基于神经网络和遗传算法的木糖醇发酵培养基优化研究
基于神经网络和遗传算法的黄芪发酵培养基优化
方 与 培 养 液 粗 多 糖 之 间 的 关 系 ， 而 优 化 出最 佳 发 酵 培 养 基 从 配 方 。经 过 Ｂ Ｐ神 经 网络 结 合 遗 传 算 法 优 化 后 的最 佳 发 酵 培
养 基 为 组 分 Ａ 含 量 为 ４ ． ０ｇ Ｌ 蛋 白胨 ７ ４ ／ 、 母 膏 ２ １ ／ 、 ． ５ｇ Ｌ 酵 ９８ ／ 、 Ｈ Ｐ ４ ２ Ｐ ４．８ｇ Ｌ 组分 Ｅ为 ６２ ／ 。以 ．Ｏｇ ＬＫ ２ Ｏ 一Ｋ Ｈ Ｏ ２ １ ／ 、 ．５ｇＬ 此 配 方 进 行 验 证 实 验 ， 果 显 示 黄 芪 发 酵 液 粗 多 糖 的得 率 与 结
查
研
图 １ 神 经 网 络 拓 扑 结 构
１ ０
究
９ ０ ． ０ ６． ５ ２ ２ ９ ３． ６ ２ ６ ５． ０ ６． ５ ８
优 化 前 １６ ０ ２ ．０ 优 化后 ４ ．０ ２ １
１ ．０ ０ ４ ７ ４ ．５
∞
６ ８ ． ０ ９ ８ ． ０
变 化率 ／ 一１９ ２ —３ ．０ ％ ９ ．９ ９ ６
择适应度值 大的优秀基因 ， 得 的遗传算 法优 化结果 如图 ３ 所
所示 。
实 验 值 相 对 误 差 小 于 ４ ， 可 使 黄 芪 发 酵 液 多 糖 的 得 率 提 ％ 并
高 为 ２ ．０ ， 均 匀 设 计 中 黄 芪 发 酵 液 多 糖 得 率 最 高 值 ５６％ 比 ２ ．６ 提 高 了 ６ ８ ％ ， 降低 了 培 养 基 成本 由此 可 见 ， ３９ ％ ．５ 并 该 方 法 可 用 于 黄 芪 发 酵 模 型 的建 立 和 条 件 优 化 。 由 于 神 经 网
１ ０
４ ． ２ —４ ． ０ ４ １ ４ ０
基于智能算法的科学计算与优化技术研究
基于智能算法的科学计算与优化技术研究随着计算机技术的飞速发展，人们的计算需求也日益增加，对计算结果的准确性、速度以及效率有着更高的要求。
因此，基于智能算法的科学计算与优化技术逐渐走入人们的视野，成为了亟待解决的问题。
一、智能算法的简介智能算法，是一种基于人工智能的智能计算方法，通常是通过模拟自然界中的一些现象或人类的某些智力行为来进行优化。
它们在解决一些经典的、复杂的问题时，通常表现出很强的优势。
智能算法包括遗传算法、神经网络、粒子群优化、模拟退火等多种形式，每种形式都适用于不同的问题。
二、智能算法在科学计算与优化中的应用1. 遗传算法遗传算法模拟了演化论中的遗传和进化机制，通过选择、交叉和变异等操作，反复迭代直至达到最优答案。
遗传算法在数字优化、机器学习、智能控制、数据挖掘等领域广泛应用。
2. 神经网络神经网络在模式识别、自然语言处理、语音识别、生物信息等领域中有广泛的应用。
它模拟人脑中神经元的信号传输和处理方式，通过训练和学习，能够实现对某些特定问题的分类、识别、预测和优化。
3. 粒子群优化粒子群优化模拟小鸟寻找食物时的行为模式，以解决优化问题，它不断地修正解，通过不断的迭代搜索局部最优解，最终找到全局最优解。
它在电力系统、机器人控制、供应链优化、生产调度等方面都有广泛的应用。
4. 模拟退火模拟退火算法是基于热力学中物质状态变化的原理，将材料在高温下进行加热，让它自行形成平衡状态，从而达到最优化的结果。
模拟退火算法在区域路径规划、图像处理、网络流优化、电子商务等领域中都有广泛的应用。
三、智能算法的优点与不足智能算法的优点：1. 可以通过迭代求解来逐渐逼近最优解。
2. 可以同时优化多个指标，达到多目标优化的效果。
3. 对于非线性问题或者黑盒问题，智能算法能够更好地适应和解决。
4. 可以很快适用于大型、高维、非凸性的优化问题。
智能算法的不足：1. 不同的应用场景需要不同的智能算法，不能够通用。
2. 智能算法需要大量的计算资源和时间，在遇到复杂问题时，会遇到计算困难。
基于神经网络的最优化问题求解方法研究
