控制流程圖。
【具體實施方式】
[0039] 為詳細說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實現(xiàn)目的及效果，以下結(jié)合實施方式 并配合附圖詳予說明。
[0040] 本發(fā)明實施方式，一種基于人工魚群算法的微生物發(fā)酵優(yōu)化方法，所述人工魚群 算法（Artificial Fish School Algorithm, AFSA)是浙江大學的李曉嘉博士于2002年基 于現(xiàn)實環(huán)境中的魚群覓食行為首次提出的一種新型的仿生類群體智能全局尋優(yōu)算法。人工 魚群算法模擬自然界中魚的集群覓食行為，通過個體之間的協(xié)作使群體達到最優(yōu)選擇的目 的，算法實現(xiàn)的重點是人工魚群的覓食，聚群和追尾三種算子，構(gòu)造了個體的底層行為。每 條人工魚探索它當前所處的環(huán)境，選擇執(zhí)行一種行為算子，通過不斷調(diào)整自己的位置，最終 集結(jié)在食物密度較大的區(qū)域周圍，取得全局最優(yōu)值。人工魚是真實魚的虛擬實體，人工魚存 在的環(huán)境指的是問題的解空間和其他同伴的狀態(tài)，下一刻的行為取決于目前自身狀態(tài)和目 前環(huán)境的狀態(tài)，并且它不通過自身活動來影響環(huán)境和其他同伴的活動，進而達到最終尋優(yōu) 的目的。
[0041] 請參閱圖1，該基于人工魚群算法的微生物發(fā)酵優(yōu)化方法包括以下步驟：
[0042] 1、選擇需要優(yōu)化控制的發(fā)酵控制參數(shù)（如發(fā)酵溫度、發(fā)酵液pH值、發(fā)酵液溶解氧 濃度、發(fā)酵液濁度、發(fā)酵液殘氮量等），并每隔一定時間記錄控制參數(shù)的設(shè)定值及對應的發(fā) 酵產(chǎn)品的產(chǎn)量。經(jīng)過多批次的發(fā)酵，把這些批次的發(fā)酵數(shù)據(jù)作為發(fā)酵數(shù)據(jù)集。
[0043] 2、把發(fā)酵數(shù)據(jù)集隨機分成兩部分，一部分為訓練數(shù)據(jù)集，一部分為測試數(shù)據(jù)集。訓 練數(shù)據(jù)集用來訓練BP神經(jīng)網(wǎng)絡，測試數(shù)據(jù)集不參與訓練BP神經(jīng)網(wǎng)絡，而是用于測試經(jīng)過訓 練的BP神經(jīng)網(wǎng)絡預測發(fā)酵產(chǎn)品產(chǎn)量的準確性。優(yōu)選的，測試數(shù)據(jù)集占總發(fā)酵數(shù)據(jù)集的6% 左右。
[0044] 3、構(gòu)建BP神經(jīng)網(wǎng)絡方法：把選定的發(fā)酵控制參數(shù)作為BP神經(jīng)網(wǎng)絡的輸入層輸入 節(jié)點，把發(fā)酵產(chǎn)品的產(chǎn)量作為BP神經(jīng)網(wǎng)絡的輸出層輸出節(jié)點，選擇適當?shù)碾[含層節(jié)點數(shù)， 構(gòu)建三層BP神經(jīng)網(wǎng)絡。
[0045] 4、通過訓練數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡進行訓練，讓BP神經(jīng)網(wǎng)絡學習控制參數(shù)與發(fā) 酵產(chǎn)品產(chǎn)量之間的映射關(guān)系，用測試數(shù)據(jù)集對經(jīng)過訓練的BP神經(jīng)網(wǎng)絡預測產(chǎn)品產(chǎn)量的準 確性進行測試，如果經(jīng)過訓練的BP神經(jīng)網(wǎng)絡預測產(chǎn)量的準確性超出實驗允許的誤差范圍 之外，則重新進行訓練，如果在實驗誤差允許的范圍內(nèi)（優(yōu)選的，要求BP神經(jīng)網(wǎng)絡預測 發(fā)酵產(chǎn)品產(chǎn)量的預測值和實驗測得的觀察值之間的線性回歸判定系數(shù)（coefficient of determination) R2大于0. 9)，則BP神經(jīng)網(wǎng)絡訓練合格。訓練合格的BP神經(jīng)網(wǎng)絡可以作為 人工魚群算法的適應度函數(shù)。
[0046] 5、對選定的發(fā)酵控制參數(shù)進行編碼，每個發(fā)酵控制參數(shù)根據(jù)實驗要求的精度和發(fā) 酵參數(shù)取值范圍，進行二進制編碼。設(shè)某一參數(shù)X的取值范圍在[a，b]，編碼長度為n，則 編碼精度為（b-aV(2 n-l)，只要確定了控制參數(shù)實驗要求的精度和發(fā)酵控制參數(shù)的取值范 圍，就是算出需要編碼的二進制符號串的長度。經(jīng)過二進制編碼后的每個發(fā)酵控制參數(shù)可 以看作一個基因，多個基因串連組成一條染色體，一條染色體代表一個人工魚個體，許多個 隨機人工魚個體組成初始種群，并且在建立初始種群時設(shè)置算法參數(shù)，如種群大小、移動步 長、感知范圍、擁擠度因子、嘗試次數(shù)等。
