基于神經網絡和遺傳算法結合的發酵條件優化研究

發酵經濟是介于發酵工程和技術經濟之間的一個學科。它主要致力于選擇合適的原材料、方法和發酵產品，以降低發酵產品的成本。對產品成本的控制包括選育優良菌株、培養基成分分析和發酵方式的選擇等。在工業生產中,確定生產菌株后,培養基成為發酵產品特別是傳統發酵產品生產成本的決定性環節,而培養基各個組分的成本對產品成本有很大影響,占38%~72%。因此,對于發酵經濟學所研究的重點來說,在最大限度地利用培養基生產產品的同時,還需要通過優化培養基成分來降低生產成本。為了提高產品的市場占有率,在降低生產成本的同時需要保證產品的性能質量,因此要解決好產品質量和生產成本之間的關系,提高產品的性價比,即提高產品性能質量與產品價格之比。神經網絡是一種“黑箱”模型,具有很強的非線性映射能力,可用于反映非線性條件下,難以用常規的數學模型描述的問題。遺傳算法是以自然選擇和遺傳理論為基礎,將生物進化過程中適者生存規則與群體內部染色體的隨機信息交換機制相結合的高效全局尋優搜索算法。神經網絡和遺傳算法的結合可以通過引入非線性的模型來描述各因素間復雜的關系,并在遺傳算法的基礎上,通過全局尋優找出最佳值。國內外已經有不少學者通過神經網絡和遺傳算法來優化發酵培養基[8,9,10,11,12,13,14,15]。利用神經網絡結合遺傳算法的優化方法,優化亞硝酸鹽氧化菌的培養基組成,以提高該菌的活性,并在遵循發酵經濟學原理的基礎上,通過提高亞硝酸鹽氧化菌的活性與培養基成本之比的“性價比”,來研究發酵經濟學。1材料和方法1.1初始培養基質量濃度菌種為作者所在實驗室分離得到的亞硝酸鹽氧化菌(NOB)。培養基組成及其價格為:NaNO217元/kg,KH2PO430元/kg,MgSO441元/kg,NaCl15元/kg,NaHCO324元/kg,FeSO419元/kg。初始培養基質量濃度為NaNO20.5g/L,KH2PO40.136g/L,MgSO40.14g/L,NaCl0.3g/L,NaHCO31.6g/L,FeSO40.03g/L。NaNO2和NaHCO3分別是NOB的唯一氮源和碳源;并且NaNO2是NOB的唯一能量來源,它是通過將亞硝酸氮氧化為硝酸氮產生的ATP為NOB的生長和代謝提供能量。NOB的培養是將種子液接種到250mL的三角瓶中,在30℃、180r/min搖床培養7d后,再將其按10%的接種量(體積分數)接種到15L的氣升式反應器中分批補料培養。1.2nob活性的測定由于硝化細菌平板計數困難、代時長等特點,因此對硝化細菌的研究采用在600nm可見光下測定A600來對其計數,這是基于A600與混合液懸浮固體量(MLSS)的轉換關系實現的。其反應式如下:MLSS=1.271×A600式中,1.271即為實驗得到的A600與MLSS線性關系的斜率。NOB對環境的貢獻是通過對亞硝酸氮的降解能力來顯現的,因此以亞硝酸鹽氧化速率為對象研究NOB的活性。亞硝酸氮在A520nm的可見光下有最大吸收值,通過測定520nm下的吸光值即可知道溶液中亞硝酸氮的量,其測定方法參考GB7493-87。亞硝酸氮氧化速率的計算如下:NOR=(A520(0)?A520(3))×mMLSS×3×24ΝΟR=(A520(0)-A520(3))×mΜLSS×3×24式中,NOR為亞硝酸氮氧化速率,單位為g/(g·d)(gNO2--N/gMLSS*d);A520是在可見光520nm下的吸光度,下標括號內為測定時間;m是亞硝酸氮標準曲線斜率;3意指反應時間為3h,24為1d的降解量。通過研究亞硝酸鹽氧化菌的活性與培養基成本之比的“性價比”,來研究發酵經濟學,“性價比”的計算公式為:“性價比”=亞硝酸氮氧化速率(NOR)培養基的總成本=亞硝酸氮氧化速率(ΝΟR)培養基的總成本1.3試驗設計方法1.3.1神經網絡形式采用MATLAB7.4進行神經網絡的構建。由于BP神經網絡結構簡單,具有較強的非線性映射能力,是應用最為廣泛的一類神經網絡形式,因此這里采用BP網絡進行建模。以培養基中的6種成分NaNO2、KH2PO4、MgSO4、NaCl、NaHCO3、FeSO4的初始質量濃度為輸入值,以“性價比”為輸出值,通過選擇輸入層神經元數、隱含層神經元數和輸出層神經元數,確定網絡的結構,并對所確定的網絡進行訓練,根據BP網絡模型的輸出結果,檢測網絡的精度,并檢測網絡的泛化能力。1.3.2種群生成與評價GA尋優的運算過程如下:1)編碼:遺傳算法在進行搜索之前先將解空間的解數據表示成遺傳空間的基因型串結構數據,這些串結構數據的不同組合就構成不同的點;2)初始種群的生成:隨機產生N個初始串結構數據,每個串結構數據稱為一個個體,N個個體構成一個種群;3)適應度函數值的評價檢測:將產生的種群代入構建好的神經網絡中,作為網絡的輸入,該輸出即為目標函數值,然后把目標函數值映射為適應度值;4)新種群的產生:按照遺傳策略,運用選擇、交叉、變異算子作用于初始種群,并形成下一代種群;5)終止條件判斷:判斷種群性能是否滿足,或完成最大迭代次數,若不滿足,則轉到步驟2),或修改遺傳策略再回到步驟2);6)最優解的輸出。