遗传与细菌觅食混合优化算法及在白酒品质分析中的应用

技术领域

本发明涉及白酒品质定量缝隙技术领域，具体涉及遗传与细菌觅食混合优化算法及在白酒品质分析中的应用。

背景技术

白酒提高香气，通过固态高温发酵阶段-采用带陶粒球的陶瓷窖进行发酵，使得白酒中的乙醇分子排列逐渐规整，降低乙醇分子的活度，使得白酒口味更加绵软、柔和；同时在白酒中加入苹果汁，使得苹果汁发酵产生的醋酸与白酒中溢出的乙醇发生酯化反应，生成新的产物酯，将白酒中的醇类转变为带香味的酯香，其香气馥郁；充分利用果实中纤维素的吸附和氧化作用，不仅吸附了原基酒中的甲醇、甲醛等有害物质，更产生了乙酸乙酯、乳酸乙酯、已酸乙酯、丁酸乙酯等香类物质来丰富白酒口感的醇香。

上述工艺从底层技术满足提升白酒特别是高档白酒香型品质的需求，但这一传统工艺需进行定性定量分析，则需要一系列分析手段完成。目前可能涉及以下算法进行分析。

一、标准的细菌觅食优化(BFO)算法

细菌觅食行为通常包含以下四步：

步骤一、对附近区域进行搜索，判断是否存在食物源；

步骤二、根据步骤一中的判断，决定是否进去此区域，若进入则执行步骤三，否则进入新区域搜索食物源；

步骤三、在进入的区域内对食物源进行搜索；

步骤四、当选定区域内的食物被消耗到一定程度，考虑是开辟新的区域搜索食物源还是留在此区域内继续觅食。

通常，细菌可能遇到两类区域：

一是遇到食物丰富型的区域时，细菌会在此区域停留并进行觅食，一段时间后，该区域可能变成食物匮乏型区域，此时细菌会通过鞭毛的快速移动去寻找新的食物源；

二是当遇到食物匮乏型区域时，细菌会凭借自身觅食经验，朝着可能存在丰富食物源的方向移动。

标准的细菌觅食优化(BFO)算法如下：

1.趋向操作

游动和翻转是大肠杆菌觅食过程中的两个基本动作，两种运动的主要区别在于翻转是为了寻找新的方向，而游动则保持运动方向不变。这两种基本运动构成了BFO算法中的趋向性操作。趋向性的具体操作步骤：一是、细菌在随机方向上游动；二是、计算当前所在方向的适应度值，并与之前的适应度值作比较，若当前适应度值更高，则朝着该随机方向游动，否则执行翻转行为，选择其它随机方向游动；当某个细菌个体达到最大趋向性操作次数时，停止该个体的趋向性操作，执行下一个细菌个体的趋向性操作。假设P(i,j,k,m)是第i个细菌在第j次趋向性操作、第k次复制操作和第m次迁徙操作后的位置；C(i)是第i个细菌在随机方向上游动的单位步长；

C(i)取值越大，算法的全局搜索能力越强；C(i)取值越小，则算法的局部搜索能力更显著；C(i)的选择取决于自适应值的大小。

上式中，S表示细菌种群的大小；θ

J

J(i,j+1,k,m)＝J(i,j,k,m)+J

2.复制操作

细菌觅食过程中，那些寻找食物能力强的细菌保留，并将其进行复制；淘汰掉那些觅食能力弱的细菌。这种优胜劣汰过程在BFO算法中称之为复制操作。BFO算法的复制操作步骤如为：对种群中每个细菌个体的适应度值进行降序排列，淘汰掉适应度值较小的一半个体，保留并复制剩下适应度值较大的细菌个体，保持种群总数不变。

3.迁徙操作

细菌所处的环境随时都在发生变化-如食物从丰富到匮乏的渐进变化，或温度骤升剧烈变化，这两种环境可变性使细菌去其它区域觅食或者直接被杀死。我们称由环境变化引起的细菌种群变化现象在BFO算法中称为迁徙操作。

