專利名稱：：一種具有重構(gòu)操作的rna遺傳算法的化工過程建模方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。
背景技術(shù)：
：化工過程的建模與控制一直是企業(yè)和科研機構(gòu)重點研究的領(lǐng)域之一，它是現(xiàn)代化學(xué)工業(yè)生產(chǎn)的必不可少環(huán)節(jié)，而現(xiàn)代工業(yè)控制都是以模型為基礎(chǔ)，也就是說化工過程的數(shù)學(xué)模型是控制的核心。研究者根據(jù)化工過程的反應(yīng)機理提出了相應(yīng)的化工過程模型結(jié)構(gòu)。然而，在這些已知模型結(jié)構(gòu)的化工過程模型中存在很多無法通過直接測量得到的參數(shù)，需要使用參數(shù)估計方法來估計得到這些未知參數(shù)的值，并將這些參數(shù)的估計值代入相應(yīng)的化工過程模型中，從而得到化工過程的數(shù)學(xué)模型。這些未知參數(shù)的估計值對得到的化工過程數(shù)學(xué)模型的準確性有著重要影響。通過將參數(shù)估計問題轉(zhuǎn)化為優(yōu)化問題，很多傳統(tǒng)優(yōu)化算法被用來估計復(fù)雜化工過程的參數(shù)，如最小二乘法等。盡管這些傳統(tǒng)優(yōu)化算法的速度較快，但是由于模型的復(fù)雜性和非線性等原因，傳統(tǒng)優(yōu)化算法的全局搜索性能不高，容易陷入局部最優(yōu)點，不宜用于復(fù)雜非線性模型的參數(shù)估計中。遺傳算法(GA)作為一種適應(yīng)面廣，魯棒性強的隨機搜索方法，具有較強的全局搜索能力，特別適合于解決此類問題。然而常規(guī)遺傳算法(SimpleGeneticalgorithm,SGA)是完全以隨機性的概率轉(zhuǎn)換機制來代替確定性的機理轉(zhuǎn)換機制，算法搜索效率較低，局部搜索能力差，易早熟。為了克服SGA的缺點，研究者將遺傳算法與優(yōu)化算法相結(jié)合，形成混合遺傳算法來改進SGA的搜索性能。在這些混合遺傳算法中，結(jié)合DNA計算的DNA遺傳算法，繼承了DNA計算的并行計算能力和海量的信息存儲能力，逐漸得到人們的青睞。DNA遺傳算法本質(zhì)上是一種改進的遺傳算法，通過改進遺傳算法的操作算子和個體的編碼方式來提高遺傳算法的搜索性能。由于DNA的雙鏈結(jié)構(gòu)不易于與遺傳算法的單個染色體結(jié)合，因而出現(xiàn)了使用RNA單鏈來編碼的基于DNA計算的RNA遺傳算法。研究證明，基于DNA計算的RNA遺傳算法可以提高傳統(tǒng)遺傳算法的尋優(yōu)速度，增加種群的多樣性。但是這類算法的研究工作處于初期，仍有很多問題有待解決。如在高維環(huán)境下尋優(yōu)性能較差；在具有高度欺騙性問題上，無法克服模式欺騙，容易陷入局部最優(yōu)解。
發(fā)明內(nèi)容本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。方法的步驟如下1)通過現(xiàn)場操作或?qū)嶒灚@得實際輸入輸出采樣數(shù)據(jù)，對于同一組采樣輸入數(shù)據(jù)，化工過程模型的估計輸出與實際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時的目標函數(shù)；2)設(shè)定算法運行的最大代數(shù)為1000，每個參數(shù)編碼長度為20，個體編碼長度為每個參數(shù)編碼長度乘參數(shù)個數(shù)，種群數(shù)N為個體編碼長度的1.2倍，變異概率為0.02，重構(gòu)概率為l，重構(gòu)操作控制參數(shù)為10以及算法的終止準則；3)運行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進行估計，通過最小化目標函數(shù)，得到化工過程模型中未知參數(shù)的估計值，將未知參數(shù)的估計值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。所述的算法的終止準則為算法的運行代數(shù)達到最大代數(shù)或者算法得到的目標函數(shù)值小于0.0001。