神經(jīng)網(wǎng)絡(luò)與遺傳算法及其在食品工藝優(yōu)化中的應(yīng)用

代志凱

（浙江醫(yī)藥股份有限公司新昌制藥廠，浙江新昌 312500）

食品工業(yè)是人類賴以生存與發(fā)展的基礎(chǔ)，是關(guān)系國計(jì)民生的主要產(chǎn)業(yè)。而食品加工工藝及配方優(yōu)化是食品開發(fā)與研制中不可缺少的環(huán)節(jié)，選擇合適的優(yōu)化工藝及配方對縮短試驗(yàn)時(shí)間、減低生產(chǎn)成本、保證食品的質(zhì)量具有重要的作用。

國內(nèi)外用得比較成熟的工藝及配方優(yōu)化方法有正交試驗(yàn)、均勻設(shè)計(jì)和響應(yīng)面設(shè)計(jì)等。雖然上述方法在試驗(yàn)處理時(shí)可以取得較佳點(diǎn)，基本可以滿足一般試驗(yàn)的要求，但它們還存在一些問題，如試驗(yàn)的精度不夠，選擇的試驗(yàn)取值僅僅是接近最佳取值，無法精確找到最佳點(diǎn)，難以描述優(yōu)化指標(biāo)與各因素之間的非線性關(guān)系，誤差較大[1]。隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的成熟和完善以及優(yōu)化設(shè)計(jì)理論與算法的進(jìn)步和發(fā)展，為食品加工工藝及配方的優(yōu)化開辟了新的途徑[2-3]。但是利用神經(jīng)網(wǎng)絡(luò)與遺傳算法優(yōu)化需要較高的理論知識和較強(qiáng)的計(jì)算機(jī)編程能力，限制了其在食品工業(yè)中的應(yīng)用。

本文從神經(jīng)網(wǎng)絡(luò)和遺傳算法的原理、實(shí)驗(yàn)設(shè)計(jì)的選擇、數(shù)據(jù)處理和分析入手對其進(jìn)行系統(tǒng)的介紹，重點(diǎn)介紹如何使神經(jīng)網(wǎng)絡(luò)的非線性映射和遺傳算法的全局搜索的能力有機(jī)結(jié)合在一起應(yīng)用于食品工藝及配方優(yōu)化中，以期有更多的研究工作者采用神經(jīng)網(wǎng)絡(luò)和遺傳算法技術(shù)方便有效地優(yōu)化生產(chǎn)過程提高工作效率。

1 神經(jīng)網(wǎng)絡(luò)與遺傳算法的原理簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）簡稱神經(jīng)網(wǎng)絡(luò)，是20世紀(jì)80年代重新興起的一種模擬人腦及其活動的理論化的數(shù)學(xué)模型，由多個非常簡單的處理單元按某種分時(shí)相互聯(lián)接而形成的計(jì)算系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)等特點(diǎn)，對解決非線性問題特別有效，還有很強(qiáng)的輸入輸出非線性映射能力，易于學(xué)習(xí)和訓(xùn)練等優(yōu)點(diǎn)。它基本上類似黑箱理論，只根據(jù)輸入數(shù)據(jù)和輸出數(shù)據(jù)來建立模型，網(wǎng)絡(luò)的統(tǒng)計(jì)信息儲存在數(shù)量巨大的加權(quán)矩陣內(nèi)，可以反映十分復(fù)雜的關(guān)系。目前對于不同目的的神經(jīng)網(wǎng)絡(luò)有60多種，其中在食品工藝優(yōu)化中應(yīng)用最多的是誤差反傳網(wǎng)絡(luò)即BP（Back-propagation）神經(jīng)網(wǎng)絡(luò)。典型的BP神經(jīng)網(wǎng)絡(luò)如圖1所示。