迁徙操作虽然破坏了细菌的趋向行为，但它增大了细菌找到另一个充满丰富食物区域的可能性，从长远看，有利于细菌的繁殖。经过几代的复制操作后，细菌以一定的概率P

BFO算法的主要操作步骤如下所示：

Step1对算法中趋向操作次数N

Step2迁徙操作：m＝m+1；

Step3复制操作：k＝k+1；

Step4趋向操作：j＝j+1；

1)第i个细菌趋向一步，i＝1，2，…S；

2)计算第i个细菌的适应度值J(i，j，k，m)；

令J(i，j，k，m)＝J(i，j，k，m)+J

3)令J

4)执行翻转操作：根据式(1)和(2)新细菌位置；

5)执行游动操作：若得到的当前位置的适应度值优于上一步的适应值，则细菌在该方向上继续游动，直到达到游动次数最大值N

Step5若J＜N，则返回Step4继续执行趋向操作，否则进入Step6；

Step6进入复制操作循环：将每个细菌在趋向操作中的适应度值累加作为每一个细菌的总能量值，对所有细菌的总能量值进行降序排列，剔除总能量值较差的S/2个细菌，保留并复制剩下的S/2个细菌，保持种群数量不变；

Step7若k＜N，则返回Step3继续执行趋向操作，否则进入Step8；

Step8进入迁徙操作循环：每个细菌个体都获得一个随机概率P

Step9判定是否达到终止条件，若满足终止条件，则将结果输出，否则返回Step4继续执行趋向操作直到满足终止条件。

BFO算法的整体操作流程图如图1所示。

为了提高传统细菌觅食优化算法(BFO)的寻优能力，分别对算法的趋向操作、复制操作和迁徙操作进行了改进。

二、改进BFO算法

1.趋向操作的改进

在BFO算法的趋向操作中，很大的趋向步长C可以使细菌很快达到最优点附近，但一直在最优点附近移动，不能取得很高的精度；如果趋向步长设置的很小，则需要经历很多次趋向操作才能达到最优点，使收敛速度降低，且对于少量迭代，算法可能无法达到最佳位置。因此，对BFO算法趋向操作的改进转变成了主要是对固定趋向步长C的改进。

我们引入一种新的非线性递减自适应步长，定义如下：

C＝C

式中，C

2.复制操作的改进

BFO算法复制操作的改进——要对每个细菌个体总的适应度进行排序，淘汰掉适应度较差的一半个体。个体总的适应度是个体经过所处位置适应度值的累加，表示的是细菌经历的历史最优值，这种机制不能确定最优细菌个体在下一代中保留。考虑到细菌当前的位置信息能更好地反映细菌的觅食能力，本发明对算法中的复制操作进行了改进，对细菌当前的适应度值进行排序，复制适应度值较好的一半个体，淘汰掉适应度较差的另一半个体。

在复制操作中，虽然种群数量保持不变，却以牺牲种群多样性为代价，增大了算法陷入局部最优点的概率。为了丰富种群多样性，提高算法的全局搜索能力，在复制操作中引入了变异操作，对应的变异概率定义如下：

式中，t

N

3.迁徙操作的改进

迁徙操作有助于算法跳出局部最优解，增大寻到全局最优解的概率。但是，固定的迁徙概率存在以下问题：当种群进化停滞时，为了防止算法陷入局部收敛，必须执行迁徙操作；除此之外，迁徙操作是一个概率事件，必然会导致误操作，从而降低种群的进化速度；当种群进化较快时，过快的搜索速度会降低算法的优化精度，此时不需要执行迁移操作。鉴于此，提出一种分段式迁徙概率，如下所示：

式中，m

从图2可以看出，当f很小时，整个种群中的菌体几乎都经历变异操作，此时算法具有较强的全局搜索能力，能够使菌体在解空间中进行大范围搜索，降低了陷入局部极值点的概率；随着f逐渐变大，表明此时的种群进化速度在加快，逐渐较少变异的菌体数量，增强算法的局部搜索能力，提高菌体的搜索精度；当f很大时，说明菌体的搜索速度很快，此时没有必要执行变异操作。

