一種布谷鳥(niǎo)行為rna-ga的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法
【專利摘要】本發(fā)明公開(kāi)了一種布谷鳥(niǎo)行為RNA?GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，屬于智能建模領(lǐng)域。橋式吊車是欠驅(qū)動(dòng)的復(fù)雜非線性系統(tǒng)，建立高精度的橋式吊車模型是對(duì)其實(shí)現(xiàn)有效控制的基礎(chǔ)。利用布谷鳥(niǎo)行為RNA遺傳算法對(duì)橋式吊車神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心進(jìn)行尋優(yōu)，獲得相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明的建模方法，在實(shí)驗(yàn)中取得了理想的效果，也適用于其他復(fù)雜非線性系統(tǒng)的建模。
【專利說(shuō)明】
一種布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及一種布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法。
【背景技術(shù)】
[0002]橋式吊車是具有代表性的大型工程搬運(yùn)設(shè)備，廣泛用于工業(yè)生產(chǎn)、港口、倉(cāng)庫(kù)等貨 物運(yùn)送場(chǎng)所。為了達(dá)到快速、準(zhǔn)確地運(yùn)送負(fù)載的目的，一方面要求橋式吊車的臺(tái)車快速準(zhǔn)確 地達(dá)到目標(biāo)，另一方面要求能夠有效抑制負(fù)載擺動(dòng)。由于橋式吊車是欠驅(qū)動(dòng)非線性系統(tǒng)，負(fù) 載運(yùn)送過(guò)程中易發(fā)生擺動(dòng)，影響負(fù)載定位精度，降低工作效率，還有可能與負(fù)載周圍的人、 物發(fā)生碰撞。為實(shí)現(xiàn)對(duì)橋式吊車的有效控制，需要建立高精度的橋式吊車系統(tǒng)模型。
[0003 ]傳統(tǒng)的機(jī)理建模方法難以滿足高精度建模的需要，因此人工神經(jīng)網(wǎng)絡(luò)受到人們的 關(guān)注，其中徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是一種具有三層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)，具有良好的全 局逼近能力。但是RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心不易確定，為了獲得高精度的神經(jīng)網(wǎng)絡(luò)模 型，需要對(duì)RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心進(jìn)行優(yōu)化。
[0004] 遺傳算法(Genetic Algorithms，簡(jiǎn)稱GA)，是一類受自然界生物進(jìn)化啟發(fā)發(fā)展而 來(lái)的智能優(yōu)化算法，模擬了自然選擇遺傳進(jìn)化的過(guò)程，具有良好的全局搜尋優(yōu)化能力。但是 傳統(tǒng)的遺傳算法也存在局部搜索能力差、易于早熟收斂等不足。受生物RNA分子的編碼和操 作啟發(fā)，陶吉利（Jili Tao，Ning Wang,DNA computing based RNA genetic algorithm with applications in parameter estimation of chemical engineering processes, Computers and Chemical Engineering，31 (12): 1602-1618，2007 ·)等人提出了一種RNA遺 傳算法(RNA-GA)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是針對(duì)橋式吊車機(jī)理建模的不足和傳統(tǒng)遺傳算法的缺點(diǎn)，提出了一 種布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，從而得到了高精度的橋式吊車RBF神 經(jīng)網(wǎng)絡(luò)模型。
[0006] 本發(fā)明所采用的具體技術(shù)方案如下：
[0007]布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法包括如下步驟：
[0008] 步驟1:通過(guò)現(xiàn)場(chǎng)測(cè)試或?qū)嶒?yàn)獲得二維橋式吊車系統(tǒng)水平方向控制輸入和輸出采 樣數(shù)據(jù)，其中輸入采樣數(shù)據(jù)為控制力?、，輸出采樣數(shù)據(jù)為水平方向的位置X和擺角Θ;
