方面内容：一方面 是实现功能基因亚功能片段在微生物细胞中的高效表达，研制出一种通用的载体，使各种类 型的功能基因亚功能片段连入该载体中都能得到高效表达，并能够加工得到纯净的目标多肽； 另一方面是细胞外部条件的控制，即通过控制细胞所需要的营养成份、物理条件，使细胞生 物量的生成及目标合成最大化；再一方面就是通过将功能基因亚功能片段工艺生产过程和计 算机控制技术结合，用一套简化、高效的复合操作取代繁琐、耗时的单元操作，在优化生产 工艺的前提下确保产品质量。生化反应和产物分离纯化一体化的制备和质量控制技术平台的 开发，最终目标是大幅度的提高目标多肽的产率，但目标实现的前提是多肽在制各过程的前 期中必须要有高产量，所以，对整个生化过程提出相对应的控制策略和优化方法，有效的提 高前期产物的得率，显得十分关键。 本技术平台是以实现对所制备的功能基因亚功能片段的质量控制为最终目标，其具有通 用性。我国生物制药企业利用此平台能以几乎相同的工艺、设备，开发、制备出多种人源多 肽激素、功能基因亚功能片段多肽等产品。实际开发过程中，中国药科大学主要负责技术平 台中的生化工艺过程研究，江南大学负责控制系统及相关技术的研究。 1 2 立题依据和意义 1 2 1 立题依据 功能基因亚功能片段的制备和质量控制技术平台的最终产物是利用工业高效液相色谱， 实施分离纯化目标多肽所得，为了保证整个系统的高产量，就必须优化控制基因工程菌的高 密度发酵过程，以提高其产量，这是整个技术平台中的关键部分。发酵工业是技术密集型产 业，它涉及到微生物学、生物化学、化工、自动控制和计算机等技术，自7 0 年代以来，国外 对发酵过程动力学模型和优化控制做了大量的研究工作，并且从1 9 7 9 年起每隔三年举行一次 江南大学硕士学位论文 计算机在发酵工程中应用的世界大会。在国内，发酵工业生产技术水平相对比较落后，对发 酵过程的机理、模型化和优化控制研究起步较晚。传统发酵过程控制系统的布线复杂、自动 化程度低，主要依靠经验调整、设定各种生化过程参数，产量普遍较低。 现代化的工程技术系统正朝着大规模、非线性、复杂化的方向发展，由于一些重要的过 程变量不能在线测量，使得经典控制方法在生化过程控制的应用中难以取得好的效果，因此 采用优化算法对生化过程实行优化控制，对于提高生化产品的产量和质量，从而提高经济效 益具有十分重要的意义。经过几个月认真的项目调研和资料查阅后，本课题的论文决定为“带 变异算子p s o 算法在酶发酵控制中的优化研究”。 1 2 2 粒子群等优化算法的发展现状及应用状况 1 2 2 1 粒子群及其它优化算法的发展现状 优化算法1 3 j 是一种以数学为基础，用于求解各种工程问题优化解的应用算法，目前使用 比较广泛的主要有以下几种类型：( 1 ) 蚁群优化算法：2 0 世纪9 0 年代初，意大利学者c o l o m i 和d o r i g o 提出蚁群优化算法( a n tc o l o n y0 p t i m i z a t i o n ，a c o ) ，这是一种新型的分布式智能 模拟算法，特别适用于求解规模巨大的或问题状态随时间变化的组合优化问题，如著名的旅 行商问题、二次分配问题、作业安排调度问题等。( 2 ) 模拟退火算法：模拟退火算法思想 ( s i m u l a t e da i l l l e a l i n g ，s a ) 最早由m e t m p o l i s 在1 9 5 3 年提出，1 9 8 3 年k i r k p a t l j c k 等成功地将 退火思想引入组合优化领域。模拟退火算法的出发点是基于物理中固体物质的退火过程与一 般优化问题的相似性，是一种启发式随机搜索方法。( 3 ) 粒子群优化算法：美国的k e n n e d v 和e b e r h a r 受鸟群觅食行为的启发，于1 9 9 5 年提出了粒子群优化算法( p a n i c l es w 删 o p t i m i z a t i o n ，p s 0 ) 。a n g e l i n e 经过大量的实验研究发现，粒子群优化算法在解决一些典型的 函数优化问题时，能够取得比遗传算法更好的优化结果。