随着生物工程技术的迅速发展,生化工业在国民经济中的地位已越来越重要。但是由于生化反应过程机理复杂,具有非线性、时变性、模型的不确定性等特点,以及缺乏可靠的传感器用于过程变量的在线检测等原因,其自动化水平与其它工业生产过程相比还远未成熟。因此,寻求具有智能特征的新算法并应用于生化过程已成为相关学科的一个引人注目的研究方向,对于促进我国生化技术的发展,降低原材料和动力的消耗,提高经济效益有着及其重要的意义。本文以谷氨酸发酵过程为研究对象,对群体智能优化算法及其在生化过程中的应用进行了研究。首先对国际上目前的研究前沿量子粒子群优化算法进行理论研究,将量子谐振子势能场引入了粒子群系统,建立了粒子群算法的量子谐振子模型,并设计了一种参数控制方法。证明了量子谐振子粒子群算法(QOPSO)的收敛性能明显优于一般的粒子群算法。为了提高QOPSO算法的全局收敛能力,本文将一种自适应机制引入到QOPSO算法,进一步设计出了自适应的量子谐振子粒子群算法(AQOPSO),并取得了较好的性能测试仿真结果。为了验证QOPSO算法的实用性,本文将QOPSO算法与RBF神经网络相结合,并应用于谷氨酸发酵过程。通过智能优化算法对操作变量的优化,使得在满足生产要求的情况下,尽可能减少资源的消耗量,使谷氨酸的产量能有一定的提高。本文还将回归支撑矢量机SVM应用于生化变量参数预估,取得较好效果。有鉴于此,SVM方法可望开辟生化过程参数预报的新途径。由于量子谐振子粒子群算法QOPSO的收敛速度明显高于遗传算法(GA算法),且鲁棒性好,因而对于微生物发酵过程有着广阔的实际应用前景。