基于神经网络的最优化问题求解方法研究随着科技的快速发展，神经网络成为了人工智能领域的热门话题之一。
神经网络作为一个非线性的模型，在数据挖掘、机器学习等领域中越来越受到重视。
而基于神经网络的最优化问题求解方法也备受关注。
在这篇文章中，我将探讨基于神经网络的最优化问题求解方法的研究。
一、最优化问题和神经网络什么是最优化问题？简单来说，最优化问题就是在一定的约束条件下，寻找一个使某个目标函数取得最佳值的解。
而神经网络则是一种模拟人类神经系统的计算模型，其中包含输入层、隐藏层和输出层。
通过对数据进行训练，神经网络能够学习到用来预测未知数据或者解决特定问题的函数。
最优化问题和神经网络看起来并没有直接联系，但是通过神经网络的学习能力，我们可以将最优化问题转化为一个可以通过神经网络求解的问题。
二、神经网络解决最优化问题的方法1. 基于梯度下降的方法在神经网络中，我们通常使用反向传播算法（Backpropagation algorithm）来训练模型。
在训练过程中，我们需要通过梯度下降（Gradient Descent）的方法来调整模型的参数，以便让模型的损失函数最小化。
而在最优化问题中，我们也可以通过梯度下降的方法来寻找最优解。
对于一个目标函数，我们可以计算出它的梯度，然后不断地更新自变量，以便让目标函数的值不断减小。
这就是梯度下降的基本思想。
因此，基于梯度下降的方法可以应用在神经网络中，用于从数据中学习到一组最优的参数。
在梯度下降的过程中，我们需要选择合适的学习率（learning rate），以避免学习过程中损失函数出现震荡或者无法收敛的问题。
2. 基于遗传算法的方法除了基于梯度下降的方法，我们还可以使用基于遗传算法的方法来解决最优化问题。
遗传算法是一种模拟自然界的进化过程的算法。
在遗传算法中，我们通过对种群进行基因交叉、变异等操作，来不断优化种群的适应度（Fitness），以便在种群中找到最优解。
对于最优化问题，我们可以将其转化为一个种群的适应度问题。
应用神经网络和遗传算法优化利福霉素B发酵培养基
Ｏ ｐｔｍ ｉａ ｉ ｎ ｏ ｈ ｅ ｍ ｅ ｔ ｔｏ ｅ ｕｍ ｏ ｉａ ｙ ｉ Ｂ ｏｄ ｔｏ ｉ ｚ ｔｏ ｆｔ ｅ ｆ ｒ ｎ ａ ｉ ｎ ｍ ｄｉ ｆ ｒ ｒｒ ｌｎ ｔ ｒ ｎ ｅ ｅ ｉ ｌ ｏ ｉ ｍｓ ｙ ｕ ｉ ｇ ａ ｔｆ ｉ ｌ ｕ ａ ｅ ｗｏ ｋ ａ ｄ ｇ ｎ ｔｃ ａ ｇ ｒｔ ｉ ｎ ｈ
（ 华东理工大学生物反应器工程国家重点实验室。 上海 ２ ０３ ） ０ ２ ７
摘要 ： 对培养基进行优 化时 ， 获得 大量的实验数据 。 会 但这些 实验数据往往 不能被进 一步利用 。 如果使用ｒ些不 同的方法对历
史数据进一步挖掘就可能得 出额外的规律。 本文使用神经网络对历史数据进行处理 ， 得到 了利福霉紊 Ｂ培养基成份和发酵效价之间
ｎ ｕａ ｎ ｔｏｋ Ａ Ｎ）ｗ ｓｕｅ ｏｐｅ ｉ ｈ ｅ ｔ ｎｈｐ ｂｔ ｅｎ ｔｅｐ ｔ ｃ ｆｒａ ｃｎ Ｂ ａ ｄｔｅｆｒ ｎａｉ ｅ ￣ｌ ｅｗ ｒ （ Ｎ ａ ｓｄ ｔ ｒｄｃ ｔｅ ｒ ａｉ ｓｉ ｅ ｅ ｈ ｏ ｎ ｙｏ ｉ ｍｙｉ ｎ ｈ ｅｍｅｔｔ ｎ ｔ ｌ ｏ ｗ ｅ ｆ ｏ
Ｗａ ｇＪ ｎｆｎ ， ＤｕＪ—ｕ ｎ Ｃ ｕ ｊ ， Ｚ ｕ ｎ ｎ — ｉｇ ａ ｄ Ｚ ａ ｇＳ－ｉｎ ｎ ｕ — ｇ ｅ ｉ ａ ， ｈ ｕ ｑ ｈ ａ ｇＹｉｇｐ ｎ ｎ ｈ ｎ ｉ ａ ｇ ｌ
特征值逆问题求解的遗传算法-神经网络方法研究
特征值逆问题求解的遗传算法-神经网络方法研究特征值逆问题求解是一个重要的数学问题，它需要解决的是在已知特征值的情况下，求解对应的矩阵或者线性运算符，它在很多领域中都有广泛的应用，例如信号处理、图像处理、压缩等等。
然而，特征值逆问题求解是一个非常困难的问题，需要进行大量的计算和优化，因此需要采用一些高效的算法方法来解决。
本文将介绍一种采用遗传算法-神经网络方法来求解特征值逆问题的研究。