( 4 ) 遗传算法：1 9 6 2 年美国m i c i l i 2 a j l 大学的h o l l a j l d 教授首次提出遗传算法的思想( g e n e t i ca l g o r i t l l i l l ，g a ) ，h 0 1 1 s t i e n 和d e j o n g 通过实验对g a 应用于函数优化问题进行了研究，并结合模式定理得出一系列实验结果，为 g a 在这一领域的应用奠定了基础。g a 作为一种全新的优化搜索算法，具有适用性广、抗干 扰性强、适应于并行处理、全局搜索等显著的特点。( 5 ) 禁忌搜索算法：禁忌搜索算法( t a b u s e a r c h ，t s ) 是一种启发式搜索算法，最早由g l o v e r 于1 9 8 6 年提出的，1 9 9 2 年h u n 在g l o v e r 的基础上将t s 扩展到连续变量的全局优化。t s 已在诸多组合优化领域表现出强大的寻优能 力，并以其较高的求解质量和效率得到人们越来越多的青睐。 其中，粒子群优化算法1 6 _ 1 2 j ( p a n i c l es w 锄o p t j m i z a t i o n ，p s o ) 1 9 9 5 年刚被提出，由于 与遗传算法相比具有更快的收敛速度，概念简单、便于理解、易于实现，并且很多情况下要 比遗传算法( g a ) 更有效率，所以倍受关注，但它的缺陷是在处理高维复杂问题时，p s 0 算 法会以一定概率停滞在一些局部最小点，因此很多国外学者都致力于提高p s 0 算法的性能。 比较具有代表性的有：( 1 ) 1 9 9 8 年，s l l iy 提出自适应调整惯性因子的粒子群优化算法； 2 0 0 1 年，s h iy 进一步提出用模糊规则动态修改惯性因子的算法。这一类自适应p s 0 算法 第一章绪论 对许多问题都取得满意的结果，通过自适应调整全局系数，兼顾搜索效率和搜索精度，是一 类有效的算法，但对于许多复杂的非线性优化问题，试图通过自适应调整一个全局系数提高 搜索精度的余地是有限的。( 2 ) 1 9 9 8 年，a n 2 e l i n epj 借鉴遗传算法的思想，提出杂交粒子群 优化算法；2 0 0 1 年，l o v b i e r gm 进一步提出具有繁殖和子群的粒子群优化算法i ”j 。实验 结果显示，杂交粒子群优化算法的收敛速度比较快，搜索精度也相对比较高，对一类非线性 优化问题可以得到满意的结果，不过引入较多的待调整参数，对使用者的经验有一定要求。 ( 3 ) 2 0 0 1 年，v a nd e nb e r 曲f 提出协同粒子群优化算法峥”j ，其基本思想是用k 个相互独 立的粒子群分别在d 维的目标搜索空间中不同维度方向上进行搜索。这种算法有明显的的“启 动延迟”( s t a n u pd e l a y ) 现象，在迭代初期，适应值下降缓慢，换言之，收敛速度缓慢。 不过这种算法实际上采用的是局部学习策略，因此比标准p s o 算法更易跳出局部最小点，达 到较高的收敛精度。( 4 ) 1 9 9 7 年，k e l l l l e d yj 提出一种离散二进制版的粒子群优化算法； 2 0 0 0 年，c i e r cm 推广了这一工作，并将其应用于旅行商问题( t s p ) 的求解川，取得了较好 的结果。离散p s 0 算法扩展了标准p s 0 算法的应用领域，尤其是让人看到了在一类组合优 化问题中的应用前景。( 5 ) 2 0 0 2 年，、d e n b e r g hf 提出一种确保p s 0 快速收敛的算法1 2 2 j ， 其策略是对全局最好粒子用一个新的更新方程，方程将该粒子的位置置位到全局极值点，并 使其在全局最好位置附近产生一个随机搜索，而其它粒子仍用原方程更新。该方法较标准p s o 算法在收敛速度上有很大提高，尤其是当粒子数较少时，在单峰函数中性能明显提高，但仍 然不能保证算法收敛到全局最优。( 6 ) 2 0 0 3 年，n a t s u k i 提出具有高斯变异的粒子群优化算法， 提高了算法跳出局部收敛的能力。 2 0 0 0 年起，国内的许多学者也加入到改进p s o 算法的行列中，每年都有许多的文献在各 种期刊杂志上发表，使p s o 算法在很大程度上得到了改进。比较具有代表性的有：( 1 ) 2 0 0 0 年，复旦大学的徐海提出的基于改进粒子群游优化的模糊逻辑系统自学习算法，这是国内学 者提出的比较早的改进算法。