遗传算法在氨基酸发酵中的应用.pdf

遗传算法在氨基酸发酵中的应用 陈宁张克旭 (天津科技大学食品科学与生物工程学院天津300222) 张 慧 (莲花集团公司河南周口) 一、引言 氨基酸是构成蛋白质的基本单位，广泛应用于医药、食品及其调味剂、动物 饲料、化妆品的制造。目前国内虽有不少生产氨基酸的厂家，但由于工艺技术滞 后，产品质量及其成本都难以参与国际竞争。随着对氨基酸需求量的大大增加， 国内的氨基酸生产水平远远不能满足要求。2000年世界氨基酸产值达45亿美 元，占生物技术市场的7％，国内的氨基酸产值达40亿元，占全国发酵产业总产 值的12％。因此，选育氨基酸高产菌和提高发酵过程优化尤其重要，这就要求在 发酵过程中找到最优的发酵培养基配方，但是发酵因素复杂多变，并且由于各因 素之间的交叉影响，使得试验因素与其结果之间具较强的离散性，因此，不适合 用多元回归或逐步回归方法进行统计分析。目前常用的方法是采用正交设计法 来安排实验，利用实验数据建立指标与因素间的回归方程，然后采用某种常规寻 优法(如单纯形寻优)，求出优化配方与优化指标。这种方法的缺陷是：一、数学 模型粗糙，难以描述优化指标与各因素之间的非线性关系，以其为基础的寻优结 果误差较大；二、常规寻优方法难以适应复杂的非线性优化问题。而采用遗传算 法进行培养基配方的优化则是一种行之有效的方法旧J，最早报道应用GA于培 Holland教授 养基优化的是Freyer等人。遗传算法是由美国Michigan大学的John 在60年代提出的，该算法是基于自然遗传和自然优选机理的寻优方法。自然遗 传和自然优选是来自于达尔文的进化论学说，采用选择、交叉和变异运算来实现 这一自然法则的模拟，它的主要特点是： (1)在有哪些信誉好的足球投注网站过程中GA不易陷人局部最优，即使所定义的目标函数非连续、 不规则或拌有噪声，它也能以很大的概率找到全局最优解； ·67· (2)由于GA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GA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； (4)遗传算操作的可行解集是经过编码化的，目标函数解释为编码化的适应 值，因而具有良好的可操作性与简单性。 二、遗传算法的基本原理 与传统的优化方法不同，GA是用目标函数的适应值来评价构成解空间的群 体中个体的优劣程度，模拟生物的进化过程中适者生存的规则；并利用对设计变 量编码的交叉与变异等繁殖手段模拟生物进化中的基因遗传操作。 1、构造适应度函数 在实验的具体过程中根据实验获得的数据建立一种可靠的模型，以模型所 产生的因变量值作为适应度函数E16]。为了提高个体之间的竞争力，要对适应度 a、b为系数。a和b须满足以下2个条件：一、转换后适应度平均值fav要等于原 均值fav。的C倍，即：k=C0。，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1．2～2之间取值，由此得： a=(C一1)+favg／(k—favg)b=(k一瓯。)。fav。／(k—favg) 2、构造个体及基因链 基因链是表征GA解空间中每组解的特征，通过对基因链的遗传操作，GA 可直接作用于求解整数规划问题[19]。当一个优化问题有几个设计变量时，将每 个变量对应的不同长度二进制串首尾相连，就构成了GA的基因链，又称之为染 色体或个体。一个个体对应于优化问题的一个解，一个群体中个体的数目称为 群体的规模。若bi，Z代表串长为Z的第i个矢量，则具有n个参数，每个参数串 长为Z的GA染色体定义为：C=(b¨，b2，f’…bn“z，brI。f)。 3、GA的求解步骤 (1)产生初始群体(Initialize Population) 在设计变量的定义域内随机产生N个个体组成一个初始群体P(t)，t=0，