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。

主权项

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,…,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_max 1≤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。