[0009] 步驟2:建立橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型，模型采用三層RBF神經(jīng)網(wǎng)絡(luò);設(shè)定RBF神經(jīng) 網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)D，神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)為當(dāng)前采樣時(shí)刻的控制力和當(dāng)前采樣時(shí)刻之前 一定時(shí)間段內(nèi)的水平方向的位置和擺角數(shù)據(jù)，輸出數(shù)據(jù)為當(dāng)前采樣時(shí)刻的橋式吊車的水平 方向位置和擺角，神經(jīng)網(wǎng)絡(luò)輸入層與隱層之間采用薄板樣條函數(shù)描述非線性映射關(guān)系，隱 層與輸出層之間采用加權(quán)求和，其中輸出節(jié)點(diǎn)權(quán)值由最小二乘法確定；
[0010] 步驟3:將樣本數(shù)據(jù)分為兩個(gè)部分，其中一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，另一部分作為 測(cè)試樣本，并將數(shù)據(jù)輸入到步驟2建立的RBF神經(jīng)網(wǎng)絡(luò)模型；
[0011]步驟4:設(shè)置RBF神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)；
[0012] 步驟5:將布谷鳥(niǎo)行為RNA-GA用于RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心進(jìn)行尋優(yōu)，適應(yīng) 度函數(shù)為RBF神經(jīng)網(wǎng)絡(luò)模型中包括位置f和擺角g在內(nèi)的輸出值與步驟1中實(shí)際的采樣數(shù)據(jù) 之間的誤差絕對(duì)值之和，由此獲得RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心的最優(yōu)解；
[0013] 步驟6:以步驟5獲得的最優(yōu)解作為RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心，并利用測(cè) 試樣本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型。
[0014] 所述的步驟2具體為：
[0015]設(shè)Fx(t)為t采樣時(shí)刻控制力采樣數(shù)據(jù);RBF神經(jīng)網(wǎng)絡(luò)模型輸入變量個(gè)數(shù)為N，輸入 向量為：
[0016] [Fx(t),0(t-l),0(t-2),0(t-3),...,0(t-n),x(t-l),x(t~2),x(t-3),...,x(t-m)]其中n和m為整數(shù)，且n+m+l=N，0(t)、x(t)為t時(shí)刻的采樣數(shù)據(jù)，輸出變量個(gè)數(shù)為Nmj t = 2， 輸出變量為0⑴,i⑷]，其中S⑴為t時(shí)刻的預(yù)測(cè)擺角，.〖(〇為t時(shí)刻的水平方向的預(yù)測(cè)位 置;從輸入層到輸出層的映射R n^R用以下函數(shù)表示：
[0017]
[0018]
[0019]其中X為輸入向量，Μ · 11表示歐幾里得范數(shù)，W1⑴和W2⑴為神經(jīng)網(wǎng)絡(luò)隱層第i個(gè) 節(jié)點(diǎn)輸出權(quán)值，神經(jīng)網(wǎng)絡(luò)權(quán)向量W1、W2由遞推最小二乘法確定，Ci為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)第i個(gè)隱節(jié) 點(diǎn)中心;徑向基函數(shù)φ( ·)采用薄板樣條函數(shù)，表示為：
[0020] ?(y)=y2ln(y)〇
[0021 ]所述的步驟3中對(duì)訓(xùn)練樣本和測(cè)試樣本的選擇方法如下：
[0022]對(duì)于K2組數(shù)據(jù)，每組N個(gè)數(shù)據(jù);在心組數(shù)據(jù)中隨機(jī)選取Ι/tr作為訓(xùn)練樣本，其中KK K2,則總樣本數(shù)為KiXNXl/tr，再將(Ks-Ki)組數(shù)據(jù)作為測(cè)試樣本，Ι/tr為選取訓(xùn)練樣本比 例。
[0023]所述的步驟5具體步驟為：
[0024]步驟5.1:設(shè)定基于布谷鳥(niǎo)行為RNA-GA的參數(shù)，包括:種群數(shù)Size、輸入數(shù)據(jù)參數(shù)個(gè) 數(shù)N、數(shù)據(jù)編碼長(zhǎng)度codeL、最大進(jìn)化代數(shù)G、置換交叉概率pt、換位和轉(zhuǎn)位交叉概率p。、自適應(yīng) 變異概率p ml和pmh和終止規(guī)則；
