发酵过程是一种复杂的生物、物理、化学变化过程。随着社会的发展,发酵工业越来越引起人们的重视,发酵工业生产规模也不断扩大。提高产品质量,降低能耗,降低生产成本,对现今大规模发展的发酵工业具有重大的意义。对发酵工业而言,发酵过程的建模和优化是势在必行的。发酵过程的建模是发酵工程的一个基本问题,它是为发酵过程的控制和优化服务的,准确的模型有利于得到更好的控制策略和优化方法。近年来,一些新颖的优化算法,如人工神经网络、遗传算法及群体智能算法等,通过模拟或揭示某些自然现象或过程而得到发展,其思想和内容涉及数学、生物进化、人工智能、神经科学和量子统计学等方面,为解决复杂工程问题提供了新的思路和手段。本文针对微生物发酵过程的建模问题,以谷氨酸发酵过程为研究对象,采用支持向量机回归算法建立软测量模型,对发酵过程中的三个重要变量进行预测。标准的支持向量机学习算法问题可以归结为一个受约束的二次型规划问题。本文针对支持向量机大规模训练中算法收敛速度慢、复杂程度高等问题,提出利用求解带约束问题的粒子群算法(LPSO)求解其中的二次规划问题,针对LPSO算法中的早熟收敛问题,提出了一种基于聚类分析的粒子群算法(CLPSO)算法。CLPSO算法保证了微粒种群的多样性,使微粒能够有效地进行全局搜索。实验和仿真结果表明,利用CLPSO训练的支持向量机软测量模型能够较准确的输出估计值。