该文主要提出3 点改进意见：加入后退算法以避免算法发散； 在算法后期引入变异算子以保持粒子群解的多样性，同时避免后退算法可能引起的陷入局 部极小的现象；用反向传播算法后处理以提高精度。( 2 ) 2 0 0 3 年，河南师范大学的王岁花 提出在标准p s o 算法的粒子位置更新公式中增加一个积分控制项的设想，该积分控制项根据 每个粒子的适应值决定粒子位置的变化，可以提高跳出局部极小点的能力。( 3 ) 2 0 0 4 年，广 州大学的高鹰借鉴生物体免疫系统的机制，将免疫系统的免疫信息处理机制引入p s o 算法， 提出免疫粒子群优化算法。这种算法结合p s 0 算法的全局搜索能力和免疫系统的免疫信息处 理机制，实现简单，能改善摆脱局部极值点的能力。( 4 ) 2 0 0 5 年，哈尔滨工业大学的戴冬雪 提出一种基于混沌思想的p s 0 算法，它利用p s 0 算法的快速收敛性和混沌运遍历性、随机 性等特点，对标准p s o 算法进行改进。基本思想是：在算法的初始化阶段，对粒子的位置混 沌初始化；在算法运行过程中，根据群体适应度方差自适应的对粒子的位置进行混沌更新。 测试结果表明，该算法提高了对多维空间全局搜索能力，有效避免早熟收敛情况。( 5 ) 2 0 0 5 年，武汉理工大学的熊盛武提出一个用于解决多目标优化问题的改进p s o 算法，该算法利用 p s o 算法的信息传递机制，引入多目标演化算法常用的归档技术，采用s p e a 2 算法的环境选 江南大学硕士学位论文 择和配对选择策略，使得整个群体在保持适当的选择压力情况下收敛于p a r e t o 最优解集。实 验结果表明，该算法能够使找到的解集快速收敛到p a r e t o 非劣最优目标域，并且解集沿着 p a r e t o 非劣最优目标域有很好的扩展性。 近几年来，本实验室的几个师兄、师姐对p s 0 算法也进行比较深入的研究，并提出了各 自的改进算法，如熊伟丽川提出的量子空间中粒子群算法的一种d e l t a 势能井模型f o d p s 0 算法) ，并将s a ( s i m u l a t e d 籼e a i i n 岛模拟退火) 算法和q d p s o 算法结合起来，在最初的选择 单个粒子的机制中使用模拟退火算法。杨梁提出的多权重p s 0 算法( m w p s o 算法) ，将粒 子群中的粒子分别赋与不同的初始惯性权重。本文提出的带变异算子p s o 算法是基于他们 改进算法的基础上，采用增加变异算子对局部最优解加州进行随机变异的策略，来提高算法 跳出局部收敛的能力。 总体来看，近几年粒子群优化算法得到了很大的发展，不过遗憾的是，目前国内外的各 种改进算法一般仅仅是围绕标准p s 0 算法的某些参数而改进，其结果一般只适应一类或几类 优化问题，而不能适用于大多数优化问题。本质上讲，并没有突破该算法的最根本的局限和 弱点。 1 2 2 2 粒子群优化算法的应用状况 目前，国内外的很多领域都在广泛的运用粒子群优化算法( p s 0 ) ，大体可以总结为以下 三个方面：( 1 ) 函数优化；( 2 ) 神经网络训练；( 3 ) 模糊系统控制。 ( 1 ) 函数优化 许多实际的工程问题本质上是函数优化问题或可以转换为函数优化问题进行求解，对于 函数优化已经有一些比较成熟的解决方法，如遗传算法等。但对于高维、多局部极值的复杂 函数而言，遗传算法往往在优化的收敛速度和精度上难以达到期望的要求。 a n g e l i n e 经过大量的实验研究发现，p s 0 算法在解决一些典型的函数优化问题时，能够 取得比遗传算法更好的优化结果；s h i 与e b e r h a n 的实验证明，对大多数的非线性b e n c h m a r k 函数，p s o 算法在优化速度和精度上均较遗传算法都有一定的改善i 2 3 j 。 ( 2 ) 神经网络训练 神经网络的训练问题属于非线性的高复杂度的优化问题，基于梯度下降的b p 算法依赖 于初始权重的选择，收敛速度缓慢且容易陷入局部最优。b p 算法的上述缺陷，尤其是局部最 优特性使得其训练的神经网络输出具有不一致性和不可预测性，导致其训练的神经网络可靠 性降低。遗传算法虽是基于群体的并行搜索算法，但其复杂的遗传操作如选择、复制、交叉、 变异使神经网络的训练时间随问题的规模及复杂程度呈指数级增长。 研究表明，p s 0 算法是一种很有潜力的神经网络训练算法，它保留了基于种群的、并行 的全局搜索策略，采用的速度、位移模型操作简单、避免了复杂的遗传操作【2 4 】。