优化遗传算法参数来提高收敛时间

文摘

发酵过程的本质是复杂、时变和高度非线性。动态系统建模和进一步高质量的控制是一个严重的挑战。传统的优化方法不能解决发酵过程特点和不会导致一个令人满意的解决方案。作为一种替代方法,遗传算法作为一种随机全局优化方法可以应用。馈料式栽培的参数识别的目的酿酒酵母共四种简单和四种multipopulation遗传算法被认为是。他们每个人的特点是具有不同序列的实现主要的遗传算子,即选择、交叉和变异。最重要的影响遗传算法parameters-generation差距,交叉,变异率过去了。在考虑遗传算法参数,代沟影响最重要的是算法收敛时间,节省高达40%的时间而不影响模型的准确性。

1。介绍

发酵过程(FP)是首选和工业广泛应用于不同的分支。FP的建模和控制构成严重挑战FP是复杂的,非线性动态系统相互依存和时变过程参数。足够的建模的非线性模型的重要一步FP是一定的选择优化模型参数识别过程。不同的metaheuristics方法已经应用于克服参数估计的困难(1- - - - - -3]。由于传统优化方法无法克服的局限性FP (4)、遗传算法(气),作为一个随机全局优化方法,是很有希望的。在大量的搜索工具中,遗传算法是基于生物进化的方法之一,受达尔文的“适者生存”理论(5]。天然气直接随机搜索技术,基于自然选择和自然遗传的机制。气体找到全局最优解在复杂的多维搜索空间同时评估参数空间中许多位置。他们只需要信息有关的质量解决方案,不需要线性的参数。天然气已经成功地应用于各种领域的解决许多工程优化问题(6- - - - - -8]。属性,如噪音宽容和易于连接和杂交遗传算法一种适当的方法来识别发酵模型的参数(9- - - - - -13]。

简单遗传算法(SGA)最初在戈德堡(5]搜索全局最优解在序列中使用三个主要的遗传算子选择、交叉和变异。气体工作人口的编码参数集称为“染色体。“这些人工染色体是由一定长度的二进制字符串(或基因)(二进制数字的数量)。每个基因包含相应的参数信息。通过选择染色体代表更好的可能的解决方案根据自己的目标函数值选择的人口。繁殖后,交叉进行,以形成新的后代。然后应用突变有确定的概率的。虽然有效地选择和交叉工作,偶尔,GA可能会失去一些潜在的有用的信息。这就是为什么需要突变阻止所有解决方案的人口陷入局部最优的解决问题。然后算法评估的客观价值个体在当前人口和根据创建新的染色体。 The SGA is terminated when a certain number of generations is fulfilled. The basic multipopulation genetic algorithm (MpGA) introduced in [5)的相同序列的实现主要SGA的遗传算子。相比MpGA SGA的差异是许多人群的存在,称为亚种群(5,14]。这些亚种群相互独立发展为一定数量的后代(隔离),在那之后的个人族群之间的分布。

本调查的目的,SGA和MpGA标准序列的遗传算子,即选择,交叉,变异,表示,分别SGA-SCM MpGA-SCM。许多改进的变异的SGA和MpGA发达9,13,15,16]。其中有修改后的遗传算法与序列交叉、变异、选择(9),这表示SGA-CMS,随之修改MpGA基于这样的交换,在这里表示MpGA-CMS。在这些算法的选择操作符进行交叉和变异后加工。等运营商的序列的主要思想是,以防止损失达到了好的解决方案通过交叉或变异或运营商。两种算法SGA-CMS和MpGA-CMS调谐参数的识别酿酒酵母馈料式培养,提高算法的优化性能和减少决策时间。取得可喜的成果应用SGA-CMS和MpGA-CMS鼓励更多的调查有关遗传算子的执行序列为了进一步改进算法。此外,由于遗传算法的基本思想是模拟自然选择和遗传的机制,可以使一个类比过程的性质,首先说,变异概率来,然后交叉与想法两个过程发生在一个相反的顺序。因此,这条线的调查后,也得到了以下修改9]:SGA-SMC和MpGA-SMC-with序列选择、变异和交叉;SGA-MCS和MpGA-MCS-with序列变异、交叉和选择,所有的修改(SGA和MpGA发达的5]。

