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技术

本发明专利技术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。本发明专利技术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。本发明专利技术具有较高的精确性，能很好地描述过程对象的动态特性。

【技术实现步骤摘要】

本专利技术属于自动化
，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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术方法的步骤包括：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：cij=ymin+r(ymax-ymin)1≤i≤nr1≤j≤numin+r(umax-umin)1≤i≤nr6≤j≤5+m]]>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：Minf1=Σi=1N|Y1(i)-Y^1(i)|2+Σi=1N2|Y2(i)-Y^2(i)|2f2=(m+n)nr]]>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：pl=0.02+0.21+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Afi=ρe-||x-ci||φi(x)Σi=1nrφi(x),(i=1,2,...,nr)]]>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。本专利技术的有益效果：本专利技术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。本专利技术方法的步骤包括：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：cij=ymin+r(ymax本文档来自技高网...

【技术保护点】
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，其特征在于该方法的具体步骤是：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：cij=ymin+r(ymax-ymin)1≤i≤nr1≤j≤numin+r(umax-umin)1≤i≤nr6≤j≤5+m]]>σi＝rwmax 1≤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：Minf1=Σi=1N|Y1(i)-Y^1(i)|2+Σi=1N2|Y2(i)-Y^2(i)|2f2=(m+n)nr]]>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：pl=0.02+0.21+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Afi=ρe-||x-ci||φi(x)Σi=1nrφi(x),(i=1,2,...,nr)]]>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。...

【技术特征摘要】
1.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，其
特征在于该方法的具体步骤是：
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：
cij=ymin+r(ymax-ymin)1≤i≤nr1≤j≤numin+r(umax-umin)1≤i≤nr6≤j≤5+m]]>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

\tY2，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：
Minf1=Σi=1N|Y1(i)-Y^1(i)|2+Σi=1N2|Y2(i)-Y^2(i)|2...

【专利技术属性】
技术研发人员：张日东，王玉中，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33