所述的運行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進行估計步驟(a)隨機生成包含N個RNA序列的初始種群，每一個RNA序列代表化工過程模型的一組未知參數(shù)的可能解，其中每一個未知參數(shù)均由字符集{0,1，2,3}編碼為一個長度為20的RNA子序列，若有w個未知參數(shù)，則一個RNA序列的編碼長度為20"，并設(shè)置記錄種群連續(xù)代數(shù)的變量/=0;(b)將種群中每一個RNA序列解碼為化工過程模型的一組未知參數(shù)，并計算這組參數(shù)所對應(yīng)的目標函數(shù)值，并將目標函數(shù)值轉(zhuǎn)化為對應(yīng)的適應(yīng)度值，適應(yīng)度值最大的個體定義為該代的最優(yōu)個體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的一半個體組成SuG集合，另一半組成InG集合，同時將最優(yōu)個體與上一代的最優(yōu)個體進行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量^為0;(c)記錄種群連續(xù)代數(shù)的變量P與重構(gòu)操作控制參數(shù)義進行比較，當々<;1，進行選擇操作、交叉操作和變異操作，生成下一代種群；當/^xl，進行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(c)進行算法迭代，直至滿足終止準則；(e)將最終種群的最優(yōu)個體解碼為化工過程模型未知參數(shù)的估計值，將未知參數(shù)的估計值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。所述進行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當前RNA序列中隨機選取一段子序列，將這段子序列用SuG中另外一個序列中長度相同的一段子序列代替，生成一個新的序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當前RNA序列中隨機選擇一段子序列,將這段子序列插入到當前序列的其他位置，生成一個新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當前RNA序列的前半段和后半段中各隨機選取一段子序列，并交換兩個子序列的位置，生成一個新的序列；(i)對SuG的每一個個體重復(fù)步驟(f)至步驟(g)。所述進行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個字符均以0.02的概率變異為其他三個字符中的任一個。所述進行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇最好的N/2個序列和最差的N/2個序列按照比例選擇操作復(fù)制種群，產(chǎn)生了含有N個RNA序列的新種群。所述進行重構(gòu)操作步驟(j)在SuG中隨機選取一個RNA序列作為重構(gòu)操作的一個父體，在整個種群中隨機選擇另外2個序列，分別計算這兩個序列與父體的距離，距離最近的序列成為重構(gòu)操作的另一個父體；(k)用刪除算子將適應(yīng)度值較大的父體末端的部分子序列切除，并通過延長算子將其粘貼在另一個父體的前端，生成兩個新的中間序列，在長度較短的中間序列的末端隨機生成一段與切除子序列長度相同的新子序列，在長度較短的中間序列的末端切除長度相同的子序列，從而生成兩個新的RNA序列，刪除算子切除的子序列的長度必須小于總長度的一半；(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生N個新RNA序列。本發(fā)明將DNA計算與遺傳算法結(jié)合，引入DNA計算的操作算子來改進遺傳算法傳統(tǒng)交叉操作和變異操作，并設(shè)計了一種包含刪除算子和延長算子的重構(gòu)操作來重構(gòu)種群中的相似個體，明顯提高了種群的多樣性，從而改善了遺傳算法可能早熟收斂的缺點。本發(fā)明作為一個優(yōu)化搜索算法，可以成功應(yīng)用于化工過程建模的參數(shù)估計中，具有很好的應(yīng)用前景。圖1為基于具有重構(gòu)操作的RNA遺傳算法的流程圖；圖2(a)為兩個父體序列；圖2(b)為選定刪除子序列；圖2(C)為生成的中間序列；圖2(d)為生成的新的序列；圖3為FCCU主分餾塔系統(tǒng)流程圖4為理想模型的輸出CV1與估計模型輸出CV1的比較圖；圖5為理想模型的輸出CV2與估計模型輸出CV2的比較圖；圖6為理想模型的輸出CV3與估計模型輸出CV3的比較圖；圖7為基于測試數(shù)據(jù)的理想模型的輸出CV1與估計模型輸出CV1的比較圖8為基于測試數(shù)據(jù)的理想模型的輸出CV2與估計模型輸出CV2的比較圖9為基于測試數(shù)據(jù)的理想模型的輸出CV3與估計模型輸出CV3的比較圖。具體實施例方式以下通過一個具體的實施例對本發(fā)明作進一步詳細描述實施例某煉油廠140萬噸重油催化裂化裝置的主分餾工藝流程如圖3所示。從圖3可知，循環(huán)油漿由塔底抽出，先與原料油換熱，然后分成兩部分一部分作為油槳循環(huán)；另一部分冷卻后出裝置。二中循環(huán)取熱系統(tǒng)從第3層塔盤抽出后分三部分第一部分作為內(nèi)回流返回到第2層塔盤上；第二部分作為二中循環(huán)回流返回到第5層塔盤；第三部分作為回煉油抽出。在第17層至第20層設(shè)有一中循環(huán)取熱系統(tǒng)將油氣進一步降溫，20層還設(shè)有輕柴油抽出線。