精化最快SGA-MCS如下简要介绍的遗传算法在所有调查在这个研究。一开始,SGA-MCS生成一个随机的染色体,即合适的解决方案的问题。为了防止损失达到了好的解决方案通过交叉或变异或运营商、选择算子被处理后进行交叉和变异的9]。修改在SGA-MCS个人复制处理首先突变,其次是交叉。染色体的元素有点改变了,当一个新创建的后代变异,来自父母的基因结合后形成一个全新的染色体交叉。繁殖后,SGA-MCS计算目标函数对后代的后代和最好的安装个人选择来取代父母根据他们的目标价值。当一定数量的代履行SGA-MCS终止。

有许多运营商、函数、遗传算法中的参数和设置,可以改善和实现不同的各种问题(5,12,14]。在本研究的三个主要研究了遗传算法参数,即代沟(GGAP),交叉(XOVR),和变异率见表(MUTR)值1,根据一些语句17]。非常大的代沟价值不提高遗传算法的性能,特别是对于多快能找到解决办法。突变是随机概率较低的应用,通常在0.01和0.1。交叉率是影响的速率参数交叉算子。交叉率更高更快地引入了新的字符串到人口。低交叉率可能会导致停滞由于开采率低。

这篇论文的目的是研究遗传算法的三个主要的影响参数,即代沟,交叉,变异率,研究对算法收敛时间值见表1。这样的遗传算法参数检查共八种简单而multipopulation遗传算法。他们的表演了酿酒酵母馈料式种植。

2。参数识别的酿酒酵母馈料式培养使用简单和Multipopulation遗传算法

实验数据的酿酒酵母馈料式培养中获得化学技术研究所,汉诺威大学德国(10]。酵母的培养酿酒酵母采用1.5 L反应器,使用Schatzmann媒介。葡萄糖在喂养的解决方案是50克·L⁻¹。温度控制在30°C, pH值为5.7。搅拌器速度设置为500 rpm。生物量和乙醇测定离线,而基质(葡萄糖)和溶解氧在线测量。

的数学模型酿酒酵母馈料式种植通常描述如下,根据质量平衡(18]: 在哪里X生物量的浓度,(g·L⁻¹];年代浓度的基质(葡萄糖),(g·L⁻¹];E乙醇的浓度,(g·L⁻¹];O₂氧气浓度(%);溶氧饱和浓度(%);F喂养率,[L·h⁻¹];V生物反应器的体积,[l];体积氧传递系数,(h⁻¹];初始葡萄糖浓度的喂养方案,(g·L⁻¹];μ,问_年代,问_E,特殊技能增长/利用率的生物量、底物、乙醇和溶解氧,h⁻¹]。

馈料式的培养酿酒酵母认为这是具有保持血糖浓度等于或低于其临界水平(g·L⁻¹),足够的溶解氧和可用性的乙醇误事。这种状态对应于所谓的混合氧化状态(FS II)按照国家功能建模方法(18]。提出了在(18),比生长速率通常发现一笔两项,一个描述的贡献糖和其他乙醇酵母增长的贡献。两方面都莫诺的结构模型。莫诺模型也可以用于乙醇和糖消耗率率。溶氧消耗率获得两项之和,这是直接正比于特定的葡萄糖率和特定的乙醇产量,分别。因此,特定的利率(1)介绍如下: 在哪里底物的最大增长率和乙醇,[h⁻¹];,饱和常数的衬底和乙醇(g·L⁻¹];产量系数(g·g⁻¹]。

作为优化准则,均方差模型输出和栽培已经使用期间所获得的实验数据: 在哪里Y是实验数据;Y *模型预测数据;Y= (X, S、E、O₂]。

模型的参数识别(1)已经完成遗传算法工具箱(14在MATLAB 7环境。所有的计算都使用电脑执行英特尔奔腾4 (2.4 GHz)平台运行Windows XP。各种遗传algorithms-four SGA和四种MpGA-have因此应用了参数识别的目的酿酒酵母馈料式种植。遗传算法参数的值除了GGAP XOVR,这里和MUTR考虑类型的遗传算法,简单和multipopulation已经接受为表中给出2,而遗传算子的类型是列在表中3。

