黄酮,具有抗氧化和抗癌的特性,药用价值巨大,在其医药用途的研究领域中对黄酮的需求量很大。但是桑黄在自然环境中非常罕见,从天然桑黄中萃取的黄酮数量无法满足医学研究的需要。黄酮类化合物是桑黄进行液体发酵的次级代谢产物,生物实验表明黄酮类化合物的产量主要与桑黄的培养条件有关,因此黄酮的培养环境优化成为了黄酮制取领域的一个重要问题。研究表明生物实验具有不可重复、复杂多样的特性,过程中存在众多不可控因素,这导致生物实验数据存在异常数据点和数据缺失的问题。本文采用了基于距离的聚类算法进行异常数据点检测和基于统计和方程回归的插值法进行数据扩充,实现桑黄液体发酵实验数据的预处理,为桑黄液体发酵培养环境的优化问题提供了前提条件。BP神经网络(Backpropagation Neural Network)是一种通过训练不断优化的非线性模型,可用于模拟多维非线性模型,在众多工程领域的优化问题中得到了充分的应用。本文根据桑黄液体发酵实验数据的特性提出了基于主成分分析算法的网络拓扑结构优化方法,实现了对网络输入节点的合并,解决了 BP神经网络模型训练不稳定和训练时间较长的问题,提高了模型预测的准确性。本文基于粒子群算法和遗传算法这两种寻优算法的优点提出了一种全新的寻优算法,结合改进的BP神经网络模型建立了桑黄液体发酵培养环境的优化模型。实验分析表明基于PCA的网络拓扑结构优化方法可以有效地提高BP神经网络模型的训练速度和预测准确度,模型的稳定性和效率都比较好。基于粒子群算法和遗传算法的新的寻优算法,相较于原始的两种寻优算法,有效减少了算法的空间复杂度和时间复杂度。另外通过数据模拟实验,获得了桑黄液体发酵的最佳培养条件,黄酮的产量相较之前有了明显提高,为下一步的生物实验提供了建设性意见,同时,为解决其他生物领域的问题提供了新的思路和方法。