经改进的BFO称IBFO，其算法流程如下：

Step1对算法中趋向操作次数N

Step2迁徙操作：m＝m+1；

Step3复制操作：k＝k+1；

Step4趋向操作：j＝j+1；

第i个细菌趋向一步，i＝1，2，…，S；

计算第i个细菌的适应度值J(i，j，k，m)；

令J(i，j，k，m)＝J(i，j，k，m)+J

3)令J

4)执行翻转操作：根据式(1)和(2)更新细菌位置；

5)执行游动操作：若得到的当前位置的适应度值优于上一步的适应值，则细菌在该方向上继续游动，直到达到游动次数最大值N

Step5若J＜N

Step6进入复制操作循环：对每个细菌当前的适应度进行降序排列，剔除适应度值较差的S/2个细菌，保留并复制剩下的S/2个细菌，保持种群数量不变；与此同时，根据式(2)和(3)执行变异操作；

Step7若k＜N

Step8进入迁徙操作循环：每个细菌个体都获得一个随机概率P

Step9判定是否达到终止条件，若满足终止条件，则将结果输出，否则返回Step4继续执行趋向操作直到满足终止条件。

在经典BFO算法中，离散且固定的量子旋转角不能反映解空间的基本情况，限制了种群多样性的增加。

发明内容

针对现有技术的不足，本发明提供了一种遗传与细菌觅食混合优化算法及在白酒品质分析中的应用，旨在解决的技术问题之一是：在经典BFO算法中，离散且固定的量子旋转角不能反映目标解空间的基本情况，限制了种群多样性的增加的技术问题。

为实现以上目的，本发明通过以下技术方案予以实现：

一种遗传与细菌觅食混合优化算法，包括：

对遗传量子旋转角进行修正，能够使量子旋转角自适应、连续地更新，以实现对解空间进行全面地搜索，快速找到全局最优解，定义如下：

M

M

θ＝M

其中，

为了更好地实现本发明，进一步的技术方案是：

可选地，还包括：

引入概率幅修正因子对遗传量子旋转门更新后的概率幅进行修正，以提高菌群的多样性和提升建立算法的全局搜索能力，概率幅修正因子定义为：

式中，γ是一个远小于1的正数(0＜γ＜＜1)，|q

可选地，还包括：

定义一个最优旋转角修正概率R

式中，θ

可选地，包括以下一种或几种搜索方法：

直接法，当目标函数结构复杂或者不能用变量显函数描述时，采用直接搜索的方式经过若干次的迭代搜索到最优点；

解析法，在搜索过程中主要依据目标函数的解析性质的梯度方向来确定下一步搜索的方向。

渐近寻优法，在随机产生初始解基础上，通过反复迭代，使新一代目标解的结果优于上一代，使之深化逐步得到最优解；

随机法，以直接法为基础，利用概率指导搜索方向，逐渐逼近目标，使其能充分利用群体全局信息和个体局部信息协同寻优，达到整体寻优搜索能力。

可选地，算法的进化过程包括：

初始化细菌觅食优化算法，将定义域均匀分成n等份，将b只细菌觅食分别放置在其中。

细菌觅食在自己的领域内进行随机搜索，若搜索到新的位置x，在该位置的函数值比原函数适应性更强，则用新位置取代旧位置，否则维持原状。设定每只细菌局部搜索的最大迭代次数M，r(r为不小于被均分成的小定义域的半径)随着迭代次数逐步缩小；