遺傳算法（Genetic algorithm，GA）是一種借鑒生物界自然選擇和進(jìn)化機(jī)制發(fā)展起來的高度并行、隨機(jī)、自適應(yīng)搜索算法。它將問題域中的可能解看作是群體的一個個體或染色體，并將變量進(jìn)行二進(jìn)制或十進(jìn)制編碼，確定個體性能的評價(jià)依據(jù)，即適應(yīng)度函數(shù)，然后模擬生物進(jìn)化過程，對群體反復(fù)進(jìn)行類似于遺傳的操作（選擇、交叉和變異），根據(jù)預(yù)定的目標(biāo)適應(yīng)度函數(shù)對每個個體進(jìn)行評價(jià)，依據(jù)適者生存，優(yōu)勝劣汰的進(jìn)化規(guī)則，不斷得到更優(yōu)的群體，同時(shí)以全局并行方式來搜索群體中的最優(yōu)個體，最終獲得適應(yīng)度最好的個體。由于其思想簡單、易于實(shí)現(xiàn)、遺傳算法已廣泛應(yīng)用于智能控制、問題優(yōu)化及求解、模式識別和人工生命等領(lǐng)域，并取得了許多令人鼓舞的成就。

2ANN-GA耦合的設(shè)計(jì)步驟

ANN有很強(qiáng)的輸入輸出非線性映射能力，特別適用于非線性、非結(jié)構(gòu)化的復(fù)雜模型中。而GA又是一種有導(dǎo)向的全局隨機(jī)搜索方法，對于目標(biāo)函數(shù)和搜索空間沒有任何限制，因此非常適合ANN模型等無明確分析函數(shù)形式的優(yōu)化問題。將神經(jīng)網(wǎng)絡(luò)與遺傳算法有機(jī)的融合，充分利用ANN的非線性擬合能力與GA的全局搜索能力，從而增強(qiáng)了ANN的智能搜索和泛化能力。目前在工藝優(yōu)化領(lǐng)域中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用的最為廣泛，也相對簡單，因此本文將主要介紹BP神經(jīng)網(wǎng)絡(luò)和遺傳算法耦合過程。

2.1 ANN輸入工藝參數(shù)選取

由于食品加工過程涉及的工藝參數(shù)種類很多，不同工藝參數(shù)對產(chǎn)品質(zhì)量的影響程度也各不相同，因此為提高模型工作效率，降低網(wǎng)絡(luò)模型的復(fù)雜度，必須對模型要考察的輸入工藝參數(shù)項(xiàng)目進(jìn)行選取。ANN建模過程中參數(shù)項(xiàng)的選擇將遵循以下原則：

1）所選輸入?yún)?shù)必須是易于控制和測量的變量。

2）所選輸入?yún)?shù)應(yīng)盡可能是相互獨(dú)立的變量。

3

）所選輸入?yún)?shù)對輸出目標(biāo)有顯著影響。

2.2 網(wǎng)絡(luò)數(shù)據(jù)樣本的選取及預(yù)處理

由于BP神經(jīng)網(wǎng)絡(luò)是一種有到導(dǎo)師的學(xué)習(xí)過程，因此選擇合適的樣本來訓(xùn)練網(wǎng)絡(luò)就顯得很關(guān)鍵。隨機(jī)進(jìn)行實(shí)驗(yàn)的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，需要較多樣本，且分布不合理，效率不高。按照一定優(yōu)化設(shè)計(jì)進(jìn)行實(shí)驗(yàn)，得到的實(shí)驗(yàn)數(shù)據(jù)來訓(xùn)練ANN建模，優(yōu)于一般的隨機(jī)實(shí)驗(yàn)數(shù)據(jù)所建的模型。因?yàn)檫@些設(shè)計(jì)的取點(diǎn)在空間分布均勻，更有代表性，能減少訓(xùn)練樣本數(shù)，所建的ANN模型的效果也更佳[4]。目前常用正交、均勻設(shè)計(jì)和響應(yīng)面設(shè)計(jì)（response surface optimization，RSM）所得到的試驗(yàn)樣本一般均能滿足要求。