遗传算法是一种模拟自然界进化过程的优化算法方法，它利用自然选择、交叉和变异等操作来逐步优化解决问题的方案。
神经网络是一种逐层处理信号的计算模型，它可以自动学习输入和输出之间的映射关系，广泛应用于分类、识别、预测等领域。
遗传算法和神经网络都是优秀的优化方法，因此将它们结合起来可以得到更好的解决方案。
在本研究中，我们采用了遗传算法来求解特征值逆问题的矩阵或者线性运算符，首先是选取了一些合适的编码表示方法，并采用随机初始化的方法生成一些个体，然后利用适应度函数来评估每个个体的适应性，选择一部分优秀的个体进行交叉和变异操作，得到新的一代个体，并用新一代个体来更新上一代个体的代表基因。
适应度函数的设计是非常重要的，它需要能够反映出求解特征值逆问题的难度和优劣程度，以便于遗传算法能够适应不同的情况和问题。
接着，我们将利用神经网络来进行特征值逆问题的求解。
首先，我们将已知特征值通过一些预处理方法转化为神经网络的输入，例如将矩阵奇异值分解获取的右奇异向量作为输入。
然后，我们将神经网络的输出结果与理论结果进行比较，利用误差函数来评估神经网络的性能。
最后，我们将遗传算法和神经网络进行结合，将神经网络的输出结果作为适应度函数的一项，同时利用遗传算法来优化神经网络的参数，使得输出结果更加接近理论结果，从而得到更优秀的解决方案。
通过系统的实验和对比分析，我们发现采用遗传算法-神经网络方法来求解特征值逆问题具有很大的优势和优点。
首先，该方法具有很高的求解精度和稳定性，能够在较短的时间内得到非常优秀的求解结果。
遗传算法与神经网络的结合
遗传算法与神经网络的结合近年来，随着人工智能领域的迅猛发展，遗传算法和神经网络分别作为两大重要技术，逐渐受到了研究者们的广泛关注。
遗传算法是通过模拟自然界中的进化思想，通过模拟生物遗传和进化的机制来搜索最优解的优化算法。
而神经网络则是模拟人脑神经元运作机制，通过输入输出之间的连接和权值来实现模式识别和计算的一种计算模型。
本文将探讨，以期在人工智能领域取得更好的应用效果。
首先，我们来看一下遗传算法和神经网络各自的优势。
遗传算法以其自动优化的特点被广泛应用于求解复杂问题。
它通过自然选择、交叉和变异等操作，将种群中适应度高的个体不断进化，从而找到最优解。
遗传算法在解决复杂、多变量问题时表现出了强大的优势，能够搜索到全局最优解。
而神经网络则以其强大的模式识别和学习能力而著称。
它通过神经元之间的连接和权值的调整，实现了对复杂非线性问题的建模和解决。
神经网络在图像识别、语音识别和自然语言处理等领域都取得了显著的成果。
然而，单一的遗传算法或神经网络在某些问题上可能存在局限性。
对于遗传算法而言，其搜索过程是基于群体的，可能会陷入局部最优解。
对于神经网络而言，其训练过程相对较慢，且对于参数的选择较为敏感。
为了克服这些问题，研究者们开始将遗传算法与神经网络相结合。
方式有多种。
其中一种常见的方式是通过遗传算法来优化神经网络的结构或参数。
在神经网络的训练过程中，通过遗传算法对神经网络的权值和偏置进行搜索和优化，以提高神经网络的性能。
另一种方式是将遗传算法的进化机制应用于神经网络的学习过程中。
通过模拟遗传算法的选择、交叉和变异等原理，对神经网络的连接结构和权值进行调整，以实现对神经网络的自适应调节和优化。
能够发挥二者的优点，弥补各自的不足。
首先，通过遗传算法的全局搜索能力，可以有效克服神经网络陷入局部最优解的问题。
其次，通过神经网络的模式识别和学习能力，可以提高遗传算法的搜索效率，使得算法能更快地找到最优解。
此外，还能够应对复杂问题，实现更复杂的模型和解决方案。
基于遗传算法的人工神经网络优化方法研究
基于遗传算法的人工神经网络优化方法研究人工神经网络（Artificial Neural Network，ANN）是一类模拟自然神经网络结构和功能的数学模型，广泛应用于图像识别、语音识别、自然语言处理等领域。
然而，ANN中的参数众多，优化难度大，因此需要一种高效的优化方法。
