焦化爐壓力的多目標遺傳算法與rbf神經(jīng)網(wǎng)絡優(yōu)化建模方法
【技術領域】
[0001 ]本發(fā)明屬于自動化技術領域，涉及一種焦化爐壓力的多目標遺傳算法與RBF神經(jīng) 網(wǎng)絡優(yōu)化建模方法。
【背景技術】
[0002] 在實際工業(yè)過程中，由于許多復雜的實際過程對象的物理或化學特性并不為人所 知，使得系統(tǒng)建模是先進控制技術中非常重要的一個環(huán)節(jié)。對于焦化加熱爐爐膛壓力的動 態(tài)特性，RBF神經(jīng)網(wǎng)絡具有良好的逼近速度，同時可以提高壓力預測模型的精度，又可以簡 化模型結構?；趯嶋H過程提出一種新型徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡來改善模型精度和簡 化其結構。多目標遺傳算法(Μ0ΕΑ)是建立在自然選擇和自然遺傳學基礎上的迭代自適應隨 機全局優(yōu)化搜索算法，能夠解決許多傳統(tǒng)優(yōu)化方法不能解決的難題。若能通過選取合適的 遺傳算子，將多目標遺傳算法和RBF神經(jīng)網(wǎng)絡模型相結合，既能迅速逼近焦化加熱爐爐膛實 際壓力，又保證了模型結構簡單。

【發(fā)明內容】

[0003] 本發(fā)明的目的是針對焦化爐爐膛壓力對象的建模過程比較困難這一問題，通過數(shù) 據(jù)采集、模型建立、優(yōu)化等手段，提供了一種焦化爐爐膛壓力的多目標遺傳算法與RBF神經(jīng) 網(wǎng)絡結構參數(shù)優(yōu)化建模方法。該方法通過采集過程對象的輸入輸出數(shù)據(jù)，結合RBF神經(jīng)網(wǎng)絡 模型，使用改進的Μ0ΕΑ優(yōu)化神經(jīng)網(wǎng)絡的網(wǎng)絡層和參數(shù)。
[0004] 本發(fā)明方法的步驟包括：
[0005] 步驟1、采集過程的實時運行數(shù)據(jù)，建立過程對象RBF模型，具體步驟如下：
[0006] 1.1由包含輸入層、輸出層和隱含層的RBF神經(jīng)網(wǎng)絡結構，得到網(wǎng)絡的映射關系即 系統(tǒng)的輸入輸出模型，形式如下：
[0007]
[0008] 其中，x=(xi，X2，···，xn)表示η輸入結點向量，y表示網(wǎng)絡的輸出變量，CiERn表示第 i個隱含層神經(jīng)元的中心向量，Rn是歐氏空間，φ(|χ-cz.|) = exp(t^l)是一個高斯函數(shù)，| x-Ci| |表示X到Ci的徑向距離，〇i是高斯函數(shù)的基寬，1 < i <nr，nr是隱含層的結點數(shù)，ω?表 示第i個隱含層和輸出層之間的連接權。
[0009] 步驟2、利用Μ0ΕΑ遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡模型的參數(shù)，具體步驟是：
[0010] 2.1首先對神經(jīng)網(wǎng)絡模型參數(shù)進行編碼，得到如下形式的第1代染色體：
[0011]
[0012] 其中，l = l，2，···，N，N是種群規(guī)模大小，m，n和nr是正整數(shù)，1 <m<5，l <η<5，1 < nr < 60，&中的元素滿足如下條件：
[0013]
[0014] 〇i = rwmax 1 < i < nr
[0015] 其中，r是一個在-0.5~1.5之間的隨機數(shù)，umin，umax是系統(tǒng)輸入的最小值和最大 值，ymin，ymax是系統(tǒng)輸出的最小值和最大值，Wmax是高斯基函數(shù)的最大寬度。
[0016] 2.2將采集的過程對象的數(shù)據(jù)樣本分為三部分，前面1/3數(shù)據(jù)樣本為訓練數(shù)據(jù)樣本 Yi，用于計算輸出層權重，中間1/3數(shù)據(jù)為第二組數(shù)據(jù)樣本γ2，用于對每一代的神經(jīng)網(wǎng)絡評 價，后面1/3數(shù)據(jù)為優(yōu)化數(shù)據(jù)Υ 3，用于求取Pareto最優(yōu)解，選取RBF神經(jīng)網(wǎng)絡的目標函數(shù)，形 式如下：