[0047] 6、以訓練合格的BP神經(jīng)網(wǎng)絡為人工魚群算法的適應度函數(shù)，計算每條人工魚個 體的適應度值，并記錄最優(yōu)個體的適應度值。
[0048] 7、對當前魚分別嘗試執(zhí)行聚群算子和追尾算子。聚集算子能夠使人工魚向可視范 圍內(nèi)的魚群中心聚集，設(shè)第i條人工魚當前位置為X 1，適應度值為Y1，以第i條人工魚身位 置為中心，第I條人工魚感知范圍內(nèi)的人工魚的數(shù)目為n f，則該集合的中心位置X_tCT為：
[0049]
9
[0050] 計算該中心位置的適應度值YOTntCT，如果滿足Y_tCT> Y i，且YOTntCT/nf< δ X Y i (擁 擠因子S <1)，表明伙伴中心有很多食物并且不太擁擠，則人工魚朝該中心前進一步，前 進后的位置用下式表示： LlN 丄Ut)丄Λ Ij ο/d ιι\
[0051]
[0052] 追尾算子：設(shè)第i條人工魚的當前位置為X1，適應度值為Y1，人工魚X 1根據(jù)自己的 當前位置搜索其感知范圍內(nèi)所有伙伴中適應度值最大的伙伴X_，其適應度值為Y_。如果 Y_> Y i，就以為中心搜索其感知范圍內(nèi)的人工魚，數(shù)目為n f，并且滿足Y_> Y P Yniax/ nf< S XY1(擁擠因子δ <1)，表明該位置較優(yōu)且其周圍不太擁擠，則人工魚向適應度值 最大的伙伴Χ_的方向前進一步，前進后的位置用下式表示：
[0053]
。.其中，rand ()為 0 ~1 之 間的隨機數(shù)，step為人工魚每前進一步的步長，。
[0054] 8、判斷人工魚分別執(zhí)行聚群算子和追尾算子后適應度值是否提高，如果是，則比 較執(zhí)行完聚群算子和追尾算子的人工魚的適應度值，選擇適應度值較大的作為最終執(zhí)行算 子。如果分別嘗試聚群算子和追尾算子后，人工魚適應度值沒有提高，則執(zhí)行覓食算子。
[0055] 9、執(zhí)行覓食算子，覓食算子是根據(jù)當前位置尋找更優(yōu)位置的行為，設(shè)第i條人工 魚當前位置為X 1，適應度值為Y1，按照下式進行位置轉(zhuǎn)移；
[0056] Xj= X i+rand() X visual ；
[0057] 其中，visual為人工魚的感知范圍，visual為人工魚的感知范圍，人工魚每次移 動都要觀測感知范圍內(nèi)其他魚的運動情況及適應度值，從而決定自己的運動方向。Visual 值在種群初始化時預先設(shè)定；
[0058] 即隨機選擇當前感知范圍內(nèi)的一個位置X,，根據(jù)適應度函數(shù)計算該位置的適應度 值Yj,若Yi< Y _j，則向該方向前進一步，按下式進行位置更新s使得Xi到達一個新的較好位 置 Xnext;
[0059] 9
[0060] 若Yi> Y_j，則按Xj= Xi+randO Xvisual進行位置更新，重新隨機選擇位置Xj,判 斷是滯滿足前進條件（所述前進條件是：新位置上人工魚的適應度值是否比原來位置上人 工魚的適應度值高，是則向新位置前進，否則隨機移動一步），這樣反復嘗試到最大嘗試次 數(shù)后，如果仍然不滿足前進條件，則按下式更新位置，即在感知范圍內(nèi)隨機移動一步，使得 X1到達一個新的位置Xnext;
[0061] Xnext= X JrandO X step ;
[0062] 10、位置更新之后，重新計算人工魚群的適應度值，并記錄最優(yōu)個體，如果最優(yōu)個 體適應度值不再變化，是循環(huán)結(jié)束，輸出最優(yōu)解，進行解碼，得到發(fā)酵控制的最優(yōu)組合。如果 最優(yōu)個體適應度值還在提高，說明還沒有找到最優(yōu)解，則繼續(xù)迭代循環(huán)，直到找到最優(yōu)解。
[0063] 本發(fā)明通過微生物發(fā)酵歷史數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練，經(jīng)過訓練合格的BP神 經(jīng)，只要給出微生物發(fā)酵的輸入?yún)?shù)值就能準確預測出微生物發(fā)酵產(chǎn)品的產(chǎn)量（類似一個 數(shù)學函數(shù)，只要給出未知數(shù)的值就能馬上計算出結(jié)果），把經(jīng)過訓練的BP神經(jīng)網(wǎng)絡作為人 工魚群算法的適應度函數(shù)，應用人工魚群算法對發(fā)酵過程進行優(yōu)化控制，免去了人工魚群 算法對微生物發(fā)酵進行優(yōu)化控制時需要構(gòu)建復雜的適應度函數(shù)的問題。人工魚群算法主要 利用人工魚群的覓食、聚群和追尾三種算子，每條人工魚探索它當前的所處的環(huán)境，分別嘗 試聚群和追尾兩種算子，通過目標函數(shù)計算適應度值是否得到改善，選擇執(zhí)