遗传算法（Genetic Algorithm，GA）作为一种优化算法，能够有效地在搜索空间中寻找最优解，因此，研究基于遗传算法的ANN优化方法具有理论意义和实际应用价值。
一、ANN优化技术的研究现状当前，ANN优化技术主要有遗传算法、粒子群优化（Particle Swarm Optimization，PSO）、模拟退火（Simulated Annealing，SA）等算法。
其中，遗传算法受到了广泛的关注和研究。
遗传算法是一种模拟生物进化过程的搜索算法，通过模拟自然界的生物进化过程，不断筛选优化解，最终在搜索空间中找到最优解。
遗传算法具有以下几个优点：(1)全局搜索能力强；(2)可以处理多个目标问题；(3)适应度函数的选择范围广泛，能够处理非线性非凸问题；(4)算法简单，易于实现；(5)可以与其他优化算法相结合，提升优化效果。
二、基于遗传算法的ANN优化方法基于遗传算法的ANN优化方法一般分为以下几个步骤：①编码；②初始化种群；③计算适应度；④选择操作；⑤交叉操作；⑥变异操作；⑦产生新种群。
①编码编码是将ANN参数向量转化为遗传算法遗传信息的过程。
常用的编码方式有二进制编码、实值编码等。
在实值编码中，ANN每个参数用一个实数表示，遗传算法的每个染色体也用一个实值向量表示。
②初始化种群初始化种群需要随机产生一组遗传信息，通常使用均匀分布或高斯分布来生成初始种群。
这些遗传信息被称为个体或染色体，它们的集合被称为种群。
③计算适应度计算适应度是将ANN参数向量转化为遗传算法的适应度函数的过程。
通常，适应度函数定义在ANN误差函数的基础上，例如均方误差（Mean Square Error，MSE）。
机器学习算法在发酵中的应用
机器学习算法在发酵中的应用作者：范为嘉来源：《科学与财富》2020年第32期摘要：发酵工业受到手工操作的限制，未来将应用生物技术和方法，结合机器识别、深度学习等智能化技术，实现基于人工智能的发酵工业智能化。
本文概括性地介绍机器学习算法在发酵智能化研究中的一些应用。
关键词：机器学习;发酵;神经网络;花卉授粉算法;遗传算法;支持向量机引言[1，2]机器学习专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能重新组织已有的知识结构使之不断改善自身的性能。
发酵指人们借助微生物在有氧或无氧条件下的生命活动来制备微生物菌体本身、或者直接代谢产物或次级代谢产物的过程，在食品工业、生物和化学工业中均有广泛应用。
机器学习算法在发酵中的应用已经得到各国科学家的研究。
1厌氧发酵制氢的神经网络非线性建模[2]Ahmed El-Shafie使用梭状芽胞杆菌（ATCC13564）考查了利用人工神经网络（ANN）方法模拟和预测产氢量的可能性。
他引入了一种独特的体系结构来模拟反应温度、初始介质pH 值和初始底物三个输入参数之间的相互关系以预测氢气产率，并利用实验的60个数据记录建立了神经网络模型。
结果表明，所提出的人工神经网络模型预测有很高的精度，最大误差为10%。
此外，与传统方法Box-Wilson Design（BWD）的比较分析证明了ANN模型显著优于BWD。
人工神经网络模型克服了BWD方法在记录数量上的局限性，它只是考虑氢产率随机模式的有限长度。
2利用神经网络和遗传算法研究酸奶发酵中酸化工艺的最佳温度分布[3]E. B. Gueguim-Kana等科学家在38-44°C的最佳温度范围内研究了保加利亚乳杆菌和嗜酸链球菌在酸奶生产中的酸化行为。
对于最佳酸化温度剖面研究，他们采用模块化的人工神经网络（ANN）和遗传算法（GA）的优化模型，利用不同的温度分布对14批酸奶发酵进行了评估，来训练和验证ANN子模块。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