頂循環(huán)取熱系統(tǒng)，將塔頂油氣從第29層抽出，降至80'C左右返回第32層塔板。分餾塔頂?shù)挠蜌饨?jīng)冷卻后進入塔頂油氣分離罐分離出氣相部分(富氣)和液相部分(粗汽油)，粗汽油的抽出線設(shè)在罐底。選取最主要的因素頂循環(huán)流量、一中流量和二中流量為操作變量，分別用MV1、MV2和MV3表示；選擇塔頂溫度、粗汽油干點和輕柴油傾點為被控變量，分別用CV1、CV2和CV3表示。FCCU主分餾塔MIMO模型可用以下形式表示<formula>formulaseeoriginaldocumentpage8</formula>在模型中,存在著20個未知參數(shù)A,《.，W",2,3，即為所要估計的參數(shù)?；诰哂兄貥?gòu)操作的RNA遺傳算法的對FCCU主分餾塔MIMO建模方法步驟如下1)通過實驗獲得實際80組輸入輸出采樣數(shù)據(jù)。輸入信號為范圍內(nèi)的階躍信號，輸出由FCCU主分餾塔MIMO理論模型產(chǎn)生，并添加最大偏差為±10%的噪聲信號，將輸出信號歸一化到[O,l]。由于系統(tǒng)為穩(wěn)定系統(tǒng)，模型中分母的范小為[-l,O],時滯為[l,lO];優(yōu)化指標函數(shù)為<formula>formulaseeoriginaldocumentpage8</formula><formula>formulaseeoriginaldocumentpage8</formula>圍縮其中，c^ot)為理論模型輸出值，&;(*)為由估計參數(shù)產(chǎn)生的模型輸出值，這個優(yōu)化指標作為RNA遺傳算法尋優(yōu)搜索時的目標函數(shù)；2)設(shè)定算法運行的最大代數(shù)為1000，每個參數(shù)編碼長度為20，個體編碼長度為400，種群大小為480，變異概率為0.02，重構(gòu)概率為1，重構(gòu)操作控制參數(shù)為10以及算法的終止準則3)運行具有重構(gòu)操作的RNA遺傳算法對FCCU主分餾塔MIMO模型中的未知參數(shù)進行估計，通過最小化目標函數(shù)，得到化工過程模型中未知參數(shù)。y，6y，《.,/，_/=l，2，3的估計值，將未知參數(shù)的估計值代入FCCU主分餾塔MIMO模型中，形成FCCU主分餾塔MIMO模型的數(shù)學(xué)模型。所述的算法的終止準則為算法的運行代數(shù)達到最大代數(shù)或者算法得到的目標函數(shù)值小于0.0001。所述的運行具有重構(gòu)操作的RNA遺傳算法對FCCU主分餾塔MIMO模型中的未知參數(shù)，^，^,/，y"，2,3進行估計步驟(a)隨機生成包含480個RNA序列的初始種群，每一個RNA序列代表一組未知參數(shù)的可能解，每個反應(yīng)過程中，均存在20個未知參數(shù)，其中每一個未知參數(shù)均由字符集{0,1，2,3}編碼為一個長度為20的RNA子序列，這20個RNA子序列按照[4,，4，4,4,4]的順序排列成一個RNA序列，其中局'=(2),~，《]，一個RNA序列的編碼長度為20x20=400，并設(shè)置記錄種群連續(xù)代數(shù)的變量-=0;(b)將種群中每一個RNA序列解碼為FCCU主分餾塔MIMO模型的一組未知參數(shù)，計算這組參數(shù)所對應(yīng)的目標函數(shù)值，并計算相應(yīng)的適應(yīng)度值J,=Kmax-乂。y;為目標函數(shù)值，=ioooo。適應(yīng)度值最大的個體定義為該代的最優(yōu)個體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的240個體組成SuG集合，另一半組成InG集合，同時將最優(yōu)個體與上一代的最優(yōu)個體進行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量"為0;(C)記錄種群連續(xù)代數(shù)的變量與重構(gòu)操作控制參數(shù)A進行比較，當;9<A，進行選擇操作、交叉操作和變異操作，生成下一代種群；當/^;i，進行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(C)進行算法迭代，直至滿足終止準則；(e)將最終種群的最優(yōu)個體解碼為FCCU主分餾塔MIMO模型未知參數(shù)的估計值，將未知參數(shù)的估計值代入FCCU主分餾塔MIMO模型中，形成FCCU主分餾塔的數(shù)學(xué)模型。