[0017]
[0018]其中，Min表不求最小值，fi表不Υι和Y2均方差，f2反映了輸入層和隱含層結構的復 雜性，$(/)(/= 1,···，/?)，匕(/) (/=丨，…,*)分別表示兩組數(shù)據(jù)樣本YjPY^RBF神經(jīng)網(wǎng)絡 模型預測輸出，Nl，N2為選取的數(shù)據(jù)樣本的大小。
[0019] 2.3由于染色體中的基因會發(fā)生變異，pc為當前個體Q和下一個個體C1+1之間交叉 概率，以交叉概率p。將被選擇的染色體進行交叉操作產生下一代子染色體d'和C 1+/。變異 算子執(zhí)行時，隨機產生給定范圍內的m，n和nr值，變異個體根據(jù)步驟2.1元素個體滿足條件 進行變異得到新的個體。
[0020] 2.4為了提高Μ0ΕΑ的局部搜索能力，局部算子設計為如下形式：
[0021] C = aCi+(l-c〇Ci，
[0022] C = Ci+ACi
[0023] 其中，Ci是選自前λ?\個體，Cr是選自前Af2個體，λ表示自然數(shù)，a e (〇，1)為隨機數(shù)， 當Ci = Cr則Δ Ci中的Δ cij = acij，ae (-1，1)，局部搜索概率動態(tài)改變成如下開多式：
[0024]
[0025]其中，G表示最大的進化代數(shù)，g表示進化的代數(shù)。
[0026] 2.5在個體數(shù)目大于種群規(guī)模N時，得到剪接算子，形式如下
[0027]
[0028] 其中，Ah表式第i個隱含神經(jīng)元活躍度，Φ^χ)表示第i個隱含神經(jīng)元的輸出值，P >1〇
[0029] 2.6設定優(yōu)良基因庫的最大值為N，將優(yōu)良的基因保存到基因庫中，當優(yōu)良基因庫 大于N時，快速非支配排序方法首先執(zhí)行，然后將支配方法從優(yōu)良基因庫中移除，使所有基 因滿足Pareto最優(yōu)解以維持優(yōu)良基因的多樣性和均勻性。
[0030] 2.7依照步驟2.2到步驟2.6中的步驟進行循環(huán)重復優(yōu)化搜索，達到允許的最大進 化代數(shù)式結束優(yōu)化搜索計算，得到改進后的Μ0ΕΑ遺傳算法優(yōu)化后的染色體，經(jīng)解碼后得到 優(yōu)化后的RBF神經(jīng)網(wǎng)絡模型的參數(shù)。
[0031]本發(fā)明的有益效果:本發(fā)明通過采集過程對象的輸入輸出數(shù)據(jù)，結合RBF神經(jīng)網(wǎng)絡 模型，利用改進后的Μ0ΕΑ遺傳算法來優(yōu)化RBF神經(jīng)網(wǎng)絡模型的參數(shù)，從而得到焦化爐爐膛壓 力預測方法。該方法建立的模型具有較高的精確性，能很好地描述過程對象的動態(tài)特性。
【具體實施方式】
[0032]以焦化爐爐膛壓力為實際對象，以煙道擋板的開度為輸入，以焦化爐爐膛壓力為 輸出，來建立焦化爐爐膛壓力的模型。
[0033]本發(fā)明方法的步驟包括：
[0034]步驟1、采集過程的實時運行數(shù)據(jù)，建立過程對象RBF模型，具體步驟如下：
[0035] 1.1由包含輸入層、輸出層和隱含層的RBF神經(jīng)網(wǎng)絡結構，得到網(wǎng)絡的映射關系即 系統(tǒng)的輸入輸出模型，形式如下：
[0036]
[0037] 其中，X=(X1，X2，···，Xn)表示η輸入結點向量，y表示網(wǎng)絡的輸出變量，CiERn表示第 i個隱含層神經(jīng)元的中心向量，Rn是歐氏空間，φ<|χ-'c^p^.exp'J-，1).是-個高斯函數(shù)，I X-Ci| I表示X到Ci的徑向距離，〇i是高斯函數(shù)的基寬，1 < i <nr，nr是隱含層的結點數(shù)，表 示第i個隱含層和輸出層之間的連接權。
[0038]步驟2、利用Μ0ΕΑ遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡模型的參數(shù)，具體步驟是：
[0039] 2.1首先對神經(jīng)網(wǎng)絡模型參數(shù)進行編碼，得到如下形式的第1代染色體：
[0040]
[0041] 其中，1 = 1,2,. . .，N，N是種群規(guī)