法律状态公告日
法律状态信息
法律状态
2018-08-21
授权
授权
2016-06-22
实质审查的生效 IPC(主分类):G06F17/50 申请日:20160129
实质审查的生效
2016-05-25
公开
公开
技术领域
本发明属于自动化技术领域,涉及一种焦化炉压力的多目标遗传 算法与RBF神经网络优化建模方法。
背景技术
在实际工业过程中,由于许多复杂的实际过程对象的物理或化学 特性并不为人所知,使得系统建模是先进控制技术中非常重要的一个 环节。对于焦化加热炉炉膛压力的动态特性,RBF神经网络具有良好 的逼近速度,同时可以提高压力预测模型的精度,又可以简化模型结 构。基于实际过程提出一种新型径向基函数(RBF)神经网络来改善 模型精度和简化其结构。多目标遗传算法(MOEA)是建立在自然选 择和自然遗传学基础上的迭代自适应随机全局优化搜索算法,能够解 决许多传统优化方法不能解决的难题。若能通过选取合适的遗传算子, 将多目标遗传算法和RBF神经网络模型相结合,既能迅速逼近焦化 加热炉炉膛实际压力,又保证了模型结构简单。
发明内容
本发明的目的是针对焦化炉炉膛压力对象的建模过程比较困难 这一问题,通过数据采集、模型建立、优化等手段,提供了一种焦化 炉炉膛压力的多目标遗传算法与RBF神经网络结构参数优化建模方 法。该方法通过采集过程对象的输入输出数据,结合RBF神经网络 模型,使用改进的MOEA优化神经网络的网络层和参数。
本发明方法的步骤包括:
步骤1、采集过程的实时运行数据,建立过程对象RBF模型,具 体步骤如下:
1.1由包含输入层、输出层和隐含层的RBF神经网络结构,得到 网络的映射关系即系统的输入输出模型,形式如下:
其中,x=(x1,x2,…,xn)表示n输入结点向量,y表示网络的输出 变量,ci∈Rn表示第i个隐含层神经元的中心向量,Rn是欧氏空间, 是一个高斯函数,||x-ci||表示x到ci的径向距离, σi是高斯函数的基宽,1≤i≤nr,nr是隐含层的结点数,ωi表示第i 个隐含层和输出层之间的连接权。
步骤2、利用MOEA遗传算法优化RBF神经网络模型的参数, 具体步骤是:
2.1首先对神经网络模型参数进行编码,得到如下形式的第l代染 色体:
其中,l=1,2,...,N,N是种群规模大小,m,n和nr是正整数, 1≤m≤5,1≤n≤5,1≤nr≤60,Cl中的元素满足如下条件:
σi=rwmax1≤i≤nr
其中,r是一个在-0.5~1.5之间的随机数,umin,umax是系统输入 的最小值和最大值,ymin,ymax是系统输出的最小值和最大值,wmax是 高斯基函数的最大宽度。
2.2将采集的过程对象的数据样本分为三部分,前面1/3数据样本 为训练数据样本Y1,用于计算输出层权重,中间1/3数据为第二组数 据样本Y2,用于对每一代的神经网络评价,后面1/3数据为优化数据 Y3,用于求取Pareto最优解,选取RBF神经网络的目标函数,形式 如下:
其中,Min表示求最小值,f1表示Y1和Y2均方差,f2反映了输 入层和隐含层结构的复杂性,分别表 示两组数据样本Y1和Y2的RBF神经网络模型预测输出,N1,N2为选 取的数据样本的大小。
2.3由于染色体中的基因会发生变异,pc为当前个体Cl和下一个 个体Cl+1之间交叉概率,以交叉概率pc将被选择的染色体进行交叉 操作产生下一代子染色体Cl'和Cl+1′。变异算子执行时,随机产生给定 范围内的m,n和nr值,变异个体根据步骤2.1元素个体满足条件进行 变异得到新的个体。
2.4为了提高MOEA的局部搜索能力,局部算子设计为如下形式:
C=αCl+(1-α)Cl'
C=Cl+ΔCl
其中,Cl是选自前λf1个体,Cl'是选自前λf2个体,λ表示自然 数,α∈(0,1)为随机数,当Cl=Cl'则ΔCl中的Δcij=αcij,α∈(-1,1), 局部搜索概率动态改变成如下形式:
其中,G表示最大的进化代数,g表示进化的代数。
2.5在个体数目大于种群规模N时,得到剪接算子,形式如下
其中,Afi表式第i个隐含神经元活跃度,φi(x)表示第i个隐含神 经元的输出值,ρ>1。