在实际应用 问题( 如p s 0 算法训练的神经网络进行医疗诊断) ，取得了较高的成功率。目前，正在将其 推广到更多的应用领域。 第一章绪论 ( 3 ) 模糊系统控制 利用p s 0 算法优化模糊控制系统，设计模糊控制器的研究尚处于起步阶段。目前，从模 糊神经网络系统自动提取模糊规则的研究在一些典型的问题上取得进展，这对于将自动生成 模糊系统控制规则的模糊控制器在应用领域的推广有很大的启示。 以上总结了粒子群优化算法在函数优化、神经网络训l 练、模糊系统控制等基本领域的应 用，下面简要介绍一下p s o 算法在一些实际应用领域的进展。 ( 1 ) 通过训练神经网络，p s 0 算法已成功应用到对医学中震颤行为的分析i ”j 。震颤行为( 包 括帕金森症和人的本能颤抖) 的诊断，仍是医学研究的挑战性领域之一，经p s o 算法训 练的人工神经网络已经能够区分人的本能震颤和病理性震颤。神经网络的输入是由活动 变化记录仪记录的标准化振动强度，e b e r h a r t 和h u 研究发现，这种方法在上述的应用中 处理速度快、诊断结果准确。在对疾病如乳腺肿瘤是良性或恶性的判断、心脏病的诊断， p s o 算法训练的神经网络也取得了较高的诊断成功率。 ( 2 ) 日本的f u j i 电力公司的研究人员将电力企业著名的r p v c ( r e a c t i v ep o w e ra j l dv j l t a g e c o n t r 0 1 ) 问题简化为函数的最小化问题，并使用改进的p s 0 算法进行优化求解，与传 统方法如专家系统、敏感性分析相比，实验结果证明了p s 0 算法在解决该问题的优势。 ( 3 ) 将p s o 算法与b p 算法相结合训练神经网络，己被用于对电动汽车燃料电池组实时充电 情况的模拟【2 7 j 。对电动汽车燃料电池带电状况的模拟，是电动汽车以及混合动力汽车技 术发展中的重大课题。实验证明，相对于1 9 9 6 年e b e r h a r t 、s i m p s o n 和d o b b i n s 的模拟 方法，上述方法的模拟精确程度明显提高。 ( 4 ) 美国一家公司将p s 0 算法用于各种生物化学成分的优化组合，进而人工合成微生物。与 传统的工业优化方法相比较，p s o 算法产生合成结果的适应度是传统方法的两倍。 总的来讲，粒子群优化算法可以解决很多优化问题，或者是可以转换为优化问题进行求 解的问题，其中最有应用前景的领域包括多目标问题的优化、系统设计、分类、模式识别、 生物系统建模、规划、信号处理、决策与模拟等。目前，在模糊控制器的设计、车间任务调 度、实时机器人路径规划、图像分割、e e g 信号模拟、语音识别、烧伤诊断以及探测移动目 标等方面已经有成功应用的先例。 1 2 3 酶发酵过程中优化控制的研究现状 在生化反应过程中，为保证获得优化生产的目的，必须保持微生物生长按照一定的生长 轨迹生长，而为达到这一目标，一是确保微生物生长的环境条件为最优，另一是保证微生物 生长代谢过程为最优。目前，生化过程优化控制的研究主要集中在后者上面。现代化的工程 技术系统正朝着大规模、非线性复杂化的方向发展，由于一些重要的生物参数过程变量不能 在线测量，使得经典控制方法在生化过程控制的应用中很难取得好的效果。 1 9 8 0 年前后，j r j c h a l e t 和c r c u t l e r 分别报道了其各自的研究成果模型预测启发式控制 ( m p h c ) 和动态矩阵控制( d m c ) ，表明过程工业开始接受现代控制概念，在此后的二十几年里， 江南大学硕士学位论文 优化技术得到了飞速发展，以专家系统、模糊集方法、人工神经网络等为主要内容的人工智 能方法在发酵工程中的应用正以迅猛的势头发展。主要有以下几种方法：( 1 ) p i d 自整定软 件及p i d 自整定仪：在工业过程控制系统中，9 0 以上的回路仍然是p i d 调节器，如何整定 好p 、i 、d 三个参数使系统平稳运行，一直是控制界关心的课题之一。( 2 ) 预测控制技术 ( p r e d i c t i v ec o n t m l ) ：模型预测控制( m p c ) 是工业应用最为广泛的一种控制技术。通过模型预 测、滚动优化、反馈校正实现高质量的控制，因而在工业上获得了广泛的应用。