若菌体经过M次迭代以后仍旧没有找到更好的解，则菌体就转移至旧位置和新位置x以外的菌体位置处；

全局搜索结束后，对信息素强度进行更新，更新规则为：

其中，ρ为动态挥发因子(0＜ρ＜1)，

式中，k＝0.2，e为自然常数(自然底数)，log(9)E

可选地，所述菌体就转移至新的位置处的转移概率为：

式中，τ

可选地，实现步骤包括：

步骤1：初始化中每一个菌体的当前位置，根据拟优化问题的实际情况设置菌体个数n，搜索每个菌体的历史最优位置；

步骤2：初始化菌群，让每只细菌的初始位置为各个细菌的历史最优位置；

步骤3：对细菌觅食优化算法信息素浓度进行初始化；

步骤4：每只细菌在它的半径为r的邻域内进行随机搜索，若搜索到比当前目标解适应度更好的解，则用新解的位置代替原来解的位置，否则保持原来的位置不变；

步骤5：如果在局部搜索中找不到更优秀的解，则转而开始进行全局搜索；

步骤6：细菌完成一次全局搜索后缩小细菌的搜索半径；缩小搜索半径为上次半径的0.95倍,并按照转移概率

步骤7：判断是否达到最大迭代次数，不满足则转到步骤4；

步骤8：输出最优解。

本发明还可以是一种遗传与细菌觅食混合优化算法的应用，其采用上述内容部分中的遗传与细菌觅食混合优化算法对白酒香型品质的定量分析。

与现有技术相比，本发明的有益效果之一是：

本发明的遗传与细菌觅食混合优化算法及在白酒品质分析中的应用，其弥补了高通量DNA测序数据提取、LEfSe分析的多目标整寻优的缺陷，突破白酒酿制中，固态发酵菌群转化各类风味物质优势度呈反复推高的、整体寻优的技术瓶颈，深度挖掘并揭示传统窖池和陶坛窖池结合发酵、促进各有益菌群优势度两次推高的变化规律，定量剖析白酒发酵有益菌群多样性及白酒各香型微生物代谢作用贡献度，掌握尚未发现的微生物代谢作用以及有限的菌群发酵调控措施，为中高档白酒开发与生产提供强力技术支撑。大大促进提升酒品质量效益。

本发明通过改进的遗传量子旋转角，能够使量子旋转角自适应、连续地更新，为了避免量子门更新过程中不变解的出现，在初始化过程中对最优旋转角进行了修正，引入的概率幅修正因子对概率幅进行修正，不仅丰富了种群的多样性，而且提高了算法的全局寻优的搜索能力。本算法具有：1)结构简单，易于实现；2)克服单一的群智能优化算法均有的局限性：搜索精度不高、收剑速度慢；3)克服单一的群智能优化算法的性能受参数影响较大、容易陷入局部最优的缺陷。

附图说明

为了更清楚的说明本申请文件实施例或现有技术中的技术方案，下面将对实施例或现有技术的描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅是对本申请文件中一些实施例的参考，对于本领域技术人员来讲，在不付出创造性劳动的情况下，还可以根据这些附图得到其它的附图。

图1为BFO算法流程示意图。

图2为变异概率随f变化的曲线示意图。

图3遗传与细菌觅食混合优化算法流程图。

图4为函数1的三维示意图。

图5为函数2的三维示意图。

图6为函数3的三维示意图。

图7为白酒发酵真菌各群落优势度变化规律示意图。

图8为浓香型白酒发酵过程中酵母群落的主要菌群优势度变化规律示意图。

图9(a)为细菌数量变化规律示意图，图9(b)为乳酸菌数量变化规律示意图，图9(c)为芽抱杆菌数量变化规律示意图，图9(d)为莓菌数量变化规律示意图，图9(e)为酵母菌数量变化规律示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

一种遗传与细菌觅食混合优化算法：

在经典BFO算法中，离散且固定的量子旋转角不能反映目标解空间的基本情况，限制了种群多样性的增加。因此，本发明提出了一种改进的遗传量子旋转角，能够使量子旋转角自适应、连续地更新。为了避免量子门更新过程中不变解的出现，在初始化过程中对最优旋转角进行了修正。引入的概率幅修正因子对概率幅进行修正，该因子不仅丰富了种群的多样性，而且提高了算法的全局搜索能力。

