基于PSO算法的微生物间歇发酵动力学参数辨识

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (27): 193-195.

基于PSO算法的微生物间歇发酵动力学参数辨识

宫召华

山东工商学院数学及信息科学学院,山东烟台 264005

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-21 发布日期:2007-09-21
通讯作者: 宫召华

Parameter identification of dynamical system for microorganism in batch fermentation based on PSO algorithm

GONG Zhao-hua

Department of Mathematics and Information Science,Shandong Institude of Business and Technology,Yantai,Shandong 264005,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-21 Published:2007-09-21
Contact: GONG Zhao-hua

摘要/Abstract

摘要： 主要根据微生物间歇培养过程的特征、动态行为及实验数据,建立了能够更好反映间歇发酵过程的简化的多阶段参数辨识模型,然后证明了该模型中最优参数的存在性;最后结合模型特点构造了一种改进的粒子群优化（PSO）算法求得最优参数,并利用所得的参数进行过程仿真。结果表明该模型和算法大大减少了实验数据和计算数值之间的误差,能够更好地模拟微生物间歇发酵过程。

关键词: 动力系统, 间歇发酵, 参数辨识, 粒子群优化算法, 3-丙二醇

Abstract: In this paper,a simplified two-stage parameter identification model is constructed in the process of bio-dissimilation of glycerol to 1,3-propanediol（1,3-PD） based on the characteristics and experimental data of the batch fermentation.Subsequently,we briefly discuss the identifiability of the parameters.Finally,in order to find the optimal parameters of the identification model,an improved PSO algorithm is constructed.Numerical results of simulations show that the model and algorithm reduce greatly the error between the experimental data and computational values,and they can simulate the process of batch fermentation better.

Key words: dynamical system, batch fermentation, parameter identification, Particle Swarm Optimization algorithm, 3-propanediol

宫召华. 基于PSO算法的微生物间歇发酵动力学参数辨识[J]. 计算机工程与应用, 2007, 43(27): 193-195.

GONG Zhao-hua. Parameter identification of dynamical system for microorganism in batch fermentation based on PSO algorithm [J]. Computer Engineering and Applications, 2007, 43(27): 193-195.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	徐恭贤，邱添，贾府生，魏顺行. 一类生物系统的参数辨识方法及其应用[J]. 计算机工程与应用, 2020, 56(4): 163-167.
[5]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[6]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[7]	沈艳，尹金姗，韩帅，韩煜. 基于数值积分公式的GM（1，1）模型优化研究[J]. 计算机工程与应用, 2019, 55(24): 41-45.
[8]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[9]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[10]	高原1，冯筠2，杨婉妮2. 混沌递归分析在黄金市场风险识别中的应用[J]. 计算机工程与应用, 2018, 54(6): 228-233.
[11]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[12]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[13]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[14]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[15]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.