【技术实现步骤摘要】
本专利技术涉及计算；推算；计数的，特别涉及一种智能建模改进技术的改进gwo的fcc-rg系统建模方法。
技术介绍
1、流化催化裂化(fluid catalytic cracking,fcc)是将高分子重质原料油裂解为轻质产品的生产过程，是炼油工业过程中重要的加工环节，而流化催化裂化反应再生(fcc-rg)系统是fcc装置的重要组成部分，它的加工能力的高低将直接影响炼油厂的经济效益。因此，建立精确的fcc反应-再生系统模型对于提高fcc装置的运行效率、设计和优化控制策略以及更加准确地预测fcc装置的动态过程都具有重要的现实意义。由于fcc-rg系统是一类典型的多输入多输出的复杂非线性系统，现有机理的建模方法不仅复杂，而且所建模型的精度不够高，难以反应系统的真实特性。基于人工神经网络的黑箱建模方法为复杂工业过程模型的建立提供一条新的途径。
2、采用人工神经网络模拟fcc反应再生系统过程模型的挑战在于如何确定神经网络的参数。随机梯度下降法和牛顿法都可以通过最小化误差平方和来求解最优的模型参数值，但是这类方法伴随有收敛速度慢和搜索精度低的问题。随着元启发式技术的发展，研究者发现这类智能方法在处理复杂非线性优化问题时表现出极大优势，mirjalili通过深入分析灰狼群体的狩猎行为和社会等级关系，提出一种新型元启发算法——灰狼优化算法(grey wolf optimizer,gwo)。自提出以来，灰狼算法在优化系统结构和调整系统参数方面表现出良好的优势，具有收敛性好、参数少、易于实现等特点，然而，现有的灰狼算法也存在一些不足之处
技术实现思路
1、本专利技术解决了现有技术中存在的问题，受分子生物学中dna分子交叉和变异思想的启发，提供了一种基于改进gwo的fcc-rg系统建模方法及其应用，基于双链dna突环交叉和病毒诱导变异辅助改进灰狼算法，所建模型能够较好的反应实际系统的非线性特性。
2、本专利技术所采用的技术方案是，一种改进gwo的fcc-rg系统建模方法，所述方法包括以下步骤：
3、步骤1：获取fcc-rg系统的输入数据，记录输出的采样数据；
4、步骤2：预处理采样数据集；
5、步骤3：建立fcc-rg系统的递归elman神经网络模型，设置模型中的待寻优参数；
6、步骤4：设计双链dna突环交叉算子和病毒诱导变异算子，改进gwo，用于步骤3所述模型的参数寻优；
7、步骤5：以步骤4所获得的最优解来确定fcc-rg系统的elman神经网络模型，并利用测试样本检验模型的准确性。
8、优选地，步骤1中的输入数据和输出的采样数据为现场实验测量获取，若无法现场测量获得输入数据，则以理论模型为依据，通过对理论模型施加激励信号作为输入，收集fcc-rg系统的激励响应信息作为输出数据。
9、优选地，步骤2中，令采样数据为t组，每组包括d个数据；以每组采样数据中的为训练样本，总的训练样本数为以其余组数据作为测试样本；
10、对所有采样数据归一化为-1至1之间，
11、xn＝2(x-xmin)/(xmax-xmin)-1
12、其中，xn表示归一化后的值，x是原始数据值，xmax和xmin表示样本数据的最大和最小值。
13、优选地，步骤3中，建立elman神经网络模型
14、y(k)＝g(w3x(k)+b2)
15、x(k)＝f(w1xc(k)+w2u(k-1)+b1)
16、xc(k)＝axc(k-1)+x(k-1)
17、其中，y为m维输出向量，x为n维中间层节点单元向量，u为r维输入向量，xc为n维反馈状态向量，w3为中间层到输出层连接权值，w2为输入层到中间层连接权值，w1为承接层到中间层连接权值，b1和b2为阈值，a为自反馈增益因子，g(·)为输出神经元的传递函数，f(·)为中间层神经元的传递函数；显然，m、n、r为正整数；
18、所述待寻优参数为w1、w2和w3及b1和b2。
19、优选地，步骤4中，以改进的gwo于步骤3的模型的参数寻优包括以下步骤：
20、步骤4.1：设定gwo的运行参数，包括种群个数n，最大进化代数g，个体编码长度l，变量的个数v，突环交叉概率pc，病毒诱导变异概率pm，设定迭代终止条件；
21、步骤4.2：将待寻优的m个神经网络的参数进行编码，随机生成n个初始种群，每个参数被编码为长度为l的子序列，且由整数集{0,1,2,3}表示，完成四进制编码，每个个体被编码后的dna序列长度为l×m，所述待寻优的参数表达如下
22、
23、其中，a(k)表示第k代进化种群，矩阵的每一行表示一组参数可能的最优解；
24、步骤4.3：将每个dna序列进行解码，使其与神经网络模型参数对应一致，采用梯度下降法计算elman神经网络输出节点的权值向量，取不同时刻的fcc-rg的神经网络的输出值与实测值之间的误差平方和作为寻优的适应度函数；
