大多数发酵工厂所应用的发酵参数(主要指温度、pH、溶解氧、补料速率)往往由经验或经典的试验数据而来，并将其作为单一给定值控制整个发酵过程，这容易造成发酵单位低且波动性大。实现发酵过程的最优控制不但能够稳定生产，而且能够提高发酵单位，即以不变的投入创造更高的产量，具有显著的应用价值和经济价值。对于新投产的项目(新菌种、新培养基配方、新生产装置)，最优控制更具有实际价值，可以缩短试验时间和降低试验成本。 本文以微生物发酵过程为研究对象，建立了基于SOFM和动态ε-SVM的模型，基于此模型对整个发酵过程进行优化控制。所取得的主要研究成果如下： (一)基于支持向量机的发酵过程建模方法 由于发酵过程的非线性、时变性和生物传感器的缺乏以及各参数之间的严重关联，经典系统理论几乎不能为复杂的发酵过程建立合适的模型。本文分别提出了基于人工神经网络(ANN)和支持向量机(SVM)的建立微生物发酵过程黑箱预估模型的方法。利用工厂的实际生产数据，建立了两类模型，并对模型的性能进行了分析和比较。实验证明，SVM在拟合精度和泛化能力方面优于ANN建模方法。然而，经过理论分析和实验发现，标准回归型SVM在核函数的选择和SVM参数的选择方面存在不足。 (二)改进型MOGA选择SVM参数的方法 现有选择SVM参数的方法不但费时而且很难找到最优参数，迫切需要一种能够自动、高效地确定SVM参数的方法。多目标遗传算法(MOGA)虽然能够自动确定参数值，但是其本身所固有的易陷入局部极小和收敛速度慢的缺陷影响了它的应用。本文采用实数编码方式代替二进制编码方式；采用规范化几何秩选择法代替轮盘赌选择方法，并引入了精英选择策略；采用算术交叉算子代替简单交叉操作；采用多重非均匀变异代替二进制变异，得到了改进型MOGA。提出了改进型MOGA选择SVM参数的方法，将此方法应用于建立青霉素发酵效价预估模型，并对适应度函数和权重因子的选择进行了讨论。通过实验得出，改进型MOGA在运算速度、收敛性能和模型预测能力方面比实验方法和标准MOGA方法有了较大提高。 (三)基于SOFM和动态ε-SVM的发酵过程建模方法 由于发酵过程的不同阶段具有不同特性，很难用单个全局模型准确描述此系统。在优化控制过程中，需要在不同的阶段设置不同的优化目标。因此，应该采用多个局部模型描述发酵过程。标准回归型SVM所有训练样本都使用相同的ε，这将影响模型的泛化能力和训练时间，所以提出动态ε-SVM，即不同样本使用不同的ε，采用相对误差率p表征动态ε。因此，形成了一种自组织特征映射(SOFM)和动态ε-SVM相结合的发酵过程建模方法，首先利用SOFM神经网络对样本进行聚类，然后应用动态ε-SVM方法对各类样本进行回归建模。实验结果表明，该方法建立的青霉素发酵过程模型比使用其它SVM方法建立的模型具有更强的泛化能力。 (四)基于SOFM和动态ε-SVM发酵过程模型与RAGA相互耦联的优化控制策略 针对标准遗传算法所存在的早熟收敛、收敛速度慢等不足，提出了基于实数编码的自适应遗传算法(RAGA)。该算法从编码方式、初始种群生成和遗传算子等方面改进了标准遗传算法。对典型复杂函数的测试结果显示，该算法比标准遗传算法在全局收敛性和收敛速度等方面具有较大程度的提高。提出了基于SOFM和动态ε-SVM发酵过程模型与RAGA相互耦联的优化控制策略。以青霉素发酵过程效价预估模型为适应度函数，该策略寻优得到了最优控制作用。实验结果显示，采用优化控制的青霉素发酵过程的效价能够提高22.88％。 本文的研究工作对于促进最优控制在微生物发酵领域的应用和发展具有积极的意义，对于发酵厂的生产实践具有指导意义和参考价值。