基于神经网络的抗生素发酵过程补料控制研究

基于神经网络的抗生素发酵过程补料控制研究

1补料量的控制抗生素是微生物的二级代谢产物。在一定条件下，各种添加剂被用来合成某些酶反应。其发酵过程大致可分为前期、中期和后期三个阶段,以分批补料间歇培养为特征,控制的目的是为菌体生长和抗生素的合成提供适宜的外部条件。补料量的控制是整个抗生素发酵过程中的关键。目前的控制也只能对一些外部参数(如温度、罐压、空气流量等)进行简单地控制,而对于生产过程中起关键作用的补料量的控制多是靠人工经验,其可靠性差、偶然因素多,严重影响生产效益的提高。神经网络通过大量神经元的连接,通过自学习、自组织和非线性动力学所形成的分布式方式来处理难以语言化的模式信息。遗传算法是模拟生物进化现象,采用进化机制,快速有效解决问题的一种随机性迭代式概率搜索方法,遗传算法和神经网络相结合时,可只考虑体现问题的信息模式,并通过对信息模式的处理求得问题的解,特别适用于非线性极强而难以建模的系统。基于以上理论,本文提出了利用各种参数的化验值,通过神经网络的控制得到补料量的智能控制方法。2建立适应该批菌体发酵的神经网络发酵过程是一个高度非线性、时间连续变化的动态过程,其逆过程是为达到一定量的产出确定合适的补料量。对抗生素发酵过程的逆动力学模型的辨识可采用神经网络直接逆系统建模方式,如图1所示。抗生素生产多以分批发酵方式进行,每一批抗生素的发酵过程都有对该批菌体发酵的具体状态进行详细记录的批报表,批报表上有化验值和补料量,这些大都包含了发酵过程中生物量集中的信息,如表1为洁酶素(抗生素的一个分支)发酵中期的部分样本数据。因而可以根据化验值和补料量建立合适的神经网络,然后把这批数据当作网络的训练样本,对神经网络进行有教师信号的训练。以洁酶素发酵为例,网络以残糖、氨基氮和pH值的化验值为输入,以补料量(补糖量、补氨水量、补硫酸氨量)为输出建立一个3-9-3的BP网络。如图2所示,当网络误差达到生产所要求的范围内后,训练结束,这时可利用网络对生产进行控制。如输入化验值x1、x2、x3,则可得补料量y1、y2、y3。3bp网络的缺陷对图1中BP网络的训练在此不采用BP学习算法,而是采用遗传算法来优化网络权值,其基本思想是:首先在解空间用遗传算法定位出一些较好的搜索空间,然后采用BP算法在这些解空间中搜索出最优解,再不断地迭代下去。BP网络由于采用一阶梯度法求解,所以收敛速度慢,易限于局部最优。在网络规模较大时,这种缺陷表现得更为明显。将遗传算法与神经网络相结合,可兼有神经网络广泛映射能力和遗传算法快速、全局收敛以及增强式学习能力等性能,在某种程度上可避免BP算法收敛速度慢、易限于局部最优的缺点。3.1ga优化网络访问权限的设计(1)生成连接权的变化范围t采用二进制编码方案,网络的每个连接权值都用一定长的0/1串表示。在编码时,首先假定连接权在某一预定的范围内变化,那么各连接权的实际值和字符串表示值之间有如下关系:ωt(i‚j)=ωmin(i‚j)+binreplace(t)2L-1[ωmax(i‚j)-ωmin(i‚j)+1](1)ωt(i‚j)=ωmin(i‚j)+binreplace(t)2L−1[ωmax(i‚j)−ωmin(i‚j)+1](1)式中:binreplace(t)——由L位字符串所组成的二进制整数;[ωmax(i,j),ωmin(i,j)]——各连接权的变化范围。将所有权值对应的0/1串连在一起,得到一个很长的二进制字符串,代表网络的一种权值组合,即一个个体。(2)群体数量、数量对ga运算效率的影响群体的大小表示群体中所含个体的数量,当群体中个体的数量较少时,可提高GA的运算速度,但却降低了群体的多样性,有可能会引起GA的早熟;当群体中个体的数量较多时,又会使得GA的运行效率降低。一般建议的取值范围为20~100。(3)差函数的定义在遗传算法中,对适应度函数的唯一要求是针对输入可以计算出能加以比较的非负结果。因此这里采用网络的误差函数作为适应度函数,并认为误差大的个体其适应度小。具体表示如下:F=C-E(2)式中:C——常数;E——网络的误差函数;E=12ΣmΣk(Ym‚k-ˉYm‚k)2E=12ΣmΣk(Ym‚k−Y¯¯¯m‚k)2,其中:Ym,k、ˉYm,k——网络的第m个训练样本的第k个输出节点的实际输出和期望输出。(4)交叉算子的生成a.选择算子:计算完各个体的适应度后,选择适应度大的个体遗传到下一代。在此应用目前最常用的适应度比例法,即各个个体的选择概率和其适应度成比例。对于适应度为Fi的个体赋予其选择概率Ps为:Ρs=Fi/ΝΣi=1Fi(3)式中:N——群体中所含个体的数量。在实际学习中,一般将适应度最大的个体无条件地遗传给下一代。b.交叉算子:按一定的交叉概率Pc从群体中随机地选择两个权值个体,然后在个体字符串中随机地设定一个交叉点,在交叉点处把两个个体分成前后两个部分,交换两个个体的后半部分,得到两个新个体,取第一个个体为交叉结果。