資源描述：
《發(fā)酵過程優(yōu)化控制方法分析》由會員上傳分享，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。
1、
2、‘、n÷Jh●：-，J～，二巾{i●，J，^r
3、一東北大學(xué)碩士學(xué)位論文摘要發(fā)酵過程優(yōu)化控制方法研究摘要針對谷氨酸發(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(shí)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(shí)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(shí)刻變異因子的隨機(jī)選取和重復(fù)進(jìn)行種群個(gè)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(shí)數(shù)編碼遺傳算法，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
4、發(fā)酵過程的多操作變量同時(shí)進(jìn)行優(yōu)化，得到各操作變量的最優(yōu)控制軌跡?？紤]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(shí)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(gè)操作變量同時(shí)進(jìn)行優(yōu)化。根據(jù)實(shí)際情況將整個(gè)發(fā)酵過程分為兩個(gè)階段，第一階段以產(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
5、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(gè)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個(gè)體：(1)找出最差的個(gè)體并替換掉；(2)找出與最優(yōu)解最類似的個(gè)體，如果它的適應(yīng)值不如當(dāng)前最優(yōu)解，就替換掉。關(guān)鍵詞：谷氨酸發(fā)酵：微分進(jìn)化；遺傳算法；多目標(biāo)優(yōu)化：非劣排序；動態(tài)優(yōu)化一II—廣’●，‘’，’、，‘IResearcl：onOptimalControlfortheFermentationProcessAbstractAimingatthecomplexi
6、tyoftheglutamicacidfermentationprocess，aneuralne咖rkdynamicmodelofthefermentationprocessisestablished．Theimproveddi舵rentialevolutionaryalgorithm(DEA)isusedtOthemulti．variableoptimalcontrolofthefermentationprocessandtheoptimalcontroltrajectoriesofoperatingvariablesaref．oulldout．Someimproveme
7、ntsoftheprimitiveDEAaremadebythemeansofrandomlyselectingthemutationfactorandthere—initializationoftheindividualsinthepopulationonasuitableti】咀e．sothatitcansolvetheconstrainedoptimizationeffectivelyandavoidtheproblemcausedbvpremature．Simulationresultsshowtheeffectivenessofthemethod．Basedont
8、hesamemodel，forthepurposeofoptimizingtheconversionrate．thereal。codedgeneticalgorithm(RCGA)isusedtothemulti．variableoptimalcontrolofthefermentationprocess，andtheoptimalcontroltrajectoriesofoperatingvariablesarefoulldoutbythemeansofthewholeprocessoptimization．Consideringtheimportanceoffed．ba
9、tchinthefermentationprocess，thestartandendtimesofthisoperationareusedasv撕a_bles．SimulationresultsofcomparisonwiththeglutamicacidconcentrationoptimizationshowthatthismethodmakestheconverSionrateimprovedagreatdeal，andtheglul：amicacidconcentrationiSclosedtothe1at
