基于狮群优化算法集成的XGB-ANN混合模型提升乳酸发酵产量预测与优化

本文创新性地将六种经典机器学习模型（XGB/SVR/RFR等）与人工神经网络（ANN）串联构建C-ANN混合模型，结合狮群优化算法（LOA）实现乳酸发酵参数智能优化。研究突破单一模型在有限数据下的精度瓶颈，XGB-ANN模型预测R2达0.9850，实验验证产量偏差仅4.72%，为生物制造领域提供高效建模新范式。

　　

Highlight

尽管机器学习（ML）在发酵工程中广泛应用，乳酸生产优化仍面临两大挑战：①经典模型在稀缺高维数据中预测精度有限；②单一人工神经网络（ANN）易过拟合。本研究通过构建经典-ANN（C-ANN）混合模型，结合狮群优化算法（Lion Optimization Algorithm, LOA），成功突破这些技术瓶颈。

Data collection

我们从近期文献中收集290组实验数据，涵盖三大类12种变量：①发酵底物（葡萄糖Glc、木糖Xyl等）；②发酵条件（酵母含量Yst、转速RPM、pH等）；③乳酸产量。通过小提琴图可视化分析，发现底物浓度分布范围广，暗示其对产量调控的关键作用。

Data analysis

采用箱线图和统计表对关键变量进行系统解析。图1a显示发酵底物与乳酸产量的动态关联，其中葡萄糖（Glc）与产量的强相关性尤为突出（p<0.001）。温度（T）和pH值呈现双峰分布，提示存在最优工艺窗口。

Conclusion

本研究开发的XGB-ANN混合模型将乳酸产量预测R2提升至0.9850，较单一XGB（0.9197）和ANN（0.9295）显著优化。SHAP分析揭示发酵时间（Time）是最关键产量决定因子，LOA算法实现81.21%预测得率，实验验证偏差仅4.72%。该成果为生物基材料（如聚乳酸PLA）的绿色制造提供智能解决方案。