1.初始更新

假设种群大小、染色体长度和种群分别用S、N和

在遗传与细菌觅食优化(GABFO)算法中，将2SN个概率幅的初始值设为

式中，θ

2.概率幅修正因子

为了进一步提高菌群的多样性，提升建立算法的全局搜索能力，引入概率幅修正因子对遗传量子旋转门更新后的概率幅进行修正。概率幅修正因子定义如下：

式中，γ是一个远小于1的正数(0<γ＜＜1)，|q

3.遗传旋转角修正

设θ

M

M

θ＝M

其中，

4.GA-BFO算法最优化问题

GA-BFO算法最优化问题通常可以表示为：

minf(x)(x

其中f(x)为目标函数，x＝(x

定义1：设f(x)为目标函数，S为可行域，若存在X

A＝{X|||X-X

使得对每个X∈Y∩A，f(X)≥f(X

定义2：设f(X)为目标函数，Y为可行域，X∈Y，若存在可行解X

各种优化问题可采取不同的优化方法求解，按照搜索策略不同，搜索方法主要分为以下几种：

直接法，当目标函数结构复杂或者不能用变量显函数描述时，采用直接搜索的方式经过若干次的迭代搜索到最优点；

解析法，在搜索过程中主要依据目标函数的解析性质的梯度方向来确定下一步搜索的方向。

渐近寻优法，在随机产生初始解基础上，通过反复迭代，使新一代目标解的结果优于上一代，使之深化逐步得到最优解；

随机法，以直接法为基础，利用概率指导搜索方向，逐渐逼近目标，使其能充分利用群体全局信息和个体局部信息协同寻优，达到整体寻优搜索能力。

5.GA-BFO算法路径

与传统BFO算法相比，改进后GA-BFO算法的进化方程为：

(1)初始化细菌觅食优化算法，将定义域均匀分成n等份，将b只细菌觅食分别放置在其中。每只细菌都有一个半径为r(r不小于被均分成的小定义域的半径)的领域。

(2)细菌觅食在自己的领域内进行随机搜索，若搜索到新的位置x，在该位置的函数值比原函数适应性更强，则用新位置取代旧位置，否则维持原状。设定每只细菌局部搜索的最大迭代次数M，r随着迭代次数逐步缩小。

(3)若菌体经过M次迭代以后仍旧没有找到更好的解，则菌体就转移至旧位置和新位置x以外的菌体位置；转移概率为：

式中，τ

(4)全局搜索结束后，对信息素强度进行更新，更新规则为：

其中，ρ为动态挥发因子(0＜ρ＜1)，

式中，k＝0.2，e≈2.718281828为自然常数(自然底数)，log(9)E

遗传与细菌觅食混合优化算法的实现分成三个阶段：

(1)采用GA对解空间进行初步搜索；

(2)利用第一阶段GA搜索得到的最优解对菌体的位置和信息素强度进行初始化。

(3)采用改进的细菌觅食算法对解近一步进行搜索，求得最优解。

混合算法实现步骤为：

步骤1：初始化GA中每一个菌体的当前位置，根据拟优化问题的实际情况设置菌体个数n，应用GA搜索每个菌体的历史最优位置；

步骤2：初始化菌群，让每只菌体的初始位置为各个菌体的历史最优位置，即X

步骤3：对细菌觅食算法信息素浓度进行初始化；

步骤4：每只细菌在它的半径为r的邻域内进行随机搜索，若搜索到比当前解适应度更好的解，则用新解的位置代替原来解的位置，否则保持原来的位置不变；

步骤5：如果在局部搜索中找不到更优秀的解，则转而开始进行全局搜索；

步骤6：细菌完成一次全局搜索后缩小细菌的搜索半径，缩小搜索半径为上次半径的0.95倍，并按照转移概率

步骤7：判断是否达到最大迭代次数，不满足则转到步骤4；

步骤8：输出最优解；

详见图3

测试函数与算法性能测试分析：

因本发明要解决多维菌群寻优，解决高档白酒中香型多微量物质寻优问题，为验证GA-BFO算法的性能，进行复杂实例运算，并和相关文献作对比分析，选用的函数都是寻优难度非常大的多峰经典测试函数。

GA-BFO算法在没有特别说明的情况下选取如下的操作参数：设遗传和细菌觅食的个数n＝20，迭代次数为100次，收缩-扩张系数α＝0.9，先用改进的BFO迭代30次进行初步搜索。设GA-BFO算法参数α＝β＝1，γ＝0.6，每次迭代完一次后的半径为0.95r，局域搜索最大次数