在表2据NVAR是变量的数量;PRECI-precision二进制表示;NIND-number个人;MAXGEN-maximum代;MIGR-migration率;INSR-insertion率;SUBPOP-number种群;MIGGEN-number的一代,之后亚种群之间发生迁移。

这里主要遗传算法运营商考虑的影响,即GGAP, XOVR, MUTR,首先检查了所有四种SGA和比较与模型精度和收敛时间是显示在表4。当一个参数的GGAP、XOVR或MUTR根据表了1,基本的其他两个参数的值如下,根据一些语句(17]:GGAP = 0.8, XOVR = 0.95, MUTR = 0.05。

如表所示4优化准则值获得四种标准遗传算法非常相似,不同的方差在0.0221和0.0230之间,这意味着约4%。可以看到,获得的结果与SGA-SCM与SGA-SMC结果非常相似。结果SGA-CMS时也对那些SGA-MCS关闭,但收敛时间远小于第一组。我们可以总结之前选择算子进行交叉和变异(不管他们的顺序)需要更多的计算时间。这一事实是调查parameters-GGAP和XOVR有效。应该注意的是,从三个调查GGAP是最敏感的参数有关的收敛时间近40% (SGA-MCS,杰出的也是最快的一个算法)使用GGAP = 0.5,而不是0.9可以保存而不损失精度。更确切的SGA-MCS目标函数值减少所有演出的最大观测值最低的0.0230 - 0.0221。探索不同的交叉率值没有这样节约时间实现但应该指出的是,值0.85 XOVR可以假定为更合适。只有在MUTR没有影响可以得出的趋势。这里的“最喜欢”考虑算法SGA-MCS,价值0.1 MUTR可以节省高达20%。 It is also demonstrated that there is no loss of model accuracy when the operator mutation is performed before crossover. Moreover, proposed modification in SGA in most cases reduces convergence time. Presented here comparison shows that the implementation of the operators in a sequence of mutation, crossover, and then selection is the most optimal according to convergence time with guarantied high accuracy of the decision.

基于这样的分析,作为一个“最喜欢的”SGA-MCS可以区分。参数识别的酿酒酵母馈料式栽培已经完成应用SGA-MCS GGAP选择遗传参数值= 0.5,XOVR = 0.85, MUTR = 0.1。由于参数识别、模型参数的值如表所示5,而CPU时间= 38.6410年代J= 0.0223。

图1提出了从实验数据和模型预测结果,分别对生物量、乙醇、基质和溶解氧。

同样的分析已经完成对四种multipopulation算法。SGA中描述的倾向也被证明multipopulation算法(结果未显示,因为相似)。作为一个“最喜欢”MpGA的标准序列,即选择,交叉,变异,杰出的。GGAP又是最敏感的参数有关收敛时间再次领先,存钱近40%使用GGAP = 0.5,而不是0.9而不损失精度。参数识别的酿酒酵母馈料式栽培已经完成应用MpGA-SCM GGAP选择遗传参数值= 0.5,XOVR = 0.85, MUTR = 0.02 (SGA)的唯一一个区别。由于参数识别、模型参数的值如表所示6,而CPU时间= 97.5940年代J= 0.0221。

图2提出了从实验数据和模型预测结果,分别对生物量、乙醇、基质和溶解氧。

提出了两个数字,结果从SGA和MpGA应用程序的参数识别酿酒酵母馈料式培养表明GA求解复杂的非线性问题的有效性。

3所示。结论

在这个调查共八个基因algorithms-four修改类型的简单和四种multipopulation遗传算法被检查。交换不同修改的SGA和MpGA与运营商的序列的选择、交叉和变异算子。遗传算法的一些参数的影响,也就是说,代沟,交叉,变异率,探索了所有八种遗传算法旨在改进收敛时间。在三个研究参数,代沟是最敏感的一个收敛时间。这里“收藏夹”中考虑算法,SGA-MCS和MpGA-SCM杰出。几乎40%的计算时间可以保存在SGA-MCS和MpGA-SCM应用程序的情况下使用GGAP = 0.5,而不是0.9没有模型精度的损失。探索不同的交叉和变异率的值没有这样节约时间实现但应该指出的是,0.85交叉率的值可以被假定为更合适。采用遗传算法的参数值,这样两个杰出的算法,以及所有其他修改SGA和MpGA,表明了遗传算法的有效性为解决复杂的非线性问题。

