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

摘要

本发明公开了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。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，使用改进的MOEA优化神经网络的网络层和参数。本发明具有较高的精确性，能很好地描述过程对象的动态特性。

说明书

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,…,x_n)表示n输入结点向量，y表示网络的输出 变量，c_i∈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-c_i||表示x到c_i的径向距离， σ_i是高斯函数的基宽，1≤i≤n_r，n_r是隐含层的结点数，ω_i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n_r是正整数， 1≤m≤5,1≤n≤5,1≤n_r≤60，C_l中的元素满足如下条件：

$c_{ij}=\left(\begin{array}{cc}{y}_{\min }+r(y_{\max }-y_{\min })& 1\le i\le n_{r}1\le j\le n\\ u_{\min }+r(u_{\max }-u_{\min })& 1\le i\le n_{r}6\le j\le 5+m\end{array}\right)$

σ_i＝rw_max1≤i≤n_r

其中，r是一个在-0.5～1.5之间的随机数，u_min,u_max是系统输入 的最小值和最大值，y_min,y_max是系统输出的最小值和最大值，w_max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：

$Min\left(\begin{array}{c}{f}_1=\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{|Y_1\left(i\right)-{\hat{Y}}_1\left(i\right)|}^2}+\sqrt{\underset{i=1}{\overset{N_2}{\Sigma }}{|Y_2\left(i\right)-{\hat{Y}}_2\left(i\right)|}^2}\\ f_2=(m+n)n_r\end{array}\right)$

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，p_c为当前个体C_l和下一个 个体C_l+1之间交叉概率，以交叉概率p_c将被选择的染色体进行交叉 操作产生下一代子染色体C_l'和C_l+1′。变异算子执行时，随机产生给定 范围内的m,n和n_r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＝αC_l+(1-α)C_l'

C＝C_l+ΔC_l

其中，C_l是选自前λf₁个体，C_l'是选自前λf₂个体，λ表示自然 数，α∈(0,1)为随机数，当C_l＝C_l'则ΔC_l中的Δc_ij＝αc_ij,α∈(-1,1)， 局部搜索概率动态改变成如下形式：

$p_l=0.02+\frac{0.2}{1+\exp [-0.01(g-G/2)]}$

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

${\mathrm{Af}}_i={\mathrm{\rho e}}^{-\left|\right|x-c_i\left|\right|}\frac{{\phi }_i\left(x\right)}{\underset{i=1}{\overset{n_r}{\Sigma }}{\phi }_i\left(x\right)},(i=1,2,...,n_r)$

其中，Af_i表式第i个隐含神经元活跃度，φ_i(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,…,x_n)表示n输入结点向量，y表示网络的输出 变量，c_i∈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-c_i||表示x到c_i的径向距离， σ_i是高斯函数的基宽，1≤i≤n_r，n_r是隐含层的结点数，ω_i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n_r是正整数， 1≤m≤5,1≤n≤5,1≤n_r≤60，C_l中的元素满足如下条件：

$c_{ij}=\left(\begin{array}{cc}{y}_{\min }+r(y_{\max }-y_{\min })& 1\le i\le n_{r}1\le j\le n\\ u_{\min }+r(u_{\max }-u_{\min })& 1\le i\le n_{r}6\le j\le 5+m\end{array}\right)$

σ_i＝rw_max1≤i≤nr

其中，r是一个在-0.5～1.5之间的随机数，u_min,u_max是系统输入 的最小值和最大值，y_min,y_max是系统输出的最小值和最大值，w_max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：

$Min\left(\begin{array}{c}{f}_1=\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{|Y_1\left(i\right)-{\hat{Y}}_1\left(i\right)|}^2}+\sqrt{\underset{i=1}{\overset{N_2}{\Sigma }}{|Y_2\left(i\right)-{\hat{Y}}_2\left(i\right)|}^2}\\ f_2=(m+n)n_r\end{array}\right)$

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，p_c为当前个体C_l和下一个 个体C_l+1之间交叉概率，以交叉概率p_c将被选择的染色体进行交叉 操作产生下一代子染色体C_l'和C_l+1′。变异算子执行时，随机产生给定 范围内的m,n和n_r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＝αC_l+(1-α)C_l'

C＝C_l+ΔC_l

其中，C_l是选自前λf₁个体，C_l'是选自前λf₂个体，λ表示自然 数，α∈(0,1)为随机数，当C_l＝C_l'则ΔC_l中的Δc_ij＝βc_ij,α∈(-1,1)， 局部搜索概率动态改变成如下形式：

$p_l=0.02+\frac{0.2}{1+\exp [-0.01(g-G/2)]}$

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

${\mathrm{Af}}_i={\mathrm{\rho e}}^{-\left|\right|x-c_i\left|\right|}\frac{{\phi }_i\left(x\right)}{\underset{i=1}{\overset{n_r}{\Sigma }}{\phi }_i\left(x\right)},(i=1,2,...,n_r)$

其中，Af_i表式第i个隐含神经元活跃度，φ_i(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。