基于模型的批量发酵优化的交互式进化计算.doc

基于模型的分批发酵优化的交互式进化计算摘要分批过程的温度和投放曲线图的优化之中，在优化问题中考虑某些目标和约束是令人满意的。啤酒发酵的过程中，温度曲线图被应用于驱使过程以满足某些约束条件。温度曲线图的设计是一个以最小化操作时间和优化啤酒质量为目标的优化问题。与其他实践问题相似，这些目标与约束经常不是同等量度的，而目标函数也是不明确或者数学上不存在的。在这篇论文中，交互式进化计算（IEC）被使用来有效地解决这样一个优化问题。IEC是一个进化算法，它的适应度函数被提供给人类使用者。我提出的方法被执行在MATLAB平台下，被应用于设计啤酒发酵过程的温度曲线图。结果显示IEC是一种有效而合适的方法，它将用户的先验知识吸收到基于分批过程优化的模型之中。对我提出方法的详细描述有助于算法的建设。1、 简介分批过程在工业中扮演着重要的角色。在生物反应器的分批或者分批补料操作中，系统显示出非常剧烈的变化。正如变动过程的结果所显示的，最佳操作结果可以在操作时间内通过沿着最优轨线修改输入变量而实现。这解释为什么寻找计算最优轨线的有效方法成为一个生物反应器的重要命题。某些方法已经在文献中被讨论：比如一阶斜率方法和动态规划。在啤酒发酵过程中，温度曲线图被应用于驱使过程以满足某些约束条件。温度曲线图的设计是一个以最小化操作时间和优化啤酒质量为目标的优化问题。这些目标经常是彼此冲突的。某些目标之间必须权衡取舍，某一目标满足程度上的加强会导致另一目标的退化。这些多目标优化问题包含对多个必须先于优化程序而定义性能标准的考虑。这需要关于各种各样的权衡取舍与对每个独立目标估计的详细深入的信息。这样详细的对啤酒发酵过程的温度曲线的基于模型多标准优化在某些文献中被讨论。与其他实践问题相似，在啤酒发酵过程的优化中，目标经常不是同等量度的、不明确或者数学上不存在的。这篇论文提出应用交互式进化算法以解决这些问题。IEC在优化系统内使用人为进化。简要而言，IEC是一种从进化算法中发展而来的技术，它的适应函数被人所替换。在交互式进化之中，用户选择一个或者多个个体存活与繁殖，来组成新的一代。IEC使用两个不同的搜索空间。用户根据心理空间中目标值与系统输出的差距来评价目标系统的输出。另一方面，进化算法搜索参数空间。可以这么说，IEC是一种进化算法与用户搜索合作地基于两个空间的绘图的优化技术。使用人类知识的想法，或者直觉作为优化过程的一部分被显示在例子7。大部分优化技术通过一步步改善单一解，并不适合这种技术。遗传算法与其他基于群体的优化程序更适合于交互式优化，因为一个建议可以被放入群体之中验证它是否值得进一步考虑。一个好建议可以被期望存活而且引导优化过程向一个很好的解，当一个坏的建议将会很快被淘汰。这些技术已经被应用在计算机图形与设计。虽然近年来某些有趣的与有效的基于遗传或者进化算法的方法已经被用于生物过程的优化，但是根据我们最优的知识，IEC的这种应用方法还没有被研究。我提出的方法被执行在MATLAB平台下，配合升级工具箱的应用，用户可以评价个体的表现（解集的设置），可以直接修改建议的温度曲线图。对我提出方法的详细描述有助于算法的建设。论文余下的部分组织如下。第二章提出进化策略算法，考虑到IEC的特质它被修改；第三章显示一个应用实例，当我提出的方法被应用于加热/制冷套的趋势模型的识别。最后，某些结论被显示于第四章。2、 基于IEC的进化策略与自动进化优化算法相反的是，IEC不能使用许多个体和搜索的代的数量，因为将导致用户的疲劳。所以，需要发展与调整进化算法，使得它有效地在少量代中搜素少量个体。因为这个缘故，本章提出一种基于进化策略的算法。21 进化策略进化策略是指模仿物种在自然系统中自然进化的搜索程序。它们直接作用于参数设置的真实表象，从初始的群体（某一组点）开始搜索。类似遗传算法，它们只需要基于目标函数和约束的数据，而且不是衍生或其他辅助的知识。进化策略由选择、变异和一个固定数量的群体发展而来。Schwefel介绍了重组和多于一个个体的不同群体，而且提供了一个漂亮的遗传策略与更传统技术之间的比较。算法的大致体系在表1中被给出。根据这个大致体系，应用于这篇论文的算法主要元素如下所示。表1 进化策略的程序代表 进化策略的搜索点是目标变量的n维向量。为允许更好地继承目标函数的拓扑，目标变量伴随着一组我们称之为策略参数的数据而存在。进化策略个体包含两个元素，目标变量和最大n个不同标准差，用以控制步长。