测试函数1：

该函数在(x

图3为函数1的三维图，与其它算法的性能比较测试结果见表1。

表1测试函数1下GA-BFO和其它算法的性能比较

测试函数2：

该函数在(x

图4为函数2的三维图，与其它算法的性能比较测试结果见表2。

表2测试函数1下GA-BFO和其它算法的性能比较

测试函数3：

此函数有两个极大值点。

(x

图5为函数3的三维图，与其它算法的性能比较测试结果见表3。

表3测试函数1下GA-BFO和其它算法的性能比较

注：实验次数为20次；搜索域为[-100，100]，BFO的参数为：w＝0.85；C

由上面的表中的数据可知，在相同的蚁群规模下，本文的GA-BFO只以很少的迭代次数，BFO算法较优，IBFO优，GA-BFO最优；得到的搜索结果均优于BFO和IBFO(改进的细菌觅食算法)算法，GA-BFO算法在精度上和收敛速度上都有很优越的表现，克服了搜索时间过长的问题。但是随着定义域的增大，迭代次数会随之增加，从而影响了搜索的收敛速度。

GA-BFO算法用于白酒发酵菌群寻优：

1.白酒固态发酵菌群及酒体中微生物成份剖析

为满足提升白酒特别是高档白酒香型品质的需求，采用遗传与细菌觅食混合优化算法(GA-BFO)、弥补高通量DNA测序数据提取、LEfse分析的多目标整寻优的缺陷，用群智能优化算法中的遗传与细菌觅食混合优化算法的结构简单、搜索精度高、收剑速度快、易于实现整体寻优目标这一优势；突破白酒酿制中，固态发酵菌群转化各类风味物质优势度呈反复推高的、整体寻优的技术瓶颈，深度挖掘并揭示传统窖池和陶坛窖池结合发酵、促进各菌群优势度两次推高的变化规律，定量剖析白酒发酵有益菌群多样性及白酒各香型微生物代谢作用贡献度，掌握尚未发现的微生物代谢作用以及有限的菌群发酵调控措施，为中高档白酒定制开发与生产提供强力技术支撑。

因地域、季节、环境及生产工艺的等集成环境差异，产生白酒酿酒品质出现很大差异。其中固态发酵中有益菌群对白酒品质起决定性作用，从已有研究成果表明主要有：曲霉菌、枯草芽抱杆菌、酵母菌、糖化菌、乳酸菌五大类。目前已有研究证明原酒及菌株发酵液挥发性风味物质中常见的有酯类33种，醇类11种，酸类9种，还有其他6种：2-庚酮，糠醛、壬醛二乙缩醛，4-甲基苯酚、2,6-二叔丁基对甲酚、4-甲基苯酚。

