遺傳算法在微生物發(fā)酵培養(yǎng)中的應(yīng)用探討

摘要：微生物發(fā)酵培養(yǎng)本身是一個高度非線性的過程，是一個生化過程，在這個過程中會發(fā)生很多非常復(fù)雜的非結(jié)構(gòu)性變化，要考慮非常多的影響因素。而這些因素之間的相互關(guān)系往往需要用很多重復(fù)的實驗來驗證，也需要用更多的實驗來驗證這些因素對于其產(chǎn)品結(jié)果的影響。而如果繼續(xù)用傳統(tǒng)的方法來進行處理無法取得很好的效果，遺傳算法因此而在微生物發(fā)酵培養(yǎng)中得到了更多的應(yīng)用。

關(guān)鍵詞：遺傳算法;微生物發(fā)酵培養(yǎng);應(yīng)用探討

在微生物發(fā)酵培養(yǎng)的過程中，遺傳算法能夠解決很多的實際問題，其主要是模擬生物遺傳學(xué)的基本原理來解決問題的方法，而且其還能是微生物發(fā)酵培養(yǎng)的過程得到優(yōu)化，其在具體的應(yīng)用中并不需要過多的體系知識，就能夠通過數(shù)據(jù)的計算等方式找出其中最好的使用方向，同時也有更好的發(fā)展前景和未來。在本文中，筆者對遺傳算法的原理和步驟進行了必要的探究，同時重點探究了遺傳算法在微生物發(fā)酵培養(yǎng)過程中的具體應(yīng)用方法和策略。

一、遺傳算法的基本原理和步驟

遺傳算法本身是一種仿生算法，它能夠?qū)⑽矬w一切具體過程（包括出生、進化以及死亡等方面）模仿出來，進而得到一些較為全面的數(shù)據(jù)和原理，進而進行全面的計算。在“適者生存”的原理以及“遺傳變異”原理的共同作用下，以促進得到最好的、最優(yōu)的生物結(jié)構(gòu)。其具體的操作步驟一般按以下流程來進行，分別是：提出問題;編碼和初始群體生成;評估群體中個體適應(yīng)度的檢測;選擇;交叉;變異;輸出問題的最優(yōu)解。

在遺傳算法之中，必須要將個體對象轉(zhuǎn)化成相應(yīng)的計算機語言和符號，所以就必須要對個體進行編碼，讓個體的基因可以轉(zhuǎn)化成一串?dāng)?shù)字符號，聽過編碼的符號就可以實現(xiàn)編碼和解碼操作，進而實現(xiàn)對象的遺傳分析。

在遺傳算法中，通常會使用到Gas迭代操作，這種操作方式在實際的操作過程中必須要有初始的搜索點，否則就無法完成迭代操作，就必須通過隨機的方法每一個個體生成初始群體，以便Gas可以搜索到初始點和最初的一代個體。

在Gas操作中，只用其本身的適應(yīng)性函數(shù)值就可以對個體進行很好的評定，進而選出其中最優(yōu)的個體，進而再決定是否將其作為遺傳對象。所以在這個過程中就更需要建立一個好的函數(shù)算法，保證其算法的準(zhǔn)確性，進而保證所得的函數(shù)值是合理的、可取的。

在遺傳算法的操作過程中，最為關(guān)鍵的一步是遺傳操作，其他的一切都是為這個最終的目標(biāo)而服務(wù)。在遺傳操作中必須使用最優(yōu)良的個體，使得他們能夠在遺傳和繁衍中得到穩(wěn)定的下一代。可以通過個體適應(yīng)度來判斷個體是否優(yōu)良;然后使用交叉的方法將個體進行隨機配對重組，進行繁衍;使用變異操作來對遺傳過程中顏色體重的某一內(nèi)容進行變異，以擴大遺傳變異算法中的搜索廣度，進而有效的保證遺傳中的進化。

而遺傳算法主要具有良好的并行性、很強的通用性、找到全局最優(yōu)的概率大、具有很好的操作性和簡單性等四個特點，這也是其在微生物發(fā)酵培養(yǎng)中得到廣泛應(yīng)用的關(guān)鍵。

二、微生物發(fā)酵過程中遺傳算法的應(yīng)用策略及方法

（一）用遺傳算法對培養(yǎng)基進行優(yōu)化

在微生物發(fā)酵培養(yǎng)過程中，最重要的一個工作內(nèi)容就是培養(yǎng)基的篩選和優(yōu)化，這也是影響發(fā)酵優(yōu)化和發(fā)酵動力學(xué)研究中的關(guān)鍵點。而微生物培養(yǎng)過程中，培養(yǎng)基的組成成分通常非常復(fù)雜，每一種成分的含量也很復(fù)雜，在傳統(tǒng)的培養(yǎng)基的培養(yǎng)和控制中，很難實現(xiàn)培養(yǎng)基的精確培養(yǎng)和篩選，這也導(dǎo)致微生物發(fā)酵過程中培養(yǎng)基處于比較粗糙的水平之上，不利于微生物發(fā)酵培養(yǎng)。而遺傳算法因為其較為突出的優(yōu)勢特點，就可以很好的利用于培養(yǎng)基的優(yōu)化過程中，以保證微生物發(fā)酵培養(yǎng)中的工作效率和結(jié)果的正確性。