确认

这项工作是部分支持的欧洲社会基金和保加利亚教育部青年和科学根据手术计划“人力资源开发”,格兰特BG051PO001-3.3.04/40保加利亚和国家科学基金,批准号02-29”建模流程与固定开发规则。”

引用

1. 美国Fidanova”, GPS测量问题的一种启发式方法,计算科学,”在计算机科学的课堂讲稿,卷4490,不。4、1084 - 1090年,2007页。视图:谷歌学术搜索
2. f·格洛弗和g . a . Kochenberger手册的Metaheuristiks,波士顿Kluwer学术质量,美国,2003年。
3. g . r . Raidl“混合metaheuristics统一视图,”在计算机科学的课堂讲稿卷,4030年,页1 - 12,2006。视图:谷歌学术搜索
4. b . Iliev Hristozov, t . Pencheva,圣Tzonkov”比较分析遗传算法和传统优化程序,”科技联盟机械工程学报》上V(3-25), 187 - 192年,1998页。视图:谷歌学术搜索
5. d·戈德堡遗传算法在搜索、优化和机器学习马萨诸塞州,Addison-Wiley出版公司质量,美国,1989年。
6. g . e . Carrillo-Ureta p·d·罗伯茨和v . m .一步“遗传算法的最优控制啤酒发酵”学报2001年IEEE智能控制国际研讨会(ISIC ' 01),页391 - 396年,墨西哥城,墨西哥,2001年9月。视图:谷歌学术搜索
7. z Michalewicz,进化遗传算法+数据结构=程序施普林格,柏林,德国海德堡第二版,1994年版。
8. J.-G。Na, y . k . Chang b·h·钟和h c . Lim“馈料式的自适应优化酵母利用遗传算法,文化”生物处理和生物系统工程,24卷,不。5,299 - 308年,2001页。视图:出版商的网站|谷歌学术搜索
9. m . Angelova s Tzonkov, t . Pencheva“基于遗传算法的参数识别的酵母馈料式栽培,”会议的程序在“数值方法及应用”卷,6046在计算机科学的课堂讲稿,第231 - 224页,2011年。视图:谷歌学术搜索
10. t . Pencheva o . Roeva, i Hristozov功能状态的发酵过程建模方法马林Drinov教授学术出版社,索非亚,保加利亚,2006。
11. m . Ranganath s Renganathan, c . Gokulnath“使用遗传算法识别生物过程,”生物过程工程,21卷,不。2、123 - 127年,1999页。视图:出版商的网站|谷歌学术搜索
12. o . Roeva改进遗传算法性能的识别培养流程模型、高级主题在进化计算2008年,人工智能Series-WSEAS。
13. o . Roeva”,改进遗传算法参数辨识的发酵过程,”生物技术和生物技术设备,20卷,不。1,第209 - 202页,2006。视图:谷歌学术搜索
14. a . j . Chipperfield·弗莱明h . Pohlheim和c . m . Fonseca)使用MATLAB遗传算法工具箱、用户指南、1.2版本,自动控制与系统工程系,谢菲尔德大学,谢菲尔德,英国,1994年。
15. o .警戒线和f . Herrera”组合遗传算法与共享方案和设计近似模糊规则系统的进化策略,”模糊集和系统,卷118,不。2、235 - 255年,2001页。视图:出版商的网站|谷歌学术搜索
16. r . j .郭c·h·陈,y . c .黄”一个智能股票交易决策支持系统通过集成的基于遗传算法的模糊神经网络和人工神经网络,”模糊集和系统,卷118,不。1,21-45,2001页。视图:出版商的网站|谷歌学术搜索
17. m . Obittko“遗传算法”,2005年,http://cs.felk.cvut.cz/ xobitko / ga / main.html。视图:谷歌学术搜索
18. X.-C。张,a . Visala a Halme, p . Linco”功能状态bioprosesses造型方法:局部模型进行有氧酵母生长过程,”《过程控制,4卷,不。3、127 - 134年,1994页。视图:谷歌学术搜索

版权

版权©2011玛丽亚Angelova和塔尼亚Pencheva。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。