當(dāng)樣本選取好后，以避免由于變量取值范圍的差異造成的網(wǎng)絡(luò)不穩(wěn)定性，所有的變量（包括輸入、輸出變量）一般均做標(biāo)準(zhǔn)化處理。

2.3 ANN模型訓(xùn)練和驗(yàn)證

利用ANN技術(shù)構(gòu)建模型時(shí)，由于受各種因素的制約，所采集到的工藝參數(shù)值與實(shí)際值總有一定的差異，因此要求所建立的神經(jīng)網(wǎng)絡(luò)模型除具有良好的非線性映射能力之外，還必須具有較強(qiáng)的去除噪能力和泛化能力。因此常常將收集到的實(shí)驗(yàn)數(shù)據(jù)隨機(jī)的分成兩組，即訓(xùn)練組和預(yù)測組。訓(xùn)練組用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，預(yù)測組檢驗(yàn)網(wǎng)絡(luò)的泛化能力。

ANN的拓?fù)浣Y(jié)構(gòu)確定以后，可以通過不斷調(diào)試網(wǎng)絡(luò)的參數(shù)來訓(xùn)練ANN。當(dāng)網(wǎng)絡(luò)訓(xùn)練好之后還要檢驗(yàn)其預(yù)測能力（即網(wǎng)絡(luò)的泛化能力）。為了更準(zhǔn)確的測試網(wǎng)絡(luò)的性能，必須從訓(xùn)練集之外的數(shù)據(jù)樣本中選取測試樣本，這是因?yàn)槿绻麥y試樣本本身來自訓(xùn)練集之中，由于ANN訓(xùn)練精度非常高，網(wǎng)絡(luò)模型對每組數(shù)據(jù)都高精度地?cái)M合了，但是擬合的好并不一定網(wǎng)絡(luò)的泛化能力強(qiáng)，有時(shí)可能會陷入過度擬合，所以必須選用訓(xùn)練集以外的樣本檢驗(yàn)網(wǎng)絡(luò)的預(yù)測能力[5]。故應(yīng)該將數(shù)據(jù)樣本分成兩部分，一部分用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另外一部分用來檢驗(yàn)網(wǎng)絡(luò)的預(yù)測能力。當(dāng)網(wǎng)絡(luò)的擬合和泛化能力都滿足要求后，我們就可以利用GA來尋優(yōu)了。

2.4 GA優(yōu)化

將上述完成訓(xùn)練的ANN輸出，作為求解目標(biāo)函數(shù)值。由于GA不需要明確的數(shù)學(xué)導(dǎo)數(shù)表達(dá)式，故可利用它計(jì)算尋優(yōu)。ANN與GA相結(jié)合的優(yōu)化方法，整個流程見圖2。

圖2ANN與GA結(jié)合的框圖Fig.2 Schema of the working principle for ANN coupling GA

在圖2中，實(shí)驗(yàn)數(shù)據(jù)被分成訓(xùn)練組和預(yù)測組，訓(xùn)練組用來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，然后預(yù)測組用來對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，由此構(gòu)建ANN模型，并以該模型的輸出為GA的目標(biāo)函數(shù)，通過GA的全局尋優(yōu)，找到最優(yōu)工藝或配方組合[6]。

3ANN-GA在食品工藝優(yōu)化中的應(yīng)用及實(shí)現(xiàn)

3.1 ANN-GA在食品工藝優(yōu)化中的應(yīng)用

由于ANN強(qiáng)大的非線性擬合能力和GA優(yōu)良的全局收索能力，ANN-GA耦合已廣泛應(yīng)用于食品工業(yè)工藝優(yōu)化的各個方面。具體見表1。