16卷5期2000年9月生 物 工 程 学 报Chinese Journal of Biotechnology Vol.16No.5Septemper 2000收稿日期:1999211202,修回日期:2000206211。
基金项目:国家自然科学基金项目(29776025)及福建省自然科学基金重点项目(C96068)资助。
基于神经网络和遗传算法的木糖醇发酵培养基优化研究3方柏山1 陈宏文2 谢晓兰2 万 宁2 梅余霞2 胡宗定11(天津大学化工学院 天津 300027) 2(华侨大学化工学院 泉州 362011)关键词 木糖醇发酵,培养基优化,人工神经网络,遗传算法中图分类号 Q819 文献标识码 A 文章编号1000230612(2000)0520648203 发酵过程机理复杂、影响因素众多。
菌种的生理生化特性及发酵的工艺确定之后,适宜的培养基配方成了发酵水平、原料成本高低的决定因素。
为了优化培养基配方,采用遗传算法是一种行之有效的方法。
遗传算法(G A )是基于达尔文进化论和孟德尔遗传学说来实现随机、自适应、并行性全局搜索的一种无须数学模型的优化算法。
与其它搜索方法相比,G A 的优越性主要有:(1)在搜索过程中G A 不易陷入局部最优,即使所定义的目标函数非连续、不规则或伴有噪声,它也能以很大的概率找到全局最优解;(2)由于G A 固有的并行性,使得它非常适合于大规模并行分布处理;(3)由于G A 容易介入到已有的模型中并且具有可扩展性,因而它易于和别的技术如神经网络、模糊推理、混沌行为和人工生命等相结合,形成性能更优的问题求解方法。
最早报道应用G A 于培养基优化的是Freyer 等人[1]。
为了进一步提高培养基优化的效果及减少实验工作量,本文在我们应用G A 于木糖醇发酵培养基优化取得了较好结果的基础上[2,3],主要介绍我们如何运用人工神经网络(ANNs )对该系统进行模拟,然后交替使用G A 和ANNs ,在计算机上对该系统进一步优化,取得较好结果后,用摇瓶和发酵罐进行实验验证的研究结果。
1 材 料111 菌种莫格假丝酵母(Candida mogii A TCC 18364)源于美国Rockville ,MD.,4℃条件下用马铃薯2琼脂保存。
112 原料和试剂D 2木糖由福建漳州糖厂提供,木糖醇系美国SIGMA 公司产品,其它药品为常规。
113 培养基斜面培养基和种子培养基见文献[4]。
发酵培养基:所考察的木糖醇发酵培养基由7种成分组成,除了CaCl 2因含量较少固定为011g/L 外,其它6种成分的浓度按G A 所确定值配制,其取值范围如表1所示:表1 各参数取值范围YE PEP (NH 4)2SO 4(NH 4)2HPO 4KH 2PO 4MgSO 40.1～100.04～4.00.05～5.00.05～5.00.1～100.005～0.52 方 法211 培养方法2.1.1 种子培养:见参考文献[4]。
2.1.2 发酵:分别在摇瓶和发酵罐(Biostat B5,德国)中进行。
(1)将5mL (约3×109个/mL )种子悬浮液接入经G A和ANNs 优化所确定的220mL 的发酵培养基中,p H =5.0,30℃下培养96h ,摇床转速200r/min 。
(2)将55mL (约3×109个/mL )种子悬浮液接入经G A和ANNs 优化所确定的3L 发酵培养基中,搅拌转速为200r/min ,p H =5.0,温度T =30℃,通气量为2L/min 左右。
212 分析方法细胞含量用干重法。
木糖和木糖醇含量分别用对2溴苯胺试剂法和Nash 试剂法测定。
213 建模方法———ANNs以发酵培养基中的6种主要成分YE 、PEP 、(NH 4)2SO 4、(NH 4)2HPO 4、KH 2PO 4、MgSO 4的初始浓度为输入值,以发酵终止时的木糖醇浓度为输出值,从我们用G A 优化时所得到的40组实验数据中[3]取20组(见表2、3)作为学习样本,采用ANNs 法构建该系统的数学模型。
建模中采用BP 算法,神经元活化函数为Sigmoid 。