( 3 ) 正交设 计优化：正交设计优化就是通过正交试验确定最优操作参数。正交试验方法是利用数理统计 与正交性原理，从大量的试验点中挑选适量的具有代表性、典型性的点，应用“正交表”合 理安排试验的一种试验设计方法。( 4 ) 在线优化：采用两种数学模型：多元逐步回归模型和 最小二乘递推辨识模型。在线优化并不需要过程的机理模型，所用模型只需在工作点附近有 足够的精度即可。采用多元逐步回归建模与动态最小二乘建模方法在操作点附近建立线性或 二次多项式模型，用有束梯度法寻优，在线优化以不断地修正模型与不断地优化，克服由于 系统非线性与时变所造成的困难，使系统一直保持最优操作条件。 a s t m m 等1 9 7 3 年提出最小方差自适应控制器以来，自适应成功地应用于实际过程，但 一直缺乏一种通用的鲁棒自校正控制器，来解决变时延、变阶次与变参数过程。像酶发酵这 样一类非常复杂的生命增殖过程，属于随机性较强的反应过程，当采用常规反馈控制系统时， 因其不具有“自适应”过程变化能力，在系统内部特性和外部扰动变化幅度较大时，控制性 能指标不仅不能保持最优，且经常大幅度下降，甚至引起控制系统不稳定。m o n t a g u e 等指出： 由于发酵过程中生理学知识贫乏，使控制器参数的选择困难，采用经典最优控制不合适，而 需要在智能控制和自适应控制方面进行探索，寻找鲁棒性强的自校正控制以解决生化过程控 制问题。 目前，以专家系统、模糊集方法、人工神经网络等为主要内容的人工智能方法在发酵工 程中的应用正以迅猛的势头发展，人工智能方法在发酵过程中的应用涉及到参数和状态估计、 建模、控制、优化各个方面。 1 2 4 研究意义 目前，在酶发酵过程优化控制中，应用比较广泛的优化算法有遗传算法( g a ) 等，但其 缺陷是算法太繁琐，运用比较麻烦，如遗传操作中的交叉、变异、选择错综复杂，难以掌握； 且往往在收敛速度和精度上难以达到预期的效果。粒子群优化算法( p s 0 ) 1 9 9 5 年被提出后， 很快便在酶发酵过程优化控制中得到应用，与遗传算法相比，p s 0 算法具有更快的收敛速度， 概念简单、便于理解、易于实现，并且在很多情况下要比遗传算法( g a ) 更有效率。遗憾的 是，在处理酶发酵过程等高维、复杂问题时，p s o 算法与g a 算法一样，也会以一定概率停 滞在一些局部最小点，达不到预期的效果。所以，改进p s o 算法一直是近几年国内外相关领 域的热点问题。 本文提出的带变异算子粒子群优化算法v p s o ( v a r ia t i o n o p e r a t o rp s o ) ，是基于标准粒子 第一章绪论 群优化算法的基本框架，采用分批分别对粒子配罱不同的最大加权系数。，增加变异算子 对曲p 肼进行随机变异的策略。经过测试函数的测试证明，v p s 0 算法具有较快的全局收敛速 度和强大的全局搜索能力，能有效的避免早熟收敛问题，寻优效果明显好于标准粒子群算法 和遗传算法。将v p s 0 算法融入到酶发酵过程控制中，对补料速率乓、p 值和溶解氧d 0 进 行参数寻优，可以达到优化发酵生产、提高发酵产量的目的，因此，本课题的研究很有实际 意义。 1 3 主要研究内容 本课题以先进控制技术为基础，以带变异算子粒子群优化算法为工具，重点放在带变异 算子p s o 算法在酶发酵的补料速率只、p h 值和d 0 控制中的研究，本人所做的主要研究工 作总结如下： 1 针对本课题的实际需要，深入了解功能基因亚功能片段的制备工艺过程和相关检测仪器的 原理、功能：针对目前多肽制备只是实验室中的一种单元化分散操作，需要技术人员的全 程参与，且要耗费大量时间和精力的情况，分析功能基因亚功能片段质量控制系统的控制 原理，在工业控制计算机、p l c 的基础上实现了对整个监控系统的设计。 2 根据标准粒子群优化算法( p s o ) 在处理高维、复杂问题时，会以一定概率停滞在一些局部 最小点的缺陷，研究提出带变异算子的粒子群优化算法v p s o ( v a r ia l i o n o p e r a t o rp s o ) ， 经过几个经典测试函数的测试结果表明，v p s o 算法与标准p s o 算法、遗传算法( g a ) 相 比，寻优效果有较大的改进。 