例如周先漢等[16]首先在單因素試驗(yàn)基礎(chǔ)上，確定合理的因素水平范圍，設(shè)計(jì)均勻試驗(yàn)，使試驗(yàn)點(diǎn)盡可能多的分布在可行的試驗(yàn)。然后再將單因素和均勻設(shè)計(jì)的41組實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練（30組）和預(yù)測（11組）兩部分，建立拓?fù)浣Y(jié)果為（5-16-1）的ANN模型，訓(xùn)練組用來訓(xùn)練ANN，預(yù)測組則用來檢驗(yàn)網(wǎng)絡(luò)的泛化能力。最后以訓(xùn)練好的ANN作為適應(yīng)度函數(shù)，利用GA全局尋優(yōu)求取最優(yōu)工藝參數(shù)。

ANN-GA的特點(diǎn)在于：對于ANN模型而言，通過結(jié)合GA的優(yōu)化作用，使網(wǎng)絡(luò)的性能在合理范圍內(nèi)得到提高；對于GA而言，ANN起的是一種約束作用，通過ANN的模擬使GA的優(yōu)化范圍大致限定在的實(shí)際合理的范圍內(nèi)。目前限制ANN-GA在食品工藝優(yōu)化中應(yīng)用的主要原因還是由于其需要一定的算法方面的論理知識和較強(qiáng)的計(jì)算機(jī)編程能力。因此下面將就一個具體實(shí)例為例詳細(xì)講解ANN-GA耦合在工藝優(yōu)化中的應(yīng)用，旨在更加形象直觀展示其實(shí)現(xiàn)過程。

3.2 ANN-GA在工藝優(yōu)化中的實(shí)現(xiàn)

3.2.1 ANN模型的建立

本文以文獻(xiàn)[10]為例，具體說明ANN-GA的優(yōu)化過程?？疾靝H值、交聯(lián)劑濃度和時(shí)間3個因素對固定纖維素酶活的影響，首先建立3因素5水平的中心組合設(shè)計(jì)，利用中心組合設(shè)計(jì)的20組數(shù)據(jù)建立ANN模型，然后利用另外3組合數(shù)據(jù)檢驗(yàn)?zāi)Ｐ偷姆夯芰Α?/p>

表1ANN-GA在食品工藝優(yōu)化中的應(yīng)用Table 1 The application of ANN-GA in optimization of food technology

由于文獻(xiàn)[10]中提供的細(xì)節(jié)有限，因此本文只能簡單模擬其實(shí)現(xiàn)過程。

ANN的建立與檢驗(yàn)程序如下：

注：本文的所建立的神經(jīng)網(wǎng)絡(luò)只是對簡單的還原，并非與文中的模型完全一致，旨在幫助讀者形象的了解神經(jīng)網(wǎng)絡(luò)的建立過程。

文獻(xiàn)[10]還分別比較了ANN模型和響應(yīng)面（RSM）模型的擬合與預(yù)測能力。本文利用上述程序建立的神經(jīng)網(wǎng)絡(luò)模型也能實(shí)現(xiàn)文獻(xiàn)中的效果，結(jié)果分別見圖3和4，可見，圖3和4表明所建的ANN模型的擬合與預(yù)測能力均優(yōu)于RSM模型。

3.2.2 GA優(yōu)化

當(dāng)所建的ANN模型符合要求后，就可以利用GA來優(yōu)化求取最優(yōu)解，一般ANN的擬合能力非常強(qiáng)，關(guān)鍵是看其泛化能力，即對訓(xùn)練集之外樣本的預(yù)測能力，由圖3可知上述所建的ANN的擬合和泛化能力基本達(dá)到要求，因此下面就利用gaot遺傳算法工具箱求解其最佳工藝。