25、步骤4.4：计算所有个体适应度值，取适应度值最小的前三个个体，分别标记为xα、xβ和xδ，其余个体标记为底层狼群xω；
26、步骤4.5：随机生成概率pc，让种群中个体依概率pc参与双链dna突环交叉；
27、步骤4.6：随机生成概率pm，依概率pm对未形成突环连接的dna序列以病毒诱导变异操作；
28、步骤4.7：针对当前种群计算其适应度值，若满足终止规则，则获得最优的模型的参数和阈值，否则返回步骤4.4。
29、优选地，所述步骤4.5包括以下步骤：
30、步骤4.5.1：随机选择dna序列p1，依概率pc分别与xα、xβ和xδ执行双链dna突环交叉操作，在p1中随机生成两个位置d1pos1和d1pos2；
31、步骤4.5.2：从第1个编码位开始分别对xα、xβ和xδ进行遍历操作，寻找与位置d1pos1和d1pos2上的碱基分别互补的碱基；若找到对应的碱基位，则分别编号为d2pos1和d2pos2，互补碱基之间进行配对，由氢键连接形成突环，进行下一步，否则重新生成位置d1pos1和d1pos2，重复步骤4.5.2，直到找不到互补碱基位为止；
32、步骤4.5.3：重复执行步骤4.5.1～步骤4.5.2，将所有未形成突环连接的dna序列放入集合pu中，而将所有形成突环dna序列放入集合pr中，对pr中的序列分别两两交换其对应的突环，直到所有的交换完成为止；
33、步骤4.5.4：将所有的突环dna氢键断开连接，截取长度较长的dna序列的尾部并接到较短的dna序列的尾部，直至得到长度相等的序列。
34、优选地，步骤4.6中，从pu中随机选择一个dna序列，令此序列中出现数最多的碱基位为非正常碱本文档来自技高网...
【技术保护点】
1.一种改进GWO的FCC-RG系统建模方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：步骤1中的输入数据和输出的采样数据为现场实验测量获取，若无法现场测量获得输入数据，则以理论模型为依据，通过对理论模型施加激励信号作为输入，收集FCC-RG系统的激励响应信息作为输出数据。
3.根据权利要求1所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：步骤2中，令采样数据为T组，每组包括D个数据；以每组采样数据中的为训练样本，总的训练样本数为以其余组数据作为测试样本；
4.根据权利要求1所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：步骤3中，建立Elman神经网络模型
5.根据权利要求1所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：步骤4中，以改进的GWO于步骤3的模型的参数寻优包括以下步骤：
6.根据权利要求5所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：所述步骤4.5包括以下步骤：p>
7.根据权利要求5所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：步骤4.6中，从Pu中随机选择一个DNA序列，令此序列中出现数最多的碱基位为非正常碱基位，其余为正常碱基位，定义此序列为病毒个体；基于Pu获得的所有病毒个体以集合Pv表示，将每个病毒个体依概率Pm与所有底层狼群Xω进行病毒诱导变异操作。
8.根据权利要求5所述的一种基于改进GWO的FCC-RG系统建模方法，其特征在于：所述病毒诱导变异操作为，将病毒个体的正常碱基位与所选序列Xω中相同位置上的碱基进行互换操作，形成新的DNA序列；重复操作此过程，直到遍历完所有病毒个体的DNA序列。
...【技术特征摘要】
1.一种改进gwo的fcc-rg系统建模方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的一种基于改进gwo的fcc-rg系统建模方法，其特征在于：步骤1中的输入数据和输出的采样数据为现场实验测量获取，若无法现场测量获得输入数据，则以理论模型为依据，通过对理论模型施加激励信号作为输入，收集fcc-rg系统的激励响应信息作为输出数据。
3.根据权利要求1所述的一种基于改进gwo的fcc-rg系统建模方法，其特征在于：步骤2中，令采样数据为t组，每组包括d个数据；以每组采样数据中的为训练样本，总的训练样本数为以其余组数据作为测试样本；
4.根据权利要求1所述的一种基于改进gwo的fcc-rg系统建模方法，其特征在于：步骤3中，建立elman神经网络模型
5.根据权利要求1所述的一种基于改进gwo的fcc-rg系统建模方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。