基于模型的批量发酵优化的交互式进化计算.docVIP

基于模型的分批发酵优化的交互式进化计算 摘要 分批过程的温度和投放曲线图的优化之中，在优化问题中考虑某些目标和约束是令人满意的。啤酒发酵的过程中，温度曲线图被应用于驱使过程以满足某些约束条件。温度曲线图的设计是一个以最小化操作时间和优化啤酒质量为目标的优化问题。与其他实践问题相似，这些目标与约束经常不是同等量度的，而目标函数也是不明确或者数学上不存在的。在这篇论文中，交互式进化计算（IEC）被使用来有效地解决这样一个优化问题。IEC是一个进化算法，它的适应度函数被提供给人类使用者。我提出的方法被执行在MATLAB平台下，被应用于设计啤酒发酵过程的温度曲线图。结果显示IEC是一种有效而合适的方法，它将用户的先验知识吸收到基于分批过程优化的模型之中。对我提出方法的详细描述有助于算法的建设。 简介 分批过程在工业中扮演着重要的角色。在生物反应器的分批或者分批补料操作中，系统显示出非常剧烈的变化。正如变动过程的结果所显示的，最佳操作结果可以在操作时间内通过沿着最优轨线修改输入变量而实现。这解释为什么寻找计算最优轨线的有效方法成为一个生物反应器的重要命题。某些方法已经在文献中被讨论：比如一阶斜率方法和动态规划。 在啤酒发酵过程中，温度曲线图被应用于驱使过程以满足某些约束条件。温度曲线图的设计是一个以最小化操作时间和优化啤酒质量为目标的优化问题。这些目标经常是彼此冲突的。某些目标之间必须权衡取舍，某一目标满足程度上的加强会导致另一目标的退化。这些多目标优化问题包含对多个必须先于优化程序而定义性能标准的考虑。这需要关于各种各样的权衡取舍与对每个独立目标估计的详细深入的信息。这样详细的对啤酒发酵过程的温度曲线的基于模型多标准优化在某些文献中被讨论。 与其他实践问题相似，在啤酒发酵过程的优化中，目标经常不是同等量度的、不明确或者数学上不存在的。这篇论文提出应用交互式进化算法以解决这些问题。IEC在优化系统内使用人为进化。简要而言，IEC是一种从进化算法中发展而来的技术，它的适应函数被人所替换。在交互式进化之中，用户选择一个或者多个个体存活与繁殖，来组成新的一代。IEC使用两个不同的搜索空间。用户根据心理空间中目标值与系统输出的差距来评价目标系统的输出。另一方面，进化算法搜索参数空间。可以这么说，IEC是一种进化算法与用户搜索合作地基于两个空间的绘图的优化技术。使用人类知识的想法，或者直觉作为优化过程的一部分被显示在例子7。大部分优化技术通过一步步改善单一解，并不适合这种技术。遗传算法与其他基于群体的优化程序更适合于交互式优化，因为一个建议可以被放入群体之中验证它是否值得进一步考虑。一个好建议可以被期望存活而且引导优化过程向一个很好的解，当一个坏的建议将会很快被淘汰。这些技术已经被应用在计算机图形与设计。 虽然近年来某些有趣的与有效的基于遗传或者进化算法的方法已经被用于生物过程的优化，但是根据我们最优的知识，IEC的这种应用方法还没有被研究。 我提出的方法被执行在MATLAB平台下，配合升级工具箱的应用，用户可以评价个体的表现（解集的设置），可以直接修改建议的温度曲线图。对我提出方法的详细描述有助于算法的建设。 论文余下的部分组织如下。第二章提出进化策略算法，考虑到IEC的特质它被修改；第三章显示一个应用实例，当我提出的方法被应用于加热/制冷套的趋势模型的识别。最后，某些结论被显示于第四章。 基于IEC的进化策略 与自动进化优化算法相反的是，IEC不能使用许多个体和搜索的代的数量，因为将导致用户的疲劳。所以，需要发展与调整进化算法，使得它有效地在少量代中搜素少量个体。因为这个缘故，本章提出一种基于进化策略的算法。 2．1 进化策略 进化策略是指模仿物种在自然系统中自然进化的搜索程序。它们直接作用于参数设置的真实表象，从初始的群体（某一组点）开始搜索。类似遗传算法，它们只需要基于目标函数和约束的数据，而且不是衍生或其他辅助的知识。进化策略由选择、变异和一个固定数量的群体发展而来。Schwefel介绍了重组和多于一个个体的不同群体，而且提供了一个漂亮的遗传策略与更传统技术之间的比较。算法的大致体系在表1中被给出。根据这个大致体系，应用于这篇论文的算法主要元素如下所示。 表1 进化策略的程序 代表 进化策略的搜索点是目标变量的n维向量。为允许更好地继承目标函数的拓扑，目标变量伴随着一组我们称之为策略参数的数据而存在。进化策略个体包含两个元素，目标变量和最大n个不同标准差，用以控制步长。 选择 应用进化策略，给定的代有父代，通过重组和变异形成个子代。因此，个下一个群体的成员根据它们的目标函数值（用户给定）而存储，而用户选择最优的个子代成为下一代的父代。 变异 因为自然界小变异经常发生，但大变异罕有地出现，当变异算子随机数由正常分配生成被加到个体之上