GA的性能追蹤如圖5所示。

當(dāng)經(jīng)過約25次遺傳操作后最優(yōu)解和總?cè)浩骄饩諗坑?6%左右，即當(dāng)pH=4.34，交聯(lián)劑濃度為0.085%，時(shí)間4.59 h，纖維素酶的最高固定化率為65.97%，最優(yōu)值與原文的66.75%相差不大，最佳工藝參數(shù)有少許差別，有待實(shí)驗(yàn)檢驗(yàn)。不過這并不是本文的重點(diǎn)，本文旨在還原ANN-GA在工藝優(yōu)化中實(shí)現(xiàn)的具體步驟和過程，為其實(shí)際應(yīng)用提供一個參考。上述就是ANN-GA優(yōu)化的整個源程序，讀者只需掌握一定Mablab語言便可根據(jù)需要將程序稍許改動就能靈活運(yùn)用，希望通過本文能給廣大科技工作者在利用ANN-GA優(yōu)化工藝及配方時(shí)提供便利。

4 結(jié)論

在生產(chǎn)工藝及配方優(yōu)化過程中，影響因素很難用精確模型描述，傳統(tǒng)的正交及響應(yīng)面方法存在模型粗糙，精度低等缺陷[19-20]。而利用ANN高度非線性擬合和GA的全局尋優(yōu)的能力能在很大的程度上克服傳統(tǒng)方法的缺陷，為生產(chǎn)工藝的決策和控制提供可靠的依據(jù)。

ANN-GA優(yōu)化工藝參數(shù)的過程中，關(guān)鍵步驟在于訓(xùn)練ANN，理論上訓(xùn)練ANN數(shù)據(jù)點(diǎn)越多越好，但是在實(shí)際的試驗(yàn)中往往不能達(dá)到，通常是利用盡可能少的試驗(yàn)次數(shù)得到盡量多的試驗(yàn)信息。因此在訓(xùn)練網(wǎng)絡(luò)時(shí)，在有限信息中，合理的數(shù)據(jù)點(diǎn)分布對ANN訓(xùn)練的好壞起著重要的作用。理論上來說ANN訓(xùn)練所需的試驗(yàn)點(diǎn)應(yīng)該在空間分布均勻，且有足夠的代表性。利用正交設(shè)計(jì)、均勻設(shè)計(jì)和中心組合設(shè)計(jì)等得到的數(shù)據(jù)點(diǎn)一般都能符合上述條件，其中尤其是均勻設(shè)計(jì)得到的數(shù)據(jù)點(diǎn)最佳，因?yàn)樵谙嗤膶?shí)驗(yàn)次數(shù)下，均勻設(shè)計(jì)能考慮更多的因素和水平，而且均勻設(shè)計(jì)試驗(yàn)點(diǎn)的分布和代表性均優(yōu)于中心組合設(shè)計(jì)。因此，利用均勻設(shè)計(jì)的試驗(yàn)點(diǎn)來訓(xùn)練ANN，能得到更好，泛化能力更強(qiáng)的網(wǎng)絡(luò)模型[21-22]。

利用ANN-GA優(yōu)化食品工藝時(shí)，可以直接利用正交、均勻設(shè)計(jì)或者響應(yīng)面設(shè)計(jì)的實(shí)驗(yàn)數(shù)據(jù)建立ANN，然后利用GA直接尋優(yōu)，并不需要額外單獨(dú)的設(shè)計(jì)試驗(yàn)。因此將傳統(tǒng)的實(shí)驗(yàn)設(shè)計(jì)方法與ANN-GA相結(jié)合，提出了一種新的數(shù)據(jù)分析和處理方法。該方法能充分挖掘和利用試驗(yàn)設(shè)計(jì)數(shù)據(jù)的信息，得出的結(jié)論可以和常規(guī)的實(shí)驗(yàn)設(shè)計(jì)分析方法互相驗(yàn)證，可預(yù)見在以后的研究中，ANN-GA在食品工藝及配方優(yōu)化中將越來越發(fā)揮重要的作用。

：

[1]Ba■D,Boyacl I H.Modeling and optimization I：Usability of response surface methodology[J].Journal of Food Engineering,2007,78:836-845

[2]李琳,趙謀明,張黎.人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用[J].食品研究與開發(fā),2005,26(1):13-16

[3]Huang H.Applications of Artificial Neural Networks(ANNs)in Food Science[J].Critical Reviews in Food Science and Nutrition,2007,47:113-126