选择 应用进化策略，给定的代有父代，通过重组和变异形成个子代。因此，个下一个群体的成员根据它们的目标函数值（用户给定）而存储，而用户选择最优的个子代成为下一代的父代。变异 因为自然界小变异经常发生，但大变异罕有地出现，当变异算子随机数由正常分配生成被加到个体之上：目标变量变异之前，标准差由使用相乘的正常分配过程变异。作为一个全局因子，它允许一个易变性和的全局因子，允许平均步长的个体变异。和参数在全局学习速度的意义上可以被解释。Schwefel建议如下设置它们：重组 进化策略里的重组可以是有性繁殖的，两个父代参与到子代的繁殖之中，或者是全局的，最大到整个群体贡献到一个新的子代的繁殖之中。只有两个个体参与的有性繁殖常常被称之为局部重组，而所有个体参与的称之为全局重组。传统的重组算子是离散的、取中值的、几何的重组，所有的重组形式都存在有性和全局的模式。F和M标志两个从父代群体中随机选择的个体，有如下算子可以被定义：贯穿整个过程目标变量的离散重组和策略参数的全局取中值重组被使用。2.2 MATLAB Easy-IEC工具箱为了创造出能够发展为需要用户拥有的不能为计算所取代的专业知识人工制品的系统，IEC系统设法连接EA界面与用户偏好。因此，用户能力与机器计算通过界面的连接需要重新解决某些难题。本章介绍了一个这样的寻求联合用户知觉和先前提出的进化策略的交互式进化系统，以发展成MATLAB参数和仿真模型。图1 我提出的集成在MATLAB中的IEC系统体系正在发展中的Easy-IEC整定工具箱，为应用来解决不同种类的优化问题（系统辨识、控制器整定、数据挖掘）。被显示个体的数量，被设置为8，被间隙地显示。因为用户精力有限搜索代的数量被限制在20以内。在我所提出的架构内，用户评价个体的表现（解集的设置），比如用户可以同时分析数值结果与绘制曲线。某个评价图的例子被显示在图4.基于对解集的虚拟观察与对某些计算后数值指标与参数的分析，用户可以选择一组个体被用于创造子代。进化的工具箱允许进一步的人为干预。这表明，用户可以直接改变个体，比如，温度曲线图可以通过拖动和降低的技术人为地被改变，从而提供给用户将先验知识融入到多指标进化优化的可能性。3、 基于批量发酵优化模型的应用这篇论文中，由Carrillo-Ureta和Andres-Toro发表的动态模型已经被使用来估计温度曲线图的影响。这个模型由实验数据发展而来，在发酵过程的现实视角方面显示出很好的效果。模型考虑了7个要素：3个生物量要素（隐藏的、活跃的、死亡的）、乙醇和糖、两个重要的副产品：乙酸乙酯和双乙酰。模型方程与参数出自Carrillo-Ureta的论文。大部分过程参数变化符合Arrhenius函数，除了双乙酰的出现和消失速率是常量之外。反应速率：参数：初始值：3.2 轨线优化的IEC算法执行为了将IEC算法应用到该问题的解决上面，设计一个合适的温度轨线的描述是必要的。因此一个简单但有效的方法被提出。曲线图被分为6段，每个染色体包含分段线性轨线的断点的时间与温度。在今后算法中这些数字被译成真实值，如图2所示。正如图形显示的，优化中分段温度曲线图的断点是可以移动的，柔性改善了算法的有效性，但是增加了优化问题的搜索空间。图2 温度轨线染色体的代表优化中用户选择一组由进化策略给定的好的温度曲线图（交互式进化），然后他可以手动调整被选的曲线（人为干预）。人为干预的技术非常简单：用户操作员可以使用拖动和降低的技术自由移动轨线的断点（见图4）。在修改轨线之后，仿真使用新的轨线自动运行，同时评价数据刷新。3.3 结果好的温度曲线图可以导致高的乙醇生产率、低的糖和乙酸乙酯浓度、非常低的双乙酰和生物量浓度和相对平滑的温度曲线和短暂的操作时间。这引出一个找寻可以让所有上述目标和某些其他约束分层的温度曲线图的多目标优化问题。与其他标准方法相比，IEC拥有巨大的优势：操作员可以有效地在这些目标间得到平衡。在案例研究中，使用Easy-IEC工具箱，用户只在11代之后就找到一组相当好的解（每一代包含8个个体）。为了分析和证明这个结果，生成的温度轨线被用来与Andres-Torro论文中取出的工业轨线相比（见表3和图3）（工业温度曲线图被显示在图4的第一栏）。正如图3所显示的，出于安全原因最优轨线由10%开始。与工业曲线图相比，虽然最终乙醇水平稍微有点低，优化后的轨线导致低得多的乙酸乙酯和双乙酰浓度，而且生物量和糖浓度也被降低了。表3 结果图3 结果的优化曲