通过改良遗传算法的方法优化发酵培养基英文翻译内容摘要：
培养基的成分，对于每一种成分的浓度的上下限如表 1所示。 随机挑选 12个实验中代表系统变量的第一代培养基的成分。 表 1。 不同介质成分 下上限的浓度和步骤 通过遗传算法和归纳 法优化 为了提高 GA（遗传算法）的效率，利用归纳法算出一个回归模型以。 利用归纳法（ Bratko， 1990)可以从过去的一系列实验中获取操作知识库。 这一操作知识库作为这一领域的模型，可以用作 GA的背景知识，还可以用来预测一个实验的结果。 因此，通常耗时费力的实际实验工作就能大为减少。 此外，实验结束时，根据给出的标准，我们不仅可能找到最佳的参数组合，还可以探索出有关特定领域问题的知识。 根据计算结果，一个预测生产率的回归模型将自动构建 (Haralic和 Cestnik，1991； Karalic， 1992年 )。 为了挑选下一代进行实验， C 达尔文二号 (Novacast， 1991) 应用 (Cestnik， 1992年 )于构建 GA的软件框架。 这个框架需要定义一个合适的操作程序。 我们的实验中，合适的操作程序包括两种条件： :第一， 模型预测的生产率应尽可能高，二 预测的实验应尽量不同于先前的实验。 该合适的操作程序定义如下 : Φ。 合适的操作程序， λ。 系数，它介于 0和 1之间并调节标准的相对重要性 ， Θ。 在先前实验的基础上利用归纳法推算出预测生产率的模型， Δ。 在。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。