[0025] 步驟5.2:對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)進(jìn)行編碼，隨機(jī)生成包含Size個(gè)RNA序 列的初始種群，每個(gè)參數(shù)均由字符集{〇，1，2，3}編碼為一個(gè)長(zhǎng)度為codeL的RNA子序列，橋式 吊車RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)為N X D個(gè)，則一個(gè)RNA序列的編碼長(zhǎng)度為N X D X codeL，每個(gè)個(gè) 體代表的參數(shù)如下：
[0026]
[0027] A屮1; 73弟1TT棒對(duì)K的Κ?Η甲紐FJ絡(luò)徑向基函數(shù)中心，Ci, j表示第i個(gè)節(jié)點(diǎn)的 第j個(gè)參數(shù)；
[0028] 步驟5.3:將種群中每個(gè)RNA序列解碼為RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心，采用 最小二乘法計(jì)算RBF神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)權(quán)值向量，將不同時(shí)刻橋式吊車神經(jīng)網(wǎng)絡(luò)模型的輸 出值?分別與橋式吊車實(shí)際輸出 χ、θ采樣數(shù)據(jù)間的誤差絕對(duì)值之和作為布谷鳥(niǎo)行為 RNA-GA的RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)的適應(yīng)度函數(shù)f，其表達(dá)式為：
[0029]
[0030]式中，Nt為樣本數(shù)，分別為第j個(gè)樣本控制力輸入對(duì)應(yīng)的模型位置、擺 角輸出數(shù)據(jù);x(j)、9(j)分別為第j個(gè)樣本控制力輸入對(duì)應(yīng)的實(shí)際位置、擺角輸出數(shù)據(jù)；
[0031] 適應(yīng)度函數(shù)值J定義為：
[0032]
[0033] 其中，ε>〇;
[0034] 采用精英保留法，利用輪盤賭來(lái)選擇個(gè)體，并根據(jù)適應(yīng)度函數(shù)值進(jìn)行選擇得到種 群Ε，根據(jù)適應(yīng)度函數(shù)值將種群Ε等分為個(gè)體數(shù)均為Size/2的有害Ed個(gè)體和中性Εη個(gè)體兩個(gè) 集合；
[0035] 步驟5.4:在中性Εη個(gè)體集合中，以概率ρ。執(zhí)行換位操作，否則執(zhí)行轉(zhuǎn)位操作，產(chǎn)生 Size/2個(gè)個(gè)體，集合為Eel，具體操作步驟為：
[0036] 3)在0~1之間隨機(jī)選擇一個(gè)數(shù)temp，當(dāng)temp小于概率pc時(shí)，進(jìn)行換位操作；
[0037] 4)當(dāng)temp大于等于概率pc時(shí)，進(jìn)行轉(zhuǎn)位操作；
[0038]步驟5.5:在中性Εη個(gè)體集合中，以概率pt執(zhí)行置換操作，產(chǎn)生Size/2個(gè)個(gè)體，集合 為 Ec2;
[0039] 步驟5.6:在集合[Eel;Ec2;Ed]中以概率?》1和pmh執(zhí)行自適應(yīng)變異操作，得到集合 E2，其中自適應(yīng)變異概率為：
[0040]
[0041]
[0042]其中，ai為初始變異概率，匕為變異概率變化范圍，aa為變異速率，g為進(jìn)化代數(shù)，go 為轉(zhuǎn)折點(diǎn)；
[0043]步驟5.7:在集合E2中，找出適應(yīng)度函數(shù)值最優(yōu)的個(gè)體BestS;
[0044] 步驟5.8:利用最優(yōu)個(gè)體BestS，結(jié)合布谷鳥(niǎo)行為進(jìn)行搜索，得到新的種群E;具體步 驟如下：
[0045] 1)根據(jù)適應(yīng)度函數(shù)值篩選出的最優(yōu)個(gè)體BestS，并進(jìn)行以下搜索：
[0046] s/ =s+stepsize Χα
[0047]其中，向量s為個(gè)體中的第j個(gè)分量，α為控制步長(zhǎng)，stepsize是以最優(yōu)個(gè)體BestS的 第j個(gè)分量為中心的萊維飛行搜索路徑，計(jì)算式為：
[0048]
[0049]
[0050]
[0051 ] 其中BestS(j)為最優(yōu)個(gè)體BestS中第j個(gè)分量向量，u、v均為列向量，且u~N(0， δ2)，v~N(0，1)，β為設(shè)置參數(shù)，θ表示點(diǎn)對(duì)點(diǎn)乘法，由以上式子得到新的分量s';
[0052] 2)對(duì)于每一個(gè)個(gè)體，利用布谷鳥(niǎo)尋窩行為進(jìn)行搜索，獲得新的個(gè)體，并將其去歸一 化處理，由此得到新種群E;
