2、微生物發酵過程的優化控製策略
2.1基於線性化近似的經典優化控製
經典的優化控製方法以前蘇聯學者JIC.IIoHTpflrI4H創立的“極大值原理”為代表,極大值原理是分析力學中哈密頓方法的推廣,理論體係比較完善,在早期發酵過程優化控製中應用較多。Sudip等在發酵過程機理模型狀態空問描述的基礎上,采用極大值原理,通過迭代法直接求取澱粉流加速率的最優策略,實施效果良好。Shukla等在假定符合Haldane動力學模型的流加發酵過程中,用極大值原理解決過程優化控製問題,極大值原理存在的 優化控製對象比較複雜時,極大值原理方法需要很大的計算量,並且隻能求取少數過程的優化軌線,用極大值原理得出的是開環控製,不能消除和抑製參數變動和環境變化對係統造成的擾動。Vanichsriratana等將變量方法與極大值原理相結合求取最佳的供給率曲線,並設計控製器實現流加發酵過程閉環控製,控製效果優於開環優化控製,但這種尋優方法在計算精度、尋優速率以及算法複雜度方麵仍需進~一步改進,發酵過程的建模水平也製約著經典優化控製的發展。
2.2基於直接尋優算法的仿真優化控製
隨著仿真技術、人工智能技術的迅速發展和控製理論與其它學科的交叉滲透,基於模型的仿真技術在發酵過程優化控製中得到』泛應用。在過程仿真模型基礎上,結合有效的尋優方法,獲得過程最優控製律,並設計控製器跟蹤過程的最優控製律,從而實現發酵過程的優化控製。在過程模型基礎上,以發酵產量或產率為單一優化目標,求取最優軌線的優化方法應用廣泛。王海霞等在過程SVM模型的基礎上,用免疫遺傳算法對發酵過程補料優化控製參數進行尋優,實現了過程的補料優化,對甘露聚糖酶的發酵過程的仿真結果表明,該方法改善了優化性能,提高了產物產量。Jayati等以改進的發酵過程Monod方程為基礎,用遺傳算法解決產量最大化問題,達到優化蛋白酶生產的目的。
發酵過程優化過程中,經常會出現多個相互之問具有競爭I生的最優指標,此時,單目標優化無法實現發酵過程最優,為解決這一問題,多目標優化策略被引入發酵過程優化控製。Mandal等在多產物發酵多底物優化方程基礎上,用差動進化算法解決多目標的優化問題,得到Pareto優化曲線,並將其用於黑曲黴流加發酵過程優化,實驗效果良好。Sarkar等提出了改進的非支配排序遺傳算法,分別用於賴氨酸和異種蛋白生產的發酵過程優化,在機理模型基礎上,前者以單位時間內的產能和單位營養基的產出率為優化指標,後者則同時考慮最大化蛋白產量和最小化誘導劑用量。仿真結果證明了該方法的有效性,從發酵過程優化策略上看,多目標優化比單目標優化更加有效、更能提高發酵水平。多目標優化是一個新的研究內容,仍有一些關鍵技術問題有待解決。多目標協同優化的方法、策略以及多目標協同優化算法的研究,將為微生物發酵過程優化控製提供有效的優化策略。
上一篇:微生物發酵過程優化控製技術進展——4
下一篇:微生物發酵過程優化控製技術進展——6