粒子群算法在發(fā)酵補(bǔ)料控制中的應(yīng)用和研究

《粒子群算法在發(fā)酵補(bǔ)料控制中的應(yīng)用和研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、大連理工大學(xué)碩士學(xué)位論文1．3論文主要工作和組織結(jié)構(gòu)本課題依托“國(guó)家十一五科技重大專項(xiàng)項(xiàng)目”一重組蛋白和抗體藥物的高通量和大規(guī)模制備技術(shù)平臺(tái)，主要工作為在得到新藥蛋白質(zhì)的發(fā)酵模型的基礎(chǔ)上，使用優(yōu)化手段尋找一個(gè)最佳的補(bǔ)料控制方案，使產(chǎn)物產(chǎn)量最大，并盡可能地減少生產(chǎn)成本。本論文各章節(jié)具體布局如下：第一章為緒論。主要介紹課題的研究背景，并簡(jiǎn)要介紹各個(gè)章節(jié)的內(nèi)容安排。第二章為預(yù)備知識(shí)介紹。詳細(xì)描述了優(yōu)化問(wèn)題、粒子群算法、圖論及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和最小二乘法支持向量機(jī)等。第三章給出粒子群的改進(jìn)方案。首先主要是基于拓?fù)浣Y(jié)構(gòu)的改進(jìn)方案，羅列了幾種常見(jiàn)的靜態(tài)

2、拓?fù)浣Y(jié)構(gòu)，使用種群多樣性指標(biāo)對(duì)比了傳統(tǒng)粒子群算法和基于鄰域拓?fù)浣Y(jié)構(gòu)的粒子群算法，最后介紹了以無(wú)標(biāo)度網(wǎng)絡(luò)模型的動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)。第四章中，提出局部最優(yōu)粒子的逃逸機(jī)制和動(dòng)態(tài)改變最大屏蔽速度的方案，并且使用標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)改進(jìn)方案進(jìn)行了改進(jìn)算法的性能驗(yàn)證，結(jié)果表明該改進(jìn)策略具備良好的優(yōu)化性能。第五章為實(shí)際應(yīng)用，首先介紹了蛋白質(zhì)發(fā)酵過(guò)程以及基于．net開(kāi)發(fā)的工程菌發(fā)酵平臺(tái)，然后分別介紹了發(fā)酵建模和分批補(bǔ)料優(yōu)化工藝。最后，對(duì)本文工作進(jìn)行總結(jié)。粒子群算法在發(fā)酵補(bǔ)料控制中的應(yīng)用和研究2預(yù)備知識(shí)2．1優(yōu)化問(wèn)題一戰(zhàn)結(jié)束后，由于軍事和工業(yè)生產(chǎn)的需要，出現(xiàn)了一些古

3、典微分法和變分法不能解決的最優(yōu)化問(wèn)題，在許多學(xué)者和廣大科技工作者的共同努力下，逐漸產(chǎn)生、發(fā)展和形成了一些新的數(shù)學(xué)優(yōu)化手段一最優(yōu)化方法。假設(shè)X=(五，X2，?，Xn)為n為歐式空間R內(nèi)的一點(diǎn)，f(x)，呂(x)(汪1，2，?m)，忽(z)(f_m+l，?P)為給定的n元函數(shù)，則一般的最優(yōu)化問(wèn)題的提法是：在約束條件g，(x)≤0，江1，2，?m和忍@)=O，i=m+l，?P下，求向量X，使函數(shù)f(x)取得極值。這里f(x)成為目標(biāo)函數(shù)，g，(x)≤0為不等式約束，紅(x)=0為等式約束。定義2．1：對(duì)于X∈X，若存在一個(gè)實(shí)數(shù)G>o，使得對(duì)所

4、有滿足X∈X和恬一X10<仃，都有f(x’)<．廠(x)，則稱X是優(yōu)化問(wèn)題的一個(gè)局部極小點(diǎn)，又稱局部最優(yōu)解。定義2．2：對(duì)于X∈X，若對(duì)任意X’，都有廠0t)

5、案解決策略。若問(wèn)題能夠取得目標(biāo)函數(shù)的導(dǎo)數(shù)信息，這類非線性規(guī)劃問(wèn)題稱為非直接法，否則稱為直接法。直接法即不需要計(jì)算問(wèn)題的導(dǎo)數(shù)信息，如交替方向法、變尺度法和共扼方向法等。而非直接法中有梯度法、牛頓法、擬牛頓法等經(jīng)典的規(guī)劃算法，這些方法都需要目標(biāo)函數(shù)的導(dǎo)數(shù)信息。在現(xiàn)實(shí)生活中，諸多優(yōu)化問(wèn)題的導(dǎo)數(shù)信息一般很難取得，更是線性問(wèn)題那么單一，自遺傳算法這一類模擬自然界生物演變的超啟發(fā)仿生算法的出現(xiàn)，現(xiàn)今已有遺傳、蟻群、免疫、粒子群等算法，這些仿生算法無(wú)需計(jì)算導(dǎo)數(shù)信息，非常適用于非線性復(fù)雜優(yōu)化問(wèn)題，適用范圍極廣。2．2基本粒子群優(yōu)化算法在標(biāo)準(zhǔn)粒子群優(yōu)化算

6、法，種群一般在將粒子初始化于隨機(jī)位置，通過(guò)群體不斷遷移找到全局最優(yōu)解，而在這個(gè)過(guò)程中，在種群的粒子將追隨兩個(gè)引力點(diǎn)，一個(gè)是當(dāng)前粒子本身所尋得的最優(yōu)解個(gè)體，參見(jiàn)公式(2．1)，我們稱之為pbest。另一個(gè)為整個(gè)群體當(dāng)前所得到的最優(yōu)個(gè)體，通常稱為gbest，是以全局最優(yōu)為牽引點(diǎn)，因而這種經(jīng)典的粒子大連理工大學(xué)碩士學(xué)位論文群算法通常成為全局Gbest模型。對(duì)于有M個(gè)粒子組成的D維的問(wèn)題空間的種群，曲est和pbest分別為D維列向量(或行向量，視粒子定義的模式而定)和M乘D維矩陣，那么該群體的速度和位置狀態(tài)轉(zhuǎn)移函數(shù)如公式(2．1)和(2．2)

7、所示：vo(t+1)=屹(t)+Clrl(pbestij(t)一xu(t))+c2r2(gbest面(f)一嘞(f))(2．1)xu(t+1)=％(f)+吩(t+1)r，，、其中：f-1，2，?，M，M是種群中粒子的數(shù)量；，=1，2，?，D，D是圍數(shù)；t是迭代的次數(shù)；加速常數(shù)Cl和G為非負(fù)常數(shù)，用于調(diào)節(jié)粒子飛行步長(zhǎng)，一般均取2一定尺度上保證使粒子具有向自我學(xué)習(xí)和向種群中最優(yōu)秀個(gè)體學(xué)>-j的能力；‘和馬服從【0，1】上的均勻分布隨機(jī)數(shù)，用于加強(qiáng)算法的隨機(jī)搜索能力和勘探開(kāi)采能力；％(t)∈卜Xma。，Xm。?！俊ⅲ?t)∈[_Vm。。，Pm

8、a?！俊bestU(t)分別是在f次迭代時(shí)第i個(gè)粒子當(dāng)前所尋得最優(yōu)個(gè)體在其j維的分量；同理，gbest珂(t)是在t次迭代時(shí)整個(gè)群體找到的全局最優(yōu)粒子曲est的第J維的分量。粒子速度更新公式由三部分組成：