[0053]步驟5.9:若當(dāng)前迭代滿足終止規(guī)則，則獲得RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心，否則返 回步驟5.3。
[0054]所述的終止規(guī)則為迭代次數(shù)達(dá)到最大進(jìn)化代數(shù)G或滿足收斂條件。
[0055]本發(fā)明受布谷鳥(niǎo)行為啟發(fā)，提出一種布谷鳥(niǎo)行為RNA-GA，并將布谷鳥(niǎo)行為RNA-GA 用于橋式吊車神經(jīng)網(wǎng)絡(luò)建模，取得了較理想的效果，適用于其他復(fù)雜非線性系統(tǒng)的建模。
【附圖說(shuō)明】
[0056]圖1為二維橋式吊車不意圖；
[0057] 圖2為二維橋式吊車神經(jīng)網(wǎng)絡(luò)模型示意圖；
[0058] 圖3為基于布谷鳥(niǎo)行為RNA-GA算法流程圖；
[0059] 圖4為橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型位置輸出誤差圖；
[0060] 圖5為橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型擺角輸出誤差圖；
[0061] 圖6為橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)位置輸出與吊車實(shí)際位置輸出比較圖；
[0062] 圖7為橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)擺角輸出與吊車實(shí)際擺角輸出比較圖。
【具體實(shí)施方式】
[0063]下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做進(jìn)一步闡述和說(shuō)明。本發(fā)明中各個(gè)實(shí)施 方式的技術(shù)特征在沒(méi)有相互沖突的前提下，均可進(jìn)行相應(yīng)組合。
[0064]將一種布谷鳥(niǎo)行為RNA-GA應(yīng)用與橋式吊車神經(jīng)網(wǎng)絡(luò)建模中，具體實(shí)施步驟如下： [0065]步驟1:通過(guò)某三維橋式吊車實(shí)驗(yàn)平臺(tái)[2](簡(jiǎn)化為在X方向上、開(kāi)環(huán)狀態(tài)下的二維橋 式吊車系統(tǒng)，具體見(jiàn)馬博軍，方勇純，王鵬程，苑英海，三維橋式吊車自動(dòng)控制實(shí)驗(yàn)系統(tǒng)，控 制工程，18 (2): 239-243，2011)獲得二維橋式吊車系統(tǒng)水平方向控制輸入和輸出采樣數(shù)據(jù)， 其中輸入采樣數(shù)據(jù)為控制力Fx，輸出采樣數(shù)據(jù)為水平方向上位置X和擺角Θ。實(shí)驗(yàn)平臺(tái)橋式 吊車參數(shù)為臺(tái)車質(zhì)量M = 6.5kg，負(fù)載質(zhì)量n/ = 0.75kg，吊繩繩長(zhǎng)1 = 0.75m，重力加速度g = 0.98kg/s2,采樣時(shí)間為Ts = 5ms。二維橋式吊車系統(tǒng)示意圖見(jiàn)圖1。
[0066]步驟2:建立橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型，模型采用三層結(jié)構(gòu)，示意圖見(jiàn)圖2。
[0067]設(shè)定t為采樣時(shí)刻，F(xiàn)x(t)為t時(shí)刻控制力采樣數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)模型輸入變量個(gè) 數(shù)為N = 7，n和m均為3。輸入向量為[Fx(t)，0(t-l)，0(t-2)，0(t-3)，x(t-l)，x(t-2)，x(t- 3)]。輸出變量個(gè)數(shù)為1* = 2，0(〇、以〇為七時(shí)刻的采樣數(shù)據(jù)，輸出變量為[&/_；)，;^；)].隱層 節(jié)點(diǎn)數(shù)為D = 50。從輸入層到輸出層的映射Rn^R可用以下函數(shù)表示：
[0068] (1)
[0069] (2) t-i
[0070] 其中X為輸入向量，Μ · I I表示歐幾里得范數(shù)，W1(i#PW2(i)為神經(jīng)網(wǎng)絡(luò)隱層第i個(gè) 節(jié)點(diǎn)輸出權(quán)值，神經(jīng)網(wǎng)絡(luò)權(quán)向量W1、W2由遞推最小二乘法確定，Ci為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)第i個(gè)隱節(jié) 點(diǎn)中心;徑向基函數(shù)Φ( ·)采用薄板樣條函數(shù)，表示為：
[0071] ?(y)=y2ln(y) (3)
[0072] 步驟3:將樣本數(shù)據(jù)分為兩個(gè)部分，其中一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，另一部分作為 測(cè)試樣本，并將數(shù)據(jù)輸入到步驟2建立的RBF神經(jīng)網(wǎng)絡(luò)模型，其中對(duì)訓(xùn)練樣本和測(cè)試樣本的 選擇方法如下：
