遺傳算法在微生物發酵培養中的應用探討

摘要：微生物發酵培養本身是一個高度非線性的過程，是一個生化過程，在這個過程中會發生很多非常復雜的非結構性變化，要考慮非常多的影響因素。而這些因素之間的相互關系往往需要用很多重復的實驗來驗證，也需要用更多的實驗來驗證這些因素對于其產品結果的影響。而如果繼續用傳統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酵培養中得到了更多的應用。

關鍵詞：遺傳算法;微生物發酵培養;應用探討

在微生物發酵培養的過程中，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的基本原理來解決問題的方法，而且其還能是微生物發酵培養的過程得到優化，其在具體的應用中并不需要過多的體系知識，就能夠通過數據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酵培養過程中的具體應用方法和策略。

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，它能夠將物體一切具體過程（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據和原理，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、最優的生物結構。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度的檢測;選擇;交叉;變異;輸出問題的最優解。

在遺傳算法之中，必須要將個體對象轉化成相應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化成一串數字符號，聽過編碼的符號就可以實現編碼和解碼操作，進而實現對象的遺傳分析。

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，只用其本身的適應性函數值就可以對個體進行很好的評定，進而選出其中最優的個體，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算法，保證其算法的準確性，進而保證所得的函數值是合理的、可取的。

在遺傳算法的操作過程中，最為關鍵的一步是遺傳操作，其他的一切都是為這個最終的目標而服務。在遺傳操作中必須使用最優良的個體，使得他們能夠在遺傳和繁衍中得到穩定的下一代。可以通過個體適應度來判斷個體是否優良;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酵培養中得到廣泛應用的關鍵。

二、微生物發酵過程中遺傳算法的應用策略及方法

（一）用遺傳算法對培養基進行優化

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

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

（二）用遺傳算法對發酵動力學參數進行分析

在微生物發酵培養中發酵動力學參數也是一個重要的影響因素，所以對動力學模型的建立也必須投入足夠的重視。而在動力學模型的建立之中，必須要對相應的模型參數進行估算。而發酵動力學的模型是高度非線性的，傳統的“點對點”算法因為不能準確的算出起始點，計算起來也比較困難，因而在微生物發酵培養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，能夠準確及時地找出最優點，從而準確較為準確地找到動力學參數。

比如陳宏文等在分批發酵動力學模型參數的構建中，就是用遺傳算法，用賴氨酸來進行分批發酵，在這個過程中，他們很好的利用遺傳算法找出了相關的參數估算，得到的數據比POW-ELL算法相比下降了44.44，得到了與理論結果更為溫和的數值202.36。

（三）用遺傳算法實現發酵過程的控制

在微生物發酵培養過程中，通常會對發酵的過程進行控制以實現最大效率的發酵產率。但是在微生物發酵培養的過程中，由于培養基中含有的物質種類較多，每一種物質的性質多變等會導致其中的生物反應以及環境條件發生改變，從而使得具體的發酵過程偏離原來的發酵軌道，傳統的算法對這些因素的把握是不夠的，它們無法準確地體現發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，進而實現對發酵過程的最優化控制，最終提升發酵的產率。

比如高永鋒等在抗生素發酵過程的逆動力學模型的網絡訓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來對抗生素發酵過程進行了全面的仿真、記錄，最后得出的結果顯示出在對神經網絡進行控制的過程中得到了更加智能地發酵過程控制方法。

三、結束語

遺傳算法是當下微生物發酵中應用的最為廣發的一種算法，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酵過程的模型，從而找出最優化的培養方法。

（指導老師：羅鵬飛）

參考文獻：

[1]王曉龍，譚延振，候路寬等.利用響應面法優化海洋微生物發酵產角鯊烯的研究[J].中國海洋大學學報（自然科學版），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].安徽農業科學，2016，44（28）：109-113.

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

作者簡介：

曾楚璇，湖南省長沙市，湖南師范大學附屬中學。