为提高白酒乃至高档白酒的品质，基于提取的测序数据和LEfse分析信息，采用遗传与细菌觅食混合优化(GA-BFO)算法获得下列实验数据结果。我们通过15份浓香型白酒大曲所检测到的393个真菌OTU隶属于6个门19个纲和117个属。其一、6个门为：子囊菌门、毛霉门、球囊菌门、担子菌门、被孢霉门、罗兹菌门。而子囊菌门在15份大曲中相对丰度较高，达到67.98％～99.48％，毛霉门在样品N-9(26.98％)、N-11(14.62％)和N-6(11.13％)中相对丰度较高，其余门相对丰度较低。其二，在纲分类上，共有19个纲被检测到，将相对丰度＜1％及无法归类的纲合并为其余纲；15份大曲样品中，酵母纲和散囊菌纲的相对丰度较高，二者相对丰度之和达到58.8％～99.1％。另外，粘液菌(毛霉菌门)在样品N-9(26.98％)、N-11(14.62％)、N-6(11.13％)中也占有较高相对丰度，其余纲相对丰度较低。其三，在属分类水平上，共检测到117个真菌属，将相对丰度＜1％及无法归类的属合并为其余类型。15份大曲样品中真菌菌群出现明显差异。样品N-1、N-4、N-11中以嗜热类真菌的热子囊菌属、嗜热真菌属为主，相对丰度较高，两者相对丰度之和达45.6％～31.3％，同时还含有一定量的覆膜孢酵母属(18.7％～40.4％)和曲霉属(5.4％～22.4％)。样品N-3、N-10、N-13、N-6和N-14则主要以酵母类的覆膜孢酵母属和毕赤酵母属为主，两者相对丰度之和达到46.4％～83％。样品N-5、N-12、N-15、N-7中曲霉属相对丰度较高，能够达到50％～89.3％。样品N-9中丝状真菌相对丰度较高，曲霉属和根毛霉属相对丰度之和达56.6％。样品N-2主要以酵母类的威克汉姆酵母属和酵母属为主，相对丰度之和达到56.9％。样品N-8以酵母类的耐碱酵母属和双足酵母属为主，相对丰度之和能够达到59％。结果表明，虽然15份大曲样品门分类和纲分类较为一致，但真菌属组成存在较大的差异，丝状真菌类的、曲霉属、根毛霉属以及酵母类的酵母属、覆膜孢酵母属、毕赤酵母属、威克汉姆酵母属、耐碱酵母属和双足酵母属在不同大曲样品中相对丰度较高。在白酒酿造过程中，丝状真菌往往能够分泌多种酶类将原料中的淀粉、脂肪等降解，为酒醅的后期发酵提供多种前体物质。如曲霉属能够产生淀粉酶、蛋白酶等，是白酒发酵中淀粉等大分子物质分解的主要动力之一。根毛霉属具有较强的产脂肪酶能力。嗜热菌属和嗜热囊菌属同属于嗜热真菌类，能够生成具有更高热稳定性的木聚糖酶、脂肪酶等多种工业用酶类。横梗霉属具有产α-淀粉酶、葡萄糖苷酶、纤维素酶和半纤维素酶的能力。与丝状真菌相比，酵母类真菌在产香、产酒等方面具有较强作用，酵母属是白酒酿造过程中的优势酵母属之一，能够产生多种风味酯并贡献乙醇和其他有机酸。毕赤酵母属、覆膜孢酵母属、假丝酵母属是大曲成熟过程中的优势菌属之一，在白酒酿造中具有潜在的风味贡献功能，其中覆膜孢酵母属具有较高的淀粉酶和糖苷酶活性，能将淀粉或多糖降解为低分子质量糖，最终水解为葡萄糖，在发酵前期起着至关重要的作用，同时覆膜孢酵母属还能够生成较多的多元醇，能够提高白酒纯甜感，改进白酒后味。威克酵母属能够将原料中的前体物质转化成酯、酸、醇、醛等风味物质，对白酒风味形成有重要作用。

2.浓香型白酒酿制菌群整体寻优实验

本发明通过遗传与细菌觅食混合优化(GA-BFO)算法同变性梯度胶体电脉图谱解析的主要菌群优势变化规律(图7)结果发现：1号菌群和4号菌群所代表的酵母类群，在培菌期第10天才开始检验出结果，二者在储藏期40至70天均保持较高的优势度，最高达到20.63％和23.31％，而在储藏期后期优势大幅下降，说明1和菌群4号菌群所代表的酵母类群可能在大曲堆积储藏期发挥着重要作用。9号菌群所代表的酵母类群在进入40天达到第一优势度14.92％后到储藏期才有最大优势度19.31％其变化幅度也较大。另外，9号菌群和13号菌群所代表的酵母类群，在10天才能检验出结果，13号菌群培菌期和储藏期优势度较高分别达到21.55％和28.76％，其优势度波动范围较大，之后呈下降趋势，最终稳定在较低水平；随着发酵时间的增加，其优势度逐渐降低。第16、17号菌群所代表的真菌类群在5天节点最大优势13.5％，所有样品中均有检出，第16号菌群发酵过程20天节点最大优势度12.09％。二者变化趋势较为相似，说明这两个条带所代表的真菌类群存在一定程度上的协同作用，并且有较强的环境适应能力，是大曲培养中重要微生物类群，但整体而言16号菌群的优势度略高于17号菌群，说明17菌群的生长可能依附于16菌群的某种代谢产物。从图7可看出，13号菌群和16号菌群、所代表的真菌类群似乎存在着此消彼长的演替规律，两者之间可能存在某种代谢物的竞争或者代谢产物抑制物的关系。