[0073] 對(duì)于K2 = 5400組數(shù)據(jù)，每組N個(gè)數(shù)據(jù)，在K! = 4000 (KKK2)組數(shù)據(jù)中隨機(jī)選取1/tr (tr = 5)作為訓(xùn)練樣本，則總樣本數(shù)SKiXNXl/tr，再將(K2-K〇組數(shù)據(jù)作為測(cè)試樣本。
[0074]步驟4:設(shè)置RBF神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)(徑向基函數(shù)中心）。
[0075] 步驟5:提出布谷鳥(niǎo)行為RNA-GA(流程圖見(jiàn)圖3)，并將其用于對(duì)橋式吊車RBF神經(jīng)網(wǎng) 絡(luò)的徑向基函數(shù)中心進(jìn)行尋優(yōu)，適應(yīng)度函數(shù)選用RBF神經(jīng)網(wǎng)絡(luò)模型的輸出值(包括位置?和 擺角6)與橋式吊車實(shí)際的采樣數(shù)據(jù)之間的誤差絕對(duì)值之和，由此獲得RBF神經(jīng)網(wǎng)絡(luò)模型的 徑向基函數(shù)中心的最優(yōu)解。
[0076]步驟6:以步驟5獲得的最優(yōu)解作為RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心，并利用測(cè)試樣 本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型，輸出相應(yīng)的訓(xùn)練誤差曲線和擬合曲線，具體見(jiàn)圖4、圖5、圖6、圖7。
[0077]步驟5對(duì)于橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型中的徑向基函數(shù)中心進(jìn)行尋優(yōu)的步驟為： [0078]步驟5.1:設(shè)定布谷鳥(niǎo)行為RNA-GA的參數(shù):種群數(shù)Size = 30、輸入數(shù)據(jù)參數(shù)個(gè)數(shù)Ν = 7、數(shù)據(jù)編碼長(zhǎng)度codeL = 8、最大進(jìn)化代數(shù)G = 30、置換交叉概率pt = 0.5、換位和轉(zhuǎn)位交叉概 率P。= 0.5、自適應(yīng)變異概率Pmh和pml、終止規(guī)則(迭代次數(shù)達(dá)到最大進(jìn)化代數(shù)G或滿足收斂條 件)。
[0079]步驟5.2:對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)(徑向基函數(shù)中心）進(jìn)行編碼，隨機(jī)生 成包含Size個(gè)RNA序列的初始種群，每個(gè)參數(shù)均由字符集{0，1，2，3}編碼為一個(gè)長(zhǎng)度為 codeL的RNA子序列。橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)為NXD個(gè)，則一個(gè)RNA序列的編碼長(zhǎng) 度為NXDXcodeL，每個(gè)個(gè)體代表的參數(shù)如下：
[0080]
f4)
[00811式中C (i)為第i個(gè)個(gè)體對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心，Ci, j表示第i個(gè)節(jié)點(diǎn)的 第j個(gè)參數(shù)。
[0082]步驟5.3:將種群中每個(gè)RNA序列解碼為RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心，采用 最小二乘法計(jì)算神經(jīng)網(wǎng)絡(luò)權(quán)值向量。將不同時(shí)刻橋式吊車神經(jīng)網(wǎng)絡(luò)模型的輸出值i、#與 橋式吊車實(shí)際輸出χ、θ采樣數(shù)據(jù)間的誤差絕對(duì)值之和作為布谷鳥(niǎo)行為RNA-GA的RBF神經(jīng)網(wǎng) 絡(luò)模型參數(shù)尋優(yōu)的適應(yīng)度函數(shù)，其表達(dá)式為：
[0083]
(5)
[0084] 式中，分和J分別表示模型輸出位置和擺角數(shù)據(jù)，X和Θ是實(shí)際輸出位置和擺角數(shù) 據(jù)，Nt為樣本數(shù)；
[0085] 程序中為便于計(jì)算，適應(yīng)度函數(shù)值定義為：
[0086]
(6)
[0087] 取ε = 10-1Q，使分母不為0;
[0088] 采用精英保留法，利用輪盤賭來(lái)選擇個(gè)體，并根據(jù)適應(yīng)度函數(shù)值進(jìn)行選擇得到種 群E。與其同時(shí)，種群E根據(jù)適應(yīng)度函數(shù)值將種群分為有害Ed個(gè)體(Si ze/2個(gè))和中性En個(gè)體 (Size/2個(gè))兩個(gè)集合。
