微生物多糖是在食品和工业生产中具有重要应用价值的大宗发酵产品。在我国节能减耗压力日益增大和微生物多糖市场销售竞争愈发国际化的背景下,如何通过优化发酵工艺来提高微生物多糖的发酵效价进而实现节能、减排和增效,最终提高我国微生物多糖产业在国际市场的竞争力,已成为计算机和控制领域专家亟需解决的问题。微生物多糖发酵是典型的高耗氧过程,这就决定了溶氧是关键的控制变量。因此,如何基于多批次发酵数据建立发酵过程动力学模型,并实现发酵过程中关键控制变量—溶氧的最优控制,成为强化微生物多糖合成的关键。建立精确的发酵过程动力学模型是发酵控制系统设计、自适应及自学习控制以及仿真的重要前提和基础。模型参数辨识技术是获取精确的发酵动力学模型的重要手段之一。这就需要针对微生物多糖发酵过程建立精准的发酵动力学模型,并根据模型的特点选择合适的参数辨识方法,使模型计算值与实验数据的误差值降到最低。在以上背景下,本文以微生物多糖热凝胶菌株Agrobacterium sp.ATCC31749的发酵过程为研究对象,首先提出一个收敛速度、寻优精度和稳定性等方面性能均较优的改进鸟群算法;然后建立一种基于模糊加权最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和机理模型相结合的混合模型,同时利用改进鸟群算法对模型参数进行求解,并对混合模型进行寻优,获得最优溶氧控制策略;最后设计一套发酵控制系统,并将优化的溶氧控制模型用于农杆菌ATCC31749发酵过程实验,来验证本研究所建立模型的有效性。具体研究内容如下:(1)针对鸟群算法在解决高维非线性复杂函数时存在着的收敛速度慢、易陷入局部最优、整体稳定性较差的缺点,提出一种改进鸟群算法。通过对原鸟群算法中的学习系数进行非线性调整,且当鸟类保持警戒行为并试图移动到种群中心时用莱维飞行公式替换鸟类位置更新公式,以及在寻优过程中当算法最优解保持不变时对最优解加入混沌扰动并用模拟退火算法再次寻优的三种方式对鸟群算法进行改进。实验仿真结果表明,改进鸟群算法在收敛速度、寻优精度和稳定性等方面的性能优于原鸟群算法、改进差分进化算法和改进粒子群优化算法。(2)利用改进鸟群算法对农杆菌ATCC31749发酵过程动力学模型参数进行求解,并与经典鸟群算法、改进差分进化算法和改进粒子群算法等群智能算法进行对比,结果表明,改进鸟群算法的寻优精度和稳定性有着显著优势,更适合用于对农杆菌ATCC31749发酵过程动力学模型的参数进行辨识。(3)针对传统的农杆菌ATCC31749发酵动力学模型计算精度不高的问题,本文通过添加模糊加权思想和混合核函数方法对LSSVM算法进行优化,利用优化后的LSSVM算法求解农杆菌ATCC31749发酵过程动力学模型来建立混合模型。首先,建立农杆菌ATCC31749发酵过程动力学模型,然后分别用溶氧浓度为15%、30%、45%、60%和75%的实验数据进行训练,利用改进鸟群算法寻找不同溶氧浓度下的最优参数值,分析出溶氧浓度与模型参数之间的关系。接着,以溶氧浓度作为输入变量建立由溶氧浓度预测发酵产物浓度的模型。最后,将所建混合模型应用到农杆菌ATCC31749发酵的仿真实验中,以多糖产物浓度最大化为目标,再次利用改进鸟群算法寻找最优解,获得最优溶氧浓度控制曲线。(4)为了验证所优化的溶氧控制模型的精准性和有效性,开发了发酵过程数据采集与控制系统,以开发的软件为控制软件,利用优化获得的溶氧控制曲线为控制策略,对农杆菌ATCC31749发酵实验的溶氧进行了控制,实验结果表明,凝胶多糖产量达到46g/L,比传统发酵45%DOT条件下高出将近10g/L,验证了文中所建立模型的有效性。