进一步分析优势度与各菌群的明暗程度和各菌群的峰面积成正比关系，可从优势度的变化反看出微生物种群数量的改变。如图8所示，第2、14号菌群所代表的酵母类群在所有样品中均有检出，发酵过程中分別达到最大优势度23.9％和20.14％，说明它所代表的种群始终为整个大曲发酵过程中最优势的种群。且二者在整个过程中的变化趋势也较为相似，可能存在表观协同关系。11号菌群代表的酵母类群与2、14号菌群的优势度变化规律呈相反的趋势，可能存在变化的制约作用。从图8可知，6号菌群和11号菌群所代表的酵母类群均在第5天有检测结果，11号高于6号菌群，并且其优势度在整个发酵过程中均处于较低水平，说明二者所代表的醉母类群虽然在大曲微生物菌群竞争中处于劣势地位，但也发挥着不可或缺的作用。

以上GA-BFO算法相比单一的群智能算法，每一组菌群最优值因浓香型白酒采用传统窖池和陶坛窖池结合发酵，各菌群优势度呈反复推高的起伏态势，菌群优势最大值均呈现两次。单一的群智能算法寻优陷入局部寻优状态，检测反映结果呈单峰态，未能客观测检浓香型中高档白酒整体菌群寻优的结果。见图9(a)，空白组细菌数量在第6天达到峰值、实验组细菌数量第9天达到峰值；空白组细菌数量在第12天略有回升并未再达峰值，随后逐渐减少，直至发酵结束，两组细菌数量在发酵后期均很低且无明显差异；随后逐渐变少趋于稳定。图9(b)，实验组发酵前9天乳酸菌的数量快速增加，在第9天达到峰值；空白组乳酸菌数量在第6天略有下降随后上升，在第9天达到峰值，但显著低于实验组，两组细菌随后逐渐减少并未再回升达峰值、直至发酵结束均很低且无明显差异，随后逐渐变少趋于稳定。图9(c)，空白组和实验组芽孢杆菌的数量在前3天略有下降，随后快速升高且均在第9天达到峰值，但实验组的芽孢杆菌的数量显著高于空白组，随后逐渐减少并未再回升达峰值，直至发酵结束，两组中芽孢杆菌的数量均很低且无明显差异；随后逐渐变少趋于稳定。图9(d)，霉菌在空白组与实验组中均是在前3就大量繁殖，数量达到峰值，且在第3、第6天空白组霉菌数量都显著高于实验组，随后逐渐减少并未再回升达峰值，趋于稳定状态。图9(e)，酵母菌发酵初期(0-6天)在空白组与实验组中大量繁殖，第6天数量达到峰值；空白组中酵母菌的数量显著高于实验组，随后逐渐减少并未再回升达峰值，趋于稳定状态。

因此，微生物在酿酒生产中发挥着极其重要的作用,特别在窖池发酵等环节，因为地域、季节、环境及生产工艺的差异,酿酒生产中微生物数量与种类也不一样，会产生出各种代谢产物，使酒的质量与产量影响很大。所以，需要分析控制酿酒生产中微生物有益功能，不但要弄清形成酒品质量差异的—曲霉菌、枯草芽抱杆菌、酵母菌、糖化菌、乳酸菌五大微生物的作用，还要弄清这五大微生物以外形成酒品香型微生物这对于提升酒的品质意义重大。开发使用遗传与细菌觅食混合优化算，可以消除单一的群智能优化算法的性能受参数影响较大、容易陷入局部最优，搜索精度不高、收剑速度慢的缺陷；掌握白酒窖池与陶使中高档白酒生产过程控制中的品质提高20％以上。

本说明书中各个实施例之间采用递进的方式描述，每个实施例重点说明的都是与其它实施例证的不同之处，各个实施例之间相同相似部分相互参见即可。

在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”、等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。