[0089] 步驟5.4:在中性En個(gè)體集合中，以概率p。執(zhí)行換位操作，否則執(zhí)行轉(zhuǎn)位操作，產(chǎn)生 Size/2個(gè)個(gè)體，集合為Eel，具體操作步驟為：
[0090] 1)在0~1之間隨機(jī)選擇一個(gè)數(shù)temp，當(dāng)temp小于概率pc時(shí)，進(jìn)行換位操作；
[0091] 2)當(dāng)temp大于等于概率P。時(shí)，進(jìn)行轉(zhuǎn)位操作。
[0092]步驟5.5:在中性En個(gè)體集合中，以概率pt執(zhí)行置換操作，產(chǎn)生Size/2個(gè)個(gè)體，集合 為 Ec2。
[0093] 步驟5.6:在集合^(：1$〇2$(1](為3/2\3126個(gè)個(gè)體）中以概率?^和?此執(zhí)行自適 應(yīng)變異操作，得到集合E2。其中自適應(yīng)變異概率為：
[0094] (7)
[0095] (8) 10
[0096] 其中，ai = 0.01為初始變異概率，1^ = 0.4為變異概率變化范圍，_= 一為變異速 ge. 率，g為進(jìn)化代數(shù)，a=|為轉(zhuǎn)折點(diǎn)。
[0097] 步驟5.7:在集合E2中，適應(yīng)度函數(shù)找出適應(yīng)度函數(shù)值最優(yōu)的個(gè)體BestS。
[0098] 步驟5.8:利用最優(yōu)個(gè)體BestS，結(jié)合布谷鳥(niǎo)行為進(jìn)行搜索，得到新的種群E，具體步 驟如下：
[0099] 1)根據(jù)適應(yīng)度函數(shù)篩選出的最優(yōu)個(gè)體BestS，對(duì)于每個(gè)個(gè)體中的每個(gè)分量，進(jìn)行以 下搜索：
[0100] s7 =s+stepsize Xa (9)
[0101] 其中，向量s為個(gè)體中的第j個(gè)分量，α為控制步長(zhǎng)，向量stepsize是以最優(yōu)個(gè)體 BestS的第j個(gè)分量為中心的萊維飛行(L6vy flight)搜索路徑，計(jì)算式子為：
[0102]
(10):
[0103] (11)
[0104] (12)
[0105] 其中BestS(j)為最優(yōu)個(gè)體BestS中第j個(gè)分量向量，u、v均為列向量，且u~N(0， 3 2)，￥~以〇，1)，0為設(shè)置參數(shù)。向量#叩與（8-86^5(」））進(jìn)行點(diǎn)對(duì)點(diǎn)乘法，由以上式子得到 新的分量"。
[0106] 2)對(duì)于每一個(gè)個(gè)體，利用布谷鳥(niǎo)尋窩行為搜索，獲得新的個(gè)體并進(jìn)行去歸一化操 作得到新種群E。
[0107] 步驟5.9:若當(dāng)前迭代次數(shù)滿足要求，則獲得RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心，否則返 回步驟5.3。
[0108] 根據(jù)程序運(yùn)行結(jié)果圖6、7可以看出，橋式吊車神經(jīng)網(wǎng)絡(luò)模型輸出幾乎分布在實(shí)際 測(cè)量值所在的曲線上，兩者基本重合。從圖4、5可以看出，模型輸出與實(shí)際輸出的誤差很小。 故結(jié)果表明，本發(fā)明提出的布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法誤差小、精度 高，適用于非線性系統(tǒng)建模。
【主權(quán)項(xiàng)】
1. 一種布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，其特征在于包括如下步驟： 步驟1:通過(guò)現(xiàn)場(chǎng)測(cè)試或?qū)嶒?yàn)獲得二維橋式吊車系統(tǒng)水平方向控制輸入和輸出采樣數(shù) 據(jù)，其中輸入采樣數(shù)據(jù)為控制力Fx，輸出采樣數(shù)據(jù)為水平方向的位置X和擺角Θ; 步驟2:建立橋式吊車RB巧巾經(jīng)網(wǎng)絡(luò)模型，模型采用Ξ層RB巧巾經(jīng)網(wǎng)絡(luò);設(shè)定RB巧巾經(jīng)網(wǎng)絡(luò) 隱層節(jié)點(diǎn)數(shù)D，神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)為當(dāng)前采樣時(shí)刻的控制力和當(dāng)前采樣時(shí)刻之前一定 時(shí)間段內(nèi)的水平方向的位置和擺角數(shù)據(jù)，輸出數(shù)據(jù)為當(dāng)前采樣時(shí)刻的橋式吊車的水平方向 位置和擺角，神經(jīng)網(wǎng)絡(luò)輸入層與隱層之間采用薄板樣條函數(shù)描述非線性映射關(guān)系，隱層與 