發(fā)酵過程優(yōu)化控制方法研究.pdf

1、針對谷氨酸發(fā)酵過程的復(fù)雜性,本文利用神經(jīng)元網(wǎng)絡(luò)建立了谷氨酸發(fā)酵過程的動態(tài)數(shù)學(xué)模型,以發(fā)酵過程最終時刻產(chǎn)酸率為目標(biāo),利用改進(jìn)的微分進(jìn)化算法對發(fā)酵過程的多操作變量同時進(jìn)行優(yōu)化,得到各操作變量的最優(yōu)控制軌跡。通過適當(dāng)時刻變異因子的隨機(jī)選取和重復(fù)進(jìn)行種群個體初始化的方法,對微分進(jìn)化算法進(jìn)行了改進(jìn),有效地解決了有約束優(yōu)化問題求解困難和避免算法早熟的問題。仿真結(jié)果證明了該方法的有效性。
　　 同樣基于上述動態(tài)數(shù)學(xué)模型,利用實數(shù)編碼遺傳算法,

2、采用過程整體優(yōu)化的思路,以發(fā)酵過程轉(zhuǎn)化率為優(yōu)化目標(biāo)對發(fā)酵過程的多操作變量同時進(jìn)行優(yōu)化,得到各操作變量的最優(yōu)控制軌跡。考慮到發(fā)酵過程流加操作的重要性,將流加操作開始和結(jié)束的時間也作為控制變量進(jìn)行了優(yōu)化。與產(chǎn)酸率為優(yōu)化目標(biāo)的仿真結(jié)果比較表明,文中方法使發(fā)酵過程轉(zhuǎn)化率有很大提高,且產(chǎn)酸率也接近于后者的最優(yōu)產(chǎn)酸率。
　　 然后,以谷氨酸發(fā)酵過程中產(chǎn)酸率和轉(zhuǎn)化率為目標(biāo)對多個操作變量同時進(jìn)行優(yōu)化。根據(jù)實際情況將整個發(fā)酵過程分為兩個階段,第一

3、階段以產(chǎn)酸率最大為目標(biāo)進(jìn)行單目標(biāo)多變量優(yōu)化；第二階段以產(chǎn)酸率以及轉(zhuǎn)化率最大為目標(biāo)進(jìn)行多目標(biāo)多變量優(yōu)化。將改進(jìn)的微分進(jìn)化算法應(yīng)用到單目標(biāo)有約束優(yōu)化過程中；在此算法基礎(chǔ)上,通過引入非劣排序分配策略和小生境技術(shù),形成了多目標(biāo)微分進(jìn)化算法進(jìn)行多目標(biāo)有約束優(yōu)化。仿真結(jié)果表明改進(jìn)后的微分進(jìn)化算法可以有效地滿足發(fā)酵過程兩個階段優(yōu)化控制的需要。
　　 最后,進(jìn)行了動態(tài)優(yōu)化控制方法的研究,本文研究了基于記憶的進(jìn)化算法,采用兩種策略來替換記憶體中的