2.6设定优良基因库的最大值为N,将优良的基因保存到基因库 中,当优良基因库大于N时,快速非支配排序方法首先执行,然后 将支配方法从优良基因库中移除,使所有基因满足Pareto最优解以维 持优良基因的多样性和均匀性。
2.7依照步骤2.2到步骤2.6中的步骤进行循环重复优化搜索,达 到允许的最大进化代数式结束优化搜索计算,得到改进后的MOEA 遗传算法优化后的染色体,经解码后得到优化后的RBF神经网络模 型的参数。
本发明的有益效果:本发明通过采集过程对象的输入输出数据, 结合RBF神经网络模型,利用改进后的MOEA遗传算法来优化RBF 神经网络模型的参数,从而得到焦化炉炉膛压力预测方法。该方法建 立的模型具有较高的精确性,能很好地描述过程对象的动态特性。
具体实施方式
以焦化炉炉膛压力为实际对象,以烟道挡板的开度为输入,以焦 化炉炉膛压力为输出,来建立焦化炉炉膛压力的模型。
本发明方法的步骤包括:
步骤1、采集过程的实时运行数据,建立过程对象RBF模型,具 体步骤如下:
1.1由包含输入层、输出层和隐含层的RBF神经网络结构,得到 网络的映射关系即系统的输入输出模型,形式如下:
其中,x=(x1,x2,…,xn)表示n输入结点向量,y表示网络的输出 变量,ci∈Rn表示第i个隐含层神经元的中心向量,Rn是欧氏空间, 是一个高斯函数,||x-ci||表示x到ci的径向距离, σi是高斯函数的基宽,1≤i≤nr,nr是隐含层的结点数,ωi表示第i 个隐含层和输出层之间的连接权。
步骤2、利用MOEA遗传算法优化RBF神经网络模型的参数, 具体步骤是:
2.1首先对神经网络模型参数进行编码,得到如下形式的第l代染 色体:
其中,l=1,2,...,N,N是种群规模大小,m,n和nr是正整数, 1≤m≤5,1≤n≤5,1≤nr≤60,Cl中的元素满足如下条件:
σi=rwmax1≤i≤nr
其中,r是一个在-0.5~1.5之间的随机数,umin,umax是系统输入 的最小值和最大值,ymin,ymax是系统输出的最小值和最大值,wmax是 高斯基函数的最大宽度。
2.2将采集的过程对象的数据样本分为三部分,前面1/3数据样本 为训练数据样本Y1,用于计算输出层权重,中间1/3数据为第二组数 据样本Y2,用于对每一代的神经网络评价,后面1/3数据为优化数据 Y3,用于求取Pareto最优解,选取RBF神经网络的目标函数,形式 如下:
其中,Min表示求最小值,f1表示Y1和Y2均方差,f2反映了输 入层和隐含层结构的复杂性,分别表 示两组数据样本Y1和Y2的RBF神经网络模型预测输出,N1,N2为选 取的数据样本的大小。
2.3由于染色体中的基因会发生变异,pc为当前个体Cl和下一个 个体Cl+1之间交叉概率,以交叉概率pc将被选择的染色体进行交叉 操作产生下一代子染色体Cl'和Cl+1′。变异算子执行时,随机产生给定 范围内的m,n和nr值,变异个体根据步骤2.1元素个体满足条件进行 变异得到新的个体。
2.4为了提高MOEA的局部搜索能力,局部算子设计为如下形式:
C=αCl+(1-α)Cl'
C=Cl+ΔCl
其中,Cl是选自前λf1个体,Cl'是选自前λf2个体,λ表示自然 数,α∈(0,1)为随机数,当Cl=Cl'则ΔCl中的Δcij=βcij,α∈(-1,1), 局部搜索概率动态改变成如下形式:
其中,G表示最大的进化代数,g表示进化的代数。
2.5在个体数目大于种群规模N时,得到剪接算子,形式如下
其中,Afi表式第i个隐含神经元活跃度,φi(x)表示第i个隐含神 经元的输出值,ρ>1。
2.6设定优良基因库的最大值为N,将优良的基因保存到基因库 中,当优良基因库大于N时,快速非支配排序方法首先执行,然后 将支配方法从优良基因库中移除,使所有基因满足Pareto最优解以维 持优良基因的多样性和均匀性。
2.7依照步骤2.2到步骤2.6中的步骤进行循环重复优化搜索,达 到允许的最大进化代数式结束优化搜索计算,得到改进后的MOEA 遗传算法优化后的染色体,经解码后得到优化后的RBF神经网络模 型的参数。
机译: 焦化炉渗碳室炉内压力调节装置及炉内压力调节方法
机译: 焦化炉渗碳室炉内压力调节装置及炉内压力调节方法
机译: 焦化炉装料过程中控制注射压力的方法及实施该方法的设备