輸出層之間采用加權(quán)求和，其中輸出節(jié)點(diǎn)權(quán)值由最小二乘法確定； 步驟3:將樣本數(shù)據(jù)分為兩個(gè)部分，其中一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，另一部分作為測(cè)試 樣本，并將數(shù)據(jù)輸入到步驟2建立的RB巧巾經(jīng)網(wǎng)絡(luò)模型； 步驟4:設(shè)置RB巧巾經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)； 步驟5:將布谷鳥(niǎo)行為RNA-GA用于RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中屯、進(jìn)行尋優(yōu)，適應(yīng)度函 數(shù)為RB巧申經(jīng)網(wǎng)絡(luò)模型中包括位置無(wú)和擺角夢(mèng)在內(nèi)的輸出值與步驟1中實(shí)際的采樣數(shù)據(jù)之間 的誤差絕對(duì)值之和，由此獲得RB巧申經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中屯、的最優(yōu)解； 步驟6: W步驟5獲得的最優(yōu)解作為RB巧申經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中屯、，并利用測(cè)試樣 本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型。2. 根據(jù)權(quán)利要求1所述的布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，其特征在 于所述的步驟2具體為： 設(shè)Fx(t)為t采樣時(shí)刻控制力采樣數(shù)據(jù);RB巧巾經(jīng)網(wǎng)絡(luò)模型輸入變量個(gè)數(shù)為N，輸入向量 為： [Fx(t),目（t-1),目（t-2),目（t-3),...,目（t-n),x(t-2),x(t-3),...,x(t-m)]其 中η和m為整數(shù)，且n+m+1 = N，θ (t)、X(t)為t時(shí)刻的采樣數(shù)據(jù)，輸出變量個(gè)數(shù)為Nout = 2，輸出 變量為[谷(?：Μ'(?)]，其中谷(0為t時(shí)刻的預(yù)測(cè)擺角，；(0為t時(shí)刻的水平方向的預(yù)測(cè)位置;從 輸入層到輸出層的映射RD^R用W下函數(shù)表示：其中X為輸入向量，II · II表示歐幾里得范數(shù)，Wl(i)和W2(i)為神經(jīng)網(wǎng)絡(luò)隱層第i個(gè)節(jié)點(diǎn) 輸出權(quán)值，神經(jīng)網(wǎng)絡(luò)權(quán)向量W1、W2由遞推最小二乘法確定，Cl為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)第i個(gè)隱節(jié)點(diǎn)中 屯、;徑向基函數(shù)Φ( ·)采用薄板樣條函數(shù)，表示為： 巫（y)=y2ln(y)。3. 根據(jù)權(quán)利要求1所述的布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，其特征在 于所述的步驟3中對(duì)訓(xùn)練樣本和測(cè)試樣本的選擇方法如下： 對(duì)于K2組數(shù)據(jù)，每組N個(gè)數(shù)據(jù);在Κι組數(shù)據(jù)中隨機(jī)選取1/化作為訓(xùn)練樣本，其中KKK2，則 總樣本數(shù)為KiXNXl/tr，再將化2-Ki)組數(shù)據(jù)作為測(cè)試樣本，l/tr為選取訓(xùn)練樣本比例。4. 根據(jù)權(quán)利要求1所述的布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，其特征在 于所述的步驟5具體步驟為： 步驟5.1:設(shè)定基于布谷鳥(niǎo)行為RNA-GA的參數(shù)，包括:種群數(shù)Size、輸入數(shù)據(jù)參數(shù)個(gè)數(shù)N、 數(shù)據(jù)編碼長(zhǎng)度codeL、最大進(jìn)化代數(shù)G、置換交叉概率pt、換位和轉(zhuǎn)位交叉概率P。