在实际学习中,一般要对网络的权值部分和阈值部分分别进行交叉,这样做的原因是将权值和阈值分开,以提高学习率。c.变异算子:按一定的变异概率Pm对群体中的某些个体的某些位进行变异,即对某些个体二进制字符串的某些位进行0与1的变换。(5)调整pc和pm交叉概率Pc控制着交叉操作的频率,Pc过大,会使高适应度值的解很快被破坏掉,Pc过小,搜索又会停滞不前。变异概率Pm是增大群体多样性的又一个因素,Pm过大,会破坏有用的个体而使解远离最优解,使GA变成随机搜索,Pm过小,则不会产生新的个体。为加快GA的搜索效率和有效防止限于局部解,这里采用按下式自适应地调整Pc和Pm:Pc=1(Fc<Favg)Pc=(Fmax-Fc)/(Fmax-Favg)(Fc≥Favg)(4)Pm=0.5(Fm<Favg)Pm=0.5(Fmax-Fm)/(Fmax-Favg)(Fm≥Favg)(5)式中:Fc——待交叉的两个个体中的较大适应度值;Fm——要变异个体的适应度值;Fmax、Favg——群体中最大适应度值和群体平均适应度值。这就使得Pc和Pm随着个体的适应度值而自适应地改变。3.2基于双网融合的新群体群的建立首先用遗传算法对神经网络的初始权值进行优化,利用遗传算法的全局搜索性,将搜索空间缩小到一定的精度范围,然后利用BP算法局部收敛性强的特性,在这个小的解空间中搜索出最优解。具体步骤如下:①给定网络的输入、输出样本集;②根据经验确定神经网络的各连接权的分布范围,然后根据问题所要求的精度确定各权值的编码长度,根据式(1)进行二进制编码权值;③设定群体中的个体数N,随即生成一个初始群体;④对群体中的每一个体二进制串进行译码,求得N组网络权值,得到具有相同结构的N个网络;⑤由输入样本集经前向传播算法,求得N组网络权值对应的N个网络输出;⑥根据适应度函数式(2)、(3)求得N组权值各自所对应的适应度;⑦根据式(4)求得选择概率,并根据选择概率对N组权值进行选择操作;⑧根据式(5)、(6)的交叉概率和变异概率对选择后的个体自适应地进行相应的操作,生成新一代群体;⑨反复进行④~⑧项操作,每进行一次谓之群体进化了一代,直至进化了Kn代;⑩从第Kn代群体中选择m个具有全局性的进化解;(11)分别以这些进化解为初始解,用BP算法求解;(12)比较m个由BP算法求得的最优解,从而获得整个的最优解。算法流程图如图3所示。3.3bp算法下的输出为了验证上述算法的有效性,取一非线性方程组为:[y1=x1+x22⋅x3y2=1/x1+x23+x2y3=x1+x2/x3建立如图2的3-9-3的BP网络,三输入量对应x1,x2,x3,三输出量对应y1,y2,y3。x1分别取0.2,0.5,0.8,同理x2,x3也这样取值,组成27组输入量,代入方程组,求出相应的输出量y1,y2,y3,再把这27组输入输出量作为教师信号,利用上述算法对网络进行训练,当群体进化到第30代时转入BP算法,当BP算法误差到达0.03时,训练结束。最后输出一组最优权值解。这时就可以取一组非训练数据输入量x1,x2,x3,通过网络来计算输出量y1,y2,y3,并和通过方程组计算出的理论输出值相比较,观察其逼近理论输出值的程度。表2为最优权值解。表中ωh,0,ωh,1,ωh,2(h=0,…,8)表示第(h+1)个隐含结点和第1个、第2个、第3个输入结点的权值,ω0,h,ω1,h,ω2,h(h=0,…,8)表示第(h+1)个隐含结点和第1个、第2个、第3个输出结点的权值。最终的阈值为-0.63798,0.34301,2.614910,-1.3559981,1.89987,0.830001,-0.10001,0.139086,0.279843,2.100202,0.499874,0.287452。前9个分别为第1个隐含结点到第9个隐含结点的阈值,后3个为第1个输出结点到第3个输出结点的阈值。用表2所给的权值和阈值,任给一组输入量x1,x2,x3,即可求出其网络输出值y1,y2,y3,由方程组求出相同输入量的理论值,比较它们之间的差距。表3列出了几组输入量及其对应的网络输出值和理论输出值。在此可以看出网络误差已缩小到所要求的范围。4神经网络直接逆系统模型的建立以洁酶素发酵为例,选取任意一个发酵罐作为研究对象,以其发酵批报表为基础,精选100批发酵出率高的批报建立教师数据。为了获得良好的逆动力学性能,网络训练时应覆盖一定大的运行范围。采用上面叙述的算法并用VB6.0编写实用程序对如图2所示的3-9-3BP网络进行离线训练,象3.3节的仿真试验一样,最终得到一组最优的网络权阈值。这样我们就已经建好了神经网络直接逆系统模型,在对所建模型的精确性进行验证后,就可以用于生产现场计算补料量,从而指导生产。为了验证所建模型的精确性,我们