采用均匀设计法确定单或双隐层神经元数、学习速度和初始权矩阵[5]。
214 优化方法—G A2.4.1 编码和初始种群(初始培养基配方)的生成:为了提高寻优概率及保证一定的精度,取每个参数的子串长度l为6,则6个参数组合在一起所形成的染色体(即一个个体)长度L为36。
采用多参数二进制编码方式,每个组分可划分为64等分(26=64),即可构成一个6因素64水平的培养基优化系统。
此时各参数的等分值如表2所示:表2 各参数等分值YE PEP(NH4)2SO4(NH4)2HPO4KH2PO4MgSO40.20.080.10.10.20.01从编码所产生的64个个体中随机选择10个构成10组培养基配方。
2.4.2 适应度函数值(木糖醇浓度)的求解及转换:把10种实验方案输入到所构建的ANNs中进行预测,ANNs的输出即为G A相应的适应度函数值。
为了提高个体之间的竞争力,本文对适应度函数进行线性转换,即:f′=a f+b式中f和f′为转换前、后的适应度函数,a、b为系数。
a和b 须满足以下2个条件:1)转换后适应度平均值f′av要等于原适应度平均值f avg,即:f′av=f avg;2)转换后适应度函数最大值f′max等于原适应度平均值f avg的C倍,即:f′max=Cf avg,C为群体中最佳个体预期得到的复制数目,一般对于不太大的群体(n=50～100),C可在112～210之间取值(本文取C=112)。
由此得a=(C-1)3f avg/(f max-f avg)b=(f max-Cf avg)3f avg/(f max-f avg)2.4.3 评价适应度,择优繁殖、交叉、变异,产生新的种群:采用适应度比例法(即:个体的选择与适应度成比例)评价10个浓度值,挑选出优良个体作为父代进行繁殖。
随机配对后,每代个体之间通过单点交叉(交叉概率P c=016)交流各自的优秀基因及单点变异(变异概率P m=0105),产生新的基因型和种群。
2.4.4 评价新种群,检测进化速度和收敛性,判断进化成熟否,如不成熟,返回2.4.1。
如此反复,直至满足要求为止。
215 G A与ANNs的耦联本文所制定的G A与ANNs耦联的方式如图1所示。
图中,由G A产生的培养基配方在建模前和预测后用于实验(如图中字母e所示),有了模型后则用于预测(如图中字母p 所示)。
3 结果与讨论311 人工神经网络模型经试差研究所建立的人工神经网络的拓扑结构为6232 1。
用该模型模拟木糖醇发酵结果,其模拟值和实验值的吻合程度见图2。
图1 GA与ANNs耦联框图图2 木糖醇浓度的计算值与实测值 由图2可知,除个别点外,大部分木糖醇浓度的计算值与实测值的相对误差在10%范围内。
据此,只要已知培养基组成便可预估木糖醇浓度。
312 发酵培养基优化预测与检验交替使用遗传算法和人工神经网络模型直至得到满意的结果为止,共产生4代40组培养基配方,从中挑选具有代表性的培养基配方10组用摇瓶进行发酵实验,每组做2瓶,结果如图3所示。
线性回归木糖醇浓度的实测值P exp与模图3 实验值与预测值的比较9465期方柏山等:基于神经网络和遗传算法的木糖醇发酵培养基优化研究型预测值P nns得:P exp=20.3+0.319P nns (相关系数R=0.9222)可见,两者之间具有较好的相关性。
以初始木糖浓度为基准,与文献[3,4]单独使用G A优化培养基的前、后得率相比,得率分别提高了1510%和818%,培养基中各组分浓度也有较大幅度减低,详见表3。
表3 优化前后的培养基各组份浓度及木糖醇得率的比较Before opt.[4]Ref.[3]After opt. (NH4)2SO4(g/L) 5.0 4.59 3.92 (NH4)2HPO4(g/L) 5.0 1.050.36KH2PO4(g/L)10.00.45 1.95YE(g/L)10.0 3.72 6.59 PEP(g/L) 4.00.69 1.46 MgSO4(g/L)0.50.370.49 CaCl2(g/L)0.10.100.10Y ield(g xylitol/ginitial xylose)56.259.464.6313 木糖醇发酵以所得到的最佳培养基配方配制3L含木糖55188g/L 的发酵培养基,用5L发酵罐进行发酵,所得结果如图4所示。