3 在研究预测控制1 2j 中建模方法的基础上，提出在酶发酵过程中融入基于b p 神经网络的预 测控制和参数寻优方案，针对标准b p 算法收敛太慢的缺点，运用p s 0 算法来优化网络权 值，仿真的结果表明，此算法比其它目前使用比较广泛的改进b p 算法训练次数更少，且 在避免陷入局部极小值方面也有较大的改进。 4 在获得预测模型的基础上，采用带变异算子的粒子群优化算法v p s 0 对酶发酵过程的三个 参数补料速率只、p 日值和溶解氧d o 进行寻优，求取优化轨迹并加以控制，使得发酵终 止时产量达到最高。 5 将获得的预测模型和v p s o 算法实际应用于l 一天冬酰胺酶i i 发酵过程中，通过优化控制 使发酵生产都能基本沿优化轨线进行，起到稳定生产、提高产量、缩短发酵时间的作用， 实践证明，结果比较令人满意。 参考文献 1 王树青，元英进生化过程自动化技术 m ，化学工业出版社，1 9 9 9 2 许敏，李少远典型过程控制系统的快速预测控制算法 j ，河北工业大学学报，2 0 0 l ( 5 ) 2 4 3 0 7 垩塑_ 大兰竺主兰垡堡兰 ： 3 邢文训，谢金星现代优化计算方法 m ，北京：清华大学出版社，1 9 9 9 4 陈建华，吴梧桐，平野行和抗体夹心酶联免疫吸附法测定重组e c o l i l 天冬酰胺酶及 药代动力学研究 j ，药学学报，2 0 0 3 ，3 8 ( 8 ) ：5 2 5 7 5 姚汝华微生物工程工艺原理【m 广州：华南理工大学出版社，2 0 0 0 6 杨维，李歧强粒子群优化算法综述 j ，中国工程科学，2 0 0 4 ，6 f 5 1 ：8 7 9 4 7 柯晶，钱积新，乔谊正一种改进粒子群优化算法 j ，电路与系统学报，2 0 0 3 ，8 f 5 1 ： 8 7 9 1 8 k a n n a l l ，s s l o c h a l l a l ，s _ m a r yr a j a a p p l i c a t i o no fp a n i c l es w a n no p t i m i z a t i o nt e c h n i q u ea i l d i t sv 撕a n t st og e n e r a t i o ne x p a j l s i o np l a n n i n gp m b l e m 【j 】e l e c 埘cp o w e rs y s t e m sr e s e a r c h ， v o l 啪e ：7 0 ，i s s u e ：3 ，a u g u s t ，2 0 0 4 ，p p 2 0 3 - 2l0 9 s u g i s a l ( a ，m a s a n o r i ；f a n ，x i n j i a n a ne f f e c t i v es e a r c hm e m o df o rn e u r a in e t w o r kb a s e df a c e d e t e c t i o nu s i n gp a r t i c l es w a r n lo p t i m j z a t i o n j i e i c e1 r 觚s a c t i o n so ni n f o n n a t i o na n ds y s t e m s ve 8 8n22 0 0 5 ，p p 2 1 4 - 2 2 2 1 0 g h o s h a l ，s p o p t i m i z a t i o n so fp i dg a i n sb yp a r t i c l es w a mo p t i m i z a t i o n si nn j z z yb a s e d a u t o m a t i cg e n e r a t i o nc o m r o l j 】e l e c t r i cp o w e rs y s t e m sr e s e a r c h ，v o l u m e ：7 2 ，i s s u e ：3 d e c e m b e r l5 ，2 0 0 4 ，p p 2 0 3 2l2 1 1 a b i d o ，m a 0 p t i m a lp o w e rn o wu s i n gp a n i c l es w 蝴o p t i m i z a t i o n j i n t e m a t i o