、自適應(yīng)變異 概率Pml和pmh和終止規(guī)則； 步驟5.2:對(duì)RB巧巾經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)進(jìn)行編碼，隨機(jī)生成包含Size個(gè)RNA序列的 初始種群，每個(gè)參數(shù)均由字符集{〇，1，2,3}編碼為一個(gè)長(zhǎng)度為codeL的RNA子序列，橋式吊車 RB巧巾經(jīng)網(wǎng)絡(luò)模型的參數(shù)為N X D個(gè)，則一個(gè)RNA序列的編碼長(zhǎng)度為N X D X codeL，每個(gè)個(gè)體代 表的參數(shù)如下：式中C (i)為第i個(gè)個(gè)體對(duì)應(yīng)的RB巧申經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中屯、，Ci, j表示第i個(gè)節(jié)點(diǎn)的第j 個(gè)參數(shù)； 步驟5.3:將種群中每個(gè)RNA序列解碼為RB巧申經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中屯、，采用最小 二乘法計(jì)算RB巧申經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)權(quán)值向量，將不同時(shí)刻橋式吊車神經(jīng)網(wǎng)絡(luò)模型的輸出值 ；、各分別與橋式吊車實(shí)際輸出x、e采樣數(shù)據(jù)間的誤差絕對(duì)值之和作為布谷鳥(niǎo)行為RNA-GA 的RB巧巾經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)的適應(yīng)度函數(shù)f，其表達(dá)式為：式中，Nt為樣本數(shù)，^(./i分別為第j個(gè)樣本控制力輸入對(duì)應(yīng)的模型位置、擺角輸 出數(shù)據(jù);x(j)、e(j)分別為第j個(gè)樣本控制力輸入對(duì)應(yīng)的實(shí)際位置、擺角輸出數(shù)據(jù)； 適應(yīng)度函數(shù)值J定義為：其中，ε>0; 采用精英保留法，利用輪盤賭來(lái)選擇個(gè)體，并根據(jù)適應(yīng)度函數(shù)值進(jìn)行選擇得到種群Ε， 根據(jù)適應(yīng)度函數(shù)值將種群Ε等分為個(gè)體數(shù)均為Size/2的有害Ed個(gè)體和中性Εη個(gè)體兩個(gè)集 合； 步驟5.4:在中性化個(gè)體集合中，W概率Pc執(zhí)行換位操作，否則執(zhí)行轉(zhuǎn)位操作，產(chǎn)生Size/ 2個(gè)個(gè)體，集合為Eel，具體操作步驟為： 1) 在0~1之間隨機(jī)選擇一個(gè)數(shù)temp,當(dāng)temp小于概率Pc時(shí)，進(jìn)行換位操作； 2) 當(dāng)temp大于等于概率Pc時(shí)，進(jìn)行轉(zhuǎn)位操作； 步驟5.5:在中性Εη個(gè)體集合中，W概率pt執(zhí)行置換操作，產(chǎn)生Size/2個(gè)個(gè)體，集合為 Ec2； 步驟5.6:在集合[Eel;Ec2;Ed]中W概率Pml和Pmh執(zhí)行自適應(yīng)變異操作，得到集合E2，其 中自適應(yīng)變異概率為：其中，ai為初始變異概率，b功變異概率變化范圍，aa為變異速率，g為進(jìn)化代數(shù)，g日為轉(zhuǎn) 折點(diǎn)； 步驟5.7:在集合E2中，找出適應(yīng)度函數(shù)值最優(yōu)的個(gè)體Bests; 步驟5.8:利用最優(yōu)個(gè)體Bests，結(jié)合布谷鳥(niǎo)行為進(jìn)行捜索，得到新的種群E;具體步驟如 下： 1) 根據(jù)適應(yīng)度函數(shù)值篩選出的最優(yōu)個(gè)體Bests,并進(jìn)行W下捜索： =s+stepsize Χα 其中，向量s為個(gè)體中的第j個(gè)分量，α為控制步長(zhǎng)，St邱size是W最優(yōu)個(gè)體Bests的第j 個(gè)分量為中屯、的萊維飛行捜索路徑，計(jì)算式為： stepsize = step? (s-BestS(j))其中BestS(j)為最優(yōu)個(gè)體Bests中第j個(gè)分量向量，u、v均為列向量，且u~Ν(0，δ2)，ν~N (0，1)，e為設(shè)置參數(shù)，?表示點(diǎn)對(duì)點(diǎn)乘法，由W上式子得到新的分量s/; 2) 對(duì)于每一個(gè)個(gè)體，利用布谷鳥(niǎo)尋窩行為進(jìn)行捜索，獲得新的個(gè)體，并將其去歸一化處 理，由此得到新種群E; 步驟5.9:若當(dāng)前迭代滿足終止規(guī)則，則獲得RB巧申經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中屯、，否則返回步 驟 5.3。5.根據(jù)權(quán)利要求4所述的布谷鳥(niǎo)行為RNA-GA的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，其特征在 于所述的終止規(guī)則為迭代次數(shù)達(dá)到最大進(jìn)化代數(shù)G或滿足收斂條件。
【文檔編號(hào)】G06N3/08GK105976029SQ201610369228
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年5月27日
【發(fā)明人】陳怡萍, 王寧, 郝利帆
【申請(qǐng)人】浙江大學(xué)