遗传算法在微生物发酵培养中的应用探讨

摘要：微生物发酵培养本身是一个高度非线性的过程，是一个生化过程，在这个过程中会发生很多非常复杂的非结构性变化，要考虑非常多的影响因素。而这些因素之间的相互关系往往需要用很多重复的实验来验证，也需要用更多的实验来验证这些因素对于其产品结果的影响。而如果继续用传统的方法来进行处理无法取得很好的效果，遗传算法因此而在微生物发酵培养中得到了更多的应用。

关键词：遗传算法;微生物发酵培养;应用探讨

在微生物发酵培养的过程中，遗传算法能够解决很多的实际问题，其主要是模拟生物遗传学的基本原理来解决问题的方法，而且其还能是微生物发酵培养的过程得到优化，其在具体的应用中并不需要过多的体系知识，就能够通过数据的计算等方式找出其中最好的使用方向，同时也有更好的发展前景和未来。在本文中，笔者对遗传算法的原理和步骤进行了必要的探究，同时重点探究了遗传算法在微生物发酵培养过程中的具体应用方法和策略。

一、遗传算法的基本原理和步骤

遗传算法本身是一种仿生算法，它能够将物体一切具体过程（包括出生、进化以及死亡等方面）模仿出来，进而得到一些较为全面的数据和原理，进而进行全面的计算。在“适者生存”的原理以及“遗传变异”原理的共同作用下，以促进得到最好的、最优的生物结构。其具体的操作步骤一般按以下流程来进行，分别是：提出问题;编码和初始群体生成;评估群体中个体适应度的检测;选择;交叉;变异;输出问题的最优解。

在遗传算法之中，必须要将个体对象转化成相应的计算机语言和符号，所以就必须要对个体进行编码，让个体的基因可以转化成一串数字符号，听过编码的符号就可以实现编码和解码操作，进而实现对象的遗传分析。

在遗传算法中，通常会使用到Gas迭代操作，这种操作方式在实际的操作过程中必须要有初始的搜索点，否则就无法完成迭代操作，就必须通过随机的方法每一个个体生成初始群体，以便Gas可以搜索到初始点和最初的一代个体。

在Gas操作中，只用其本身的适应性函数值就可以对个体进行很好的评定，进而选出其中最优的个体，进而再决定是否将其作为遗传对象。所以在这个过程中就更需要建立一个好的函数算法，保证其算法的准确性，进而保证所得的函数值是合理的、可取的。

在遗传算法的操作过程中，最为关键的一步是遗传操作，其他的一切都是为这个最终的目标而服务。在遗传操作中必须使用最优良的个体，使得他们能够在遗传和繁衍中得到稳定的下一代。可以通过个体适应度来判断个体是否优良;然后使用交叉的方法将个体进行随机配对重组，进行繁衍;使用变异操作来对遗传过程中颜色体重的某一内容进行变异，以扩大遗传变异算法中的搜索广度，进而有效的保证遗传中的进化。

而遗传算法主要具有良好的并行性、很强的通用性、找到全局最优的概率大、具有很好的操作性和简单性等四个特点，这也是其在微生物发酵培养中得到广泛应用的关键。

二、微生物发酵过程中遗传算法的应用策略及方法

（一）用遗传算法对培养基进行优化

在微生物发酵培养过程中，最重要的一个工作内容就是培养基的筛选和优化，这也是影响发酵优化和发酵动力学研究中的关键点。而微生物培养过程中，培养基的组成成分通常非常复杂，每一种成分的含量也很复杂，在传统的培养基的培养和控制中，很难实现培养基的精确培养和筛选，这也导致微生物发酵过程中培养基处于比较粗糙的水平之上，不利于微生物发酵培养。而遗传算法因为其较为突出的优势特点，就可以很好的利用于培养基的优化过程中，以保证微生物发酵培养中的工作效率和结果的正确性。

比如在发酵培养甲酸脱氢酶时，对培养基中的14个成分进行优化在使用遗传算法的培养，在第五代发酵的过程中找出了最优化的培养基方案，并且是甲酸脱氢酶的时间产率提升了一倍，其活力也从原来的1550U/I提升到现在的2300U/I。

（二）用遗传算法对发酵动力学参数进行分析

在微生物发酵培养中发酵动力学参数也是一个重要的影响因素，所以对动力学模型的建立也必须投入足够的重视。而在动力学模型的建立之中，必须要对相应的模型参数进行估算。而发酵动力学的模型是高度非线性的，传统的“点对点”算法因为不能准确的算出起始点，计算起来也比较困难，因而在微生物发酵培养中通常都会选择遗传算法。遗传算法能够有更快地搜索速度，搜索的范围也更广，能够准确及时地找出最优点，从而准確较为准确地找到动力学参数。

比如陈宏文等在分批发酵动力学模型参数的构建中，就是用遗传算法，用赖氨酸来进行分批发酵，在这个过程中，他们很好的利用遗传算法找出了相关的参数估算，得到的数据比POW-ELL算法相比下降了44.44，得到了与理论结果更为温和的数值202.36。

（三）用遗传算法实现发酵过程的控制

在微生物发酵培养过程中，通常会对发酵的过程进行控制以实现最大效率的发酵产率。但是在微生物发酵培养的过程中，由于培养基中含有的物质种类较多，每一种物质的性质多变等会导致其中的生物反应以及环境条件发生改变，从而使得具体的发酵过程偏离原来的发酵轨道，传统的算法对这些因素的把握是不够的，它们无法准确地体现发酵过程中的这些变化。而遗传算法以为其具有更多的搜索点和搜索宽度，能够考虑更多的因素，进而实现对发酵过程的最优化控制，最终提升发酵的产率。

比如高永锋等在抗生素发酵过程的逆动力学模型的网络训练中使用了遗传算法，他们在使用遗传算法是充分地利用了各种参数来对抗生素发酵过程进行了全面的仿真、记录，最后得出的结果显示出在对神经网络进行控制的过程中得到了更加智能地发酵过程控制方法。

三、结束语

遗传算法是当下微生物发酵中应用的最为广发的一种算法，因为其在具体的实施过程中能够有更广的搜索点，搜索的范围也更宽，能够仿真出更接近真是发酵过程的模型，从而找出最优化的培养方法。

（指导老师：罗鹏飞）

参考文献：

[1]王晓龙，谭延振，候路宽等.利用响应面法优化海洋微生物发酵产角鲨烯的研究[J].中国海洋大学学报（自然科学版），2016，46（4）：89-95.

[2]贾文抖，范春利，孙丰瑞等.基于红外测温的内部点热源的识别[J].红外与激光工程，2015（3）：837-844.

[3]陈小宇，刘林德，葛宜和等.蛇龙珠等酿酒葡萄品种羧酸酯酶基因片段的SNP分析[J].安徽农业科学，2016，44（28）：109-113.

[4]权金鹏，孔吉有，邱进富等.玉米秸秆饲料化利用限制因素分析与关键技术控制[J].中国草食动物科学，2015，35（1）：61-65.

作者简介：

曾楚璇，湖南省长沙市，湖南师范大学附属中学。