1.3.3基于ga的神經網絡模型神經網絡和遺傳算法結合的方式見圖1。圖中,通過適應度函數設定培養基各組分的取值范圍,由GA在這范圍內隨機產生48組實驗組合。以40組實驗結果為訓練樣本集訓練神經網絡模型,并以剩下的8組實驗結果為測試樣本集對訓練好的模型進行測試,由此構建神經網絡模型。并以該模型的輸出為GA的目標函數,通過遺傳算法的全局尋優,找到具有最高“性價比”的培養基組成。2結果與討論2.1bp神經網絡分析2.1.1隱層節點數的選擇根據BP網絡的設計,一般的非線性映射都可以通過單隱層的網絡實現。由于輸入向量有6個元素,所以網絡輸入層的神經元有6個,而輸出向量只有1個,所以輸出層的神經元數為1個。隱層節點數選擇的恰當與否對網絡的整個性能來說(如容錯性、學習速率和泛化能力等)具有決定意義。一般的,隱層節點數太少,網絡從樣本中獲取信息的能力就差,容錯性也差,不能識別以前沒有遇到的樣本;如果隱層節點數太多,網絡就有可能將樣本的噪聲也一并學習,造成學習的過度擬合,降低網絡的泛化能力,同時也增加計算量。因此需要選擇一個適合的隱層節點數。從GA產生的48組實驗數據中選取40組實驗數據及其試驗得到的“性價比”作為學習樣本,以Sigmoid為網絡傳遞函數、Levenberg-Marquardt為訓練函數、learngdm為學習函數、MSE為性能函數,進行網絡訓練。從圖2可以看出,當神經元數為8時,均方誤差(MSE)接近0,因此選擇隱含層的神經元數為8。這樣,構建一個拓撲結構為6-8-1的BP神經網絡模型,見圖3。2.1.2網絡模型的擬合將40組試驗數據代入到構建好的神經網絡中,其模擬值與試驗值的擬合結果見圖4,線性擬合度達0.9996。這說明該神經網絡對網絡輸入和輸出之間非線性擬合是精確的。從圖4可見,網絡模擬值和試驗值接近1。這是因為測試樣本來自訓練樣本,由于訓練精度非常高,網絡模型對每組數據都高精度地擬合了。為了更準確地測試網絡的性能,必須從訓練樣本以外的數據樣本選取測試樣本。因此,將GA產生的48組試驗數據中沒有進行訓練的剩余8組試驗數據作為測試樣本,代入神經網絡模型中進行測試,其測試值和試驗值線性擬合結果見圖5:PANN-test=0.3765+0.8242Pexp(R=0.9271)。可見,兩者具有較好的相關性。這說明構建的模型具有較好的泛化能力,可對試驗結果進行很好的預測。2.2全球尋找最佳設計2.2.1個體染色體長度為了提高尋優概率和保證一定的精度,取每個變量的子串長度l為20,則6個變量組合形成的個體(染色體)長度L為120。以表1為各變量的取值范圍,隨機產生的48個個體即為初始種群。2.2.2目標函數與適應度函數變換將GA隨機產生的個體代入到構建好的神經網絡模型中預測,ANN輸出的結果即為GA相應的目標函數值。由于目標函數可能有正有負,為了求解得到最大值,需要將目標函數與適應度函數進行變換。且MATLAB自帶的GA工具箱為最小尋優,因此要對適應度函數進行線性變換,即:f’=-ff、f’為轉換前后的適應度函數。2.2.3整合好應度高的個體通過常用的基于秩適應度計算,評價初始種群,并選擇適應度高的個體遺傳到下一代;將選擇的個體進行重組,隨機配對后,通過單點交叉(交叉概率0.7),使優良的基因進行交流;最后通過變異運算產生新的基因型和種群。2.3培養基的組成以神經網絡的輸出為GA的目標函數,通過GA全局尋優,優化得到了最優解為8.834,其最佳的培養基組成為:NaNO22.390g/L,KH2PO41.355g/L,MgSO40.019g/L,NaCl0.031g/L,NaHCO34.373g/L,FeSO40.005g/L。GA在尋優過程中解的變化和種群均值的變化見圖6。2.4基于神經網絡和遺傳算法的優化結果將優化得到的培養基進行試驗,得出3個平行值為8.431、8.782、8.903的“性價比”,對其進行單樣本t檢驗,得出試驗得到的結果與優化預測得到的結果沒有顯著差異,說明基于神經網絡和遺傳算法能較好地優化得到最優值。3最佳“國物確定”試驗結果結構為6-8-1的BP神經網絡具有較強的學習能力和泛化能力,能夠對實驗結果進行較好地擬合,并構建得到一個模型。以該神經網絡模型為目標函數,通過GA的全局尋優,優化得到最佳的培養基組成為NaNO22.390g/L,KH2PO41.355g/L,MgSO40.019g/L,NaCl0.031g/L,NaHCO34.373g/L,FeSO40.005g/L,并通過試驗得出最佳“性價比”為8.7