n a lj o u m a l o fe l e c t r i c a lp o w e ra n de n e r g ys y s t e m s ，v o l u m e ：2 4 ，i s s u e ：7 ，0 c t o b e r ，2 0 0 2 ，p p 5 6 3 5 7l 1 2 c h e n ，y i f 2 m ；d u b e y ，v i m a lk u l t r a w i d e b a f l ds o u r c el o c a l i z a t i o nu s i n gap a n i c l e s w a m l o p t i m i z e dc a p o ne s t i m a t o r j 】2 0 0 5i e e ei n t e m a t i o n a lc o n f e r e n c eo nc o m m u n i c a t i o n s i c c 2 0 0 5 ，p p 1 7 3 一1 7 9 1 3 s o n g s h a l lt a l l g ，z h e n g - i a i l gc h e n ，j i n 鲥i n gl i u p m d u c t i o na 1 1 de n c h a i l c eb i o l o g i c a la c t i v 时o f a n o v e lg h r ha n a l o g ，h g h r hw i t ha nn t e h l l i n a lp r o p r oe x t e n s i o n j 】p m t e i ne x p r e s s i o n & p u r i f i c a t i o n2 0 0 4 ( 3 4 ) ，p p 2 9 6 3 0 1 1 4 s l l iy ，e b e r h a nr am o d i 行e dp a n i c l es w a n no p t i m i z e r c i n ：i e e ew o r l dc o n g r e s so n c o m p u t a t i o n a li n t e l l i g e n c e ，19 9 8 ：6 9 - 7 3 1 5 s l l iy ，e b e r h a nrf u z 巧a d a p t i v ep a n i c l es w a 丌1 10 p t i i l l i z a t i o n c i n ：p r o cc o n g r e s so n e v 0 1 u t i o n a r yc o m p u t a t i o n ，s e o u l ，k o r e a ，2 0 01 【1 6 j a n g e i i n epj e v 0 1 u t i o n a r y0 p t i m i z a t i o nv e r s u sp a n i c l es w 姗0 p t i m i z a t i o n ：p k l o s o p h ya n d p e 怕r n l a i l c ed i 疗e r e n c e s c 】i i l ：e v o l u t i o n a r yp m g r 猢i n gv i i ， 1 9 9 8 ：6 0 1 6 1 0 1 1 7 jl o v b j e 唱m ，r a s m l l s s e ntk ，k r h l l ( t h y b i r dp a r t i c l es w a n no p t i m i s e rw i t hb r e e d i n ga 1 1 d s u b p o p u l a t i o n s c i n ：p r o co f t h em i r dg e n e t i ca n de v o l u t i o n a r yc o m p u t a t i o nc o n f e r e n c e ， 2 0 0 i 【1 8 v a j ld e nb e 唱hf ，e n g e l b r e c h tap t r a i n i n gp m d u c tu i n tn e t w o r k