图4 木糖醇发酵过程中木糖、木糖醇、细胞浓度的变化由图4可知,发酵时间t=150h时,木糖醇浓度为35134g/L,接近于相同培养基配方下摇瓶发酵所得的木糖醇浓度(36111g/L)。
由于木糖醇浓度达到35134g/L时仍未出现极值,继续发酵有望得到更高的木糖醇浓度。
314 结论在本文所研究的体系中,用人工神经网络模型描述发酵培养基与产物的关系,并由此模型预测产物浓度,用遗传算法优化培养基配方能够收到较好的效果。
它不仅能有效地提高产物浓度、显著地降低培养基成本,而且可大大减少繁琐的实验工作量及缩短研究周期。
这对其他发酵培养基配方的优化也具有指导意义。
参考文献[1] Freyer S T,Weuster2Botz D,Wandrey C.BioEng,1992,8(5+6):15～25[2] 方柏山.生物技术过程模型化与控制,广州:暨南大学出版社,1997,pp.379～385[3] 方柏山,陈宏文,胡宗定.化学反应工程与工艺,2000,(2):101～104[4] 陈宏文,方柏山,胡宗定.华侨大学学报,1998,19(4):416～419[5] 方柏山,Sirisansaneeyakul S.生物工程学报,1998,14(1):81～86The Medium Optimization of X ylitol Fermentation B ased onN eural N et w orks and G enetic AlgorithmsFAN G Bai2shan1 CHEN Hong2Wen2 XIE X iao2Lan2 WAN Ning2 MEI Yu2X ia2 HU Z ong2Ding11(College of Chemical Engineering,Tianjin U niversity,Tianjin 300027)2(College of Chemical Engineering,Huaqiao U niversity,Quanz hou 362011)Abstract Using genetic algorithms(G A)for medium optimization of xylitol fermentation,and coupling neural networks model for predicting xylitol concentration is introduced.The medium compose determinated by G A is as input data of the neural networks,while the output data predicted by neural networks is as suitable value of G A for predicting.The opti2 mum medium is further validated by experimentation.The good result,which save the experimental workload and charge, enhance the level of xylitol fermentation as well as reduced the medium consume is obtained.K ey w ords Xylitol fermentation,medium optimization,neural networks,genetic algorithms056生 物 工 程 学 报16卷。