比如在發(fā)酵培養(yǎng)甲酸脫氫酶時，對培養(yǎng)基中的14個成分進行優(yōu)化在使用遺傳算法的培養(yǎng)，在第五代發(fā)酵的過程中找出了最優(yōu)化的培養(yǎng)基方案，并且是甲酸脫氫酶的時間產(chǎn)率提升了一倍，其活力也從原來的1550U/I提升到現(xiàn)在的2300U/I。

（二）用遺傳算法對發(fā)酵動力學(xué)參數(shù)進行分析

在微生物發(fā)酵培養(yǎng)中發(fā)酵動力學(xué)參數(shù)也是一個重要的影響因素，所以對動力學(xué)模型的建立也必須投入足夠的重視。而在動力學(xué)模型的建立之中，必須要對相應(yīng)的模型參數(shù)進行估算。而發(fā)酵動力學(xué)的模型是高度非線性的，傳統(tǒng)的“點對點”算法因為不能準(zhǔn)確的算出起始點，計算起來也比較困難，因而在微生物發(fā)酵培養(yǎng)中通常都會選擇遺傳算法。遺傳算法能夠有更快地搜索速度，搜索的范圍也更廣，能夠準(zhǔn)確及時地找出最優(yōu)點，從而準(zhǔn)確較為準(zhǔn)確地找到動力學(xué)參數(shù)。

比如陳宏文等在分批發(fā)酵動力學(xué)模型參數(shù)的構(gòu)建中，就是用遺傳算法，用賴氨酸來進行分批發(fā)酵，在這個過程中，他們很好的利用遺傳算法找出了相關(guān)的參數(shù)估算，得到的數(shù)據(jù)比POW-ELL算法相比下降了44.44，得到了與理論結(jié)果更為溫和的數(shù)值202.36。

（三）用遺傳算法實現(xiàn)發(fā)酵過程的控制

在微生物發(fā)酵培養(yǎng)過程中，通常會對發(fā)酵的過程進行控制以實現(xiàn)最大效率的發(fā)酵產(chǎn)率。但是在微生物發(fā)酵培養(yǎng)的過程中，由于培養(yǎng)基中含有的物質(zhì)種類較多，每一種物質(zhì)的性質(zhì)多變等會導(dǎo)致其中的生物反應(yīng)以及環(huán)境條件發(fā)生改變，從而使得具體的發(fā)酵過程偏離原來的發(fā)酵軌道，傳統(tǒng)的算法對這些因素的把握是不夠的，它們無法準(zhǔn)確地體現(xiàn)發(fā)酵過程中的這些變化。而遺傳算法以為其具有更多的搜索點和搜索寬度，能夠考慮更多的因素，進而實現(xiàn)對發(fā)酵過程的最優(yōu)化控制，最終提升發(fā)酵的產(chǎn)率。

比如高永鋒等在抗生素發(fā)酵過程的逆動力學(xué)模型的網(wǎng)絡(luò)訓(xùn)練中使用了遺傳算法，他們在使用遺傳算法是充分地利用了各種參數(shù)來對抗生素發(fā)酵過程進行了全面的仿真、記錄，最后得出的結(jié)果顯示出在對神經(jīng)網(wǎng)絡(luò)進行控制的過程中得到了更加智能地發(fā)酵過程控制方法。

三、結(jié)束語

遺傳算法是當(dāng)下微生物發(fā)酵中應(yīng)用的最為廣發(fā)的一種算法，因為其在具體的實施過程中能夠有更廣的搜索點，搜索的范圍也更寬，能夠仿真出更接近真是發(fā)酵過程的模型，從而找出最優(yōu)化的培養(yǎng)方法。

（指導(dǎo)老師：羅鵬飛）

參考文獻：

[1]王曉龍，譚延振，候路寬等.利用響應(yīng)面法優(yōu)化海洋微生物發(fā)酵產(chǎn)角鯊烯的研究[J].中國海洋大學(xué)學(xué)報（自然科學(xué)版），2016，46（4）：89-95.

[2]賈文抖，范春利，孫豐瑞等.基于紅外測溫的內(nèi)部點熱源的識別[J].紅外與激光工程，2015（3）：837-844.

[3]陳小宇，劉林德，葛宜和等.蛇龍珠等釀酒葡萄品種羧酸酯酶基因片段的SNP分析[J].安徽農(nóng)業(yè)科學(xué)，2016，44（28）：109-113.

[4]權(quán)金鵬，孔吉有，邱進富等.玉米秸稈飼料化利用限制因素分析與關(guān)鍵技術(shù)控制[J].中國草食動物科學(xué)，2015，35（1）：61-65.

作者簡介：

曾楚璇，湖南省長沙市，湖南師范大學(xué)附屬中學(xué)。