[4]Cheng J,Li Q S,Xiao RC.A new artificial neural network-based response surface method for structural reliability analysis[J].Probabilistic Engineering Mechanics,2008,23:51-63

[5]He L,Xu Y Q,Zhang X H.Medium factors optimization and fermentation kinetics for phenazine-1-carboxylic acid production by Pseudomonas sp.M18G[J].Biotechnol Bioeng,2008,100(2):250-259

[6]代志凱,張翠,阮征.試驗(yàn)設(shè)計(jì)與統(tǒng)計(jì)優(yōu)化及其在培養(yǎng)基優(yōu)化中的應(yīng)用[J].微生物學(xué)通報(bào),2010,37(6):894-903

[7]Bao Y,Mou M Z,Yue M J.Optimization of tyrosinase inhibition activity of ultrasonic-extracted polysaccharides from longan fruit pericarp[J].Food Chemistry,2008,110:294-300

[8]Koc1 A B,Heinemann P H,Ziegler GR.optimization of whole milk powder processing variables with neural networks and genetic algorithms[J].Food and Bioproducts Processing,2007,85(C4):336-343

[9]Izadifar M,Zolghadri M.Application of genetic algorithm for optimization of vegetable oil hydrogenation process[J].Journal of Food Engineering,2007,78:1-8

[10]Zhang Y,Xu J L,Yuan Z H,et al.Artificial neural network-genetic algorithm based optimization for the immobilization of cellulase on the smart polymer Eudragit L-100[J].Bioresource Technology,2010,101:3153-3158

[11]Tushar G,Mainak C,Anshu S.Comparative Study of Response Surface Methodology,Artificial Neural Network and Genetic Algorithms for Optimization of Soybean Hydration[J].Food Technol.Biotechnol,2010,48(1):11-18

[12]Zhu Y B,Zhang J H,SHI Z P.Optimization of Operating Conditions in Rice Heat Blast Process for Chinese Rice Wine Production by Combinational Utilization of Neural Network and Genetic Algorithms[J].journal of the institute of brewing,2004,110(2):117-123

[13]唐明,藏占鋒,邵偉.酵母抽提物干燥工藝節(jié)能優(yōu)化研究[J].現(xiàn)代食品科技,2010,26(2):167-169

[14]趙武奇,仇農(nóng)學(xué),王宏.蘋果渣多酚提取工藝的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化[J].食品科學(xué),2007,28(12):138-142

[15]曹晞,吳毅強(qiáng),李積華.人工神經(jīng)網(wǎng)絡(luò)-遺傳算法優(yōu)化酶法提取綠豆渣水溶性纖維素工藝研究[J].食品科技,2006,10:296-299

[16]周先漢,阮少鈞,成剛.基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的微波浸提過程優(yōu)化[J].食品科學(xué),2007,28(10):180-183

[17]肖連冬,許彬,臧晉,等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法研究啤酒糟不溶性膳食纖維的酶法脫脂工藝[J].食品科學(xué),2010,31(14):18-21

[18]趙武奇,殷涌光,仇農(nóng)學(xué).基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的紅景天苷緩釋微囊制備過程建模與優(yōu)化[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,34(11):106-110

[19]Nagata Y,Chu K H.Optimization of a fermentation medium using neural networks and genetic algorithms[J].Biotechnol Lett,2003,25（1）:1837－1842

[20]Wang J L,Wan W.Optimization of fermentative hydrogen production process using genetic algorithm based on neural network and response surface methodology[J].Int J Hydrogen Energy,2009,34:255－261

[21]Lin Z,Yi Z L,Jian H J,et al.Uniform design applied to nonlinear multivariate calibration by ANN[J].Analytica Chimica Acta,1998,370:65－77

[22]Cheng J,Li Q S.Reliability analysis of structures using artificial neural network based genetic algorithms[J].Comput Methods Appl Mech Engrg,2008,197:3742－3750