所述進行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當前RNA序列《中隨機選取一段子序列is，并在SuG中隨機選擇另一個序列^，然后在^中選擇一段與M長度相同的子序列W，將iS用W代替，形成一個新的RNA序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當前RNA序列《中隨機選擇一段子序列,將這段子序列插入到當前序列的其他位置，生成一個新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當前RNA序列的前半段和后半段中各隨機選取一段子序列M和iS'，并交換兩個子序列的位置，生成一個新的序列；(i)對SuG的每一個個體重復(fù)步驟(f)至步驟(g)。所述進行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個字符均以0.02的概率變異為其他三個字符中的任一個。所述進行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇最好的240個序列和最差的240個序列按照比例選擇操作復(fù)制種群，每個序列被復(fù)制的次數(shù)為80^，從而產(chǎn)生含有480個RNA序列的新種群。所述進行重構(gòu)操作步驟(j)在SuG中隨機選取一個RNA序列/,作為重構(gòu)操作的一個父體，在整個種群中隨機選擇另外2個序列/2和&，分別計算這兩個序列與父體的距離《；kd^2,3。其中^為序列i,的適應(yīng)度值，《2<《3,則^作為和i,較相似的個體，成為另一個重構(gòu)父體。若J^A，則A為父體A,^為父體B。否則^為父體B，A為父體A。(k)若J一、，則《為父體A,i2為父體B。否則《為父體B,A為父體A。用刪除算子將適應(yīng)度值較大的父體A末端的部分子序列切除，并通過延長算子將其粘貼在另一個父體B的前端，生成兩個新的序列(中間序列A和中間序列B)。在長度較短的中間序列A的末端隨機生成一段與切除子序列/S長度相同的新子序列^，在長度較短的中間序列B的末端切除長度相同的子序列，從而生成兩個新的RNA序列子代A和子代B。如圖2a至圖2d所示。刪除算子切除的子序列的長度必須小于總長度的一半10;(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生480個新RNA序列，并設(shè)置記錄種群連續(xù)代數(shù)的變量/=0。根據(jù)步驟(2)，得到FCCU主分餾塔MIMO模型的參數(shù)估計值如下所示<table>tableseeoriginaldocumentpage10</column></row><table>將上述估計參數(shù)帶入FCCU主分餾塔MTMO模型中，得到FCCU主分餾塔MIMO的數(shù)學(xué)模型。并在同樣的輸入數(shù)據(jù)情況下，得到FCCU主分餾塔MIMO的數(shù)學(xué)模型的輸出。在相同的輸入數(shù)據(jù)下，理想模型的輸出與估計模型輸出的比較圖見圖4至圖6。為了驗證估計模型的有效性，重新使用800組輸入輸出數(shù)據(jù)進行測試。在上述800組測試輸入數(shù)據(jù)下，理想模型的輸出與估計模型輸出的比較圖見圖7至圖9。結(jié)果顯示，RNA-GA可用于實際對象的模型參數(shù)估計，所得模型能真實反映系統(tǒng)特性。權(quán)利要求1.一種具有重構(gòu)操作的RNA遺傳算法的對復(fù)雜化工過程建模方法，其特征是方法的步驟如下1)通過現(xiàn)場操作或?qū)嶒灚@得實際輸入輸出采樣數(shù)據(jù)，對于同一組采樣輸入數(shù)據(jù)，化工過程模型的估計輸出與實際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時的目標函數(shù)；2)設(shè)定算法運行的最大代數(shù)為1000，每個參數(shù)編碼長度為20，個體編碼長度為每個參數(shù)編碼長度乘參數(shù)個數(shù)，種群數(shù)N為個體編碼長度的1.2倍，變異概率為0.02，重構(gòu)概率為1，重構(gòu)操作控制參數(shù)λ為10以及算法的終止準則；3)運行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進行估計，通過最小化目標函數(shù)，得到化工過程模型中未知參數(shù)的估計值，將未知參數(shù)的估計值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。2.根據(jù)權(quán)利要求1所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述的算法的終止準則為算法的運行代數(shù)達到最大代數(shù)或者算法得到的目標函數(shù)值小于0.0001。3.根據(jù)權(quán)利要求1所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述的運行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進行估計步驟(a)隨機生成包含N個RNA序列的初始種群，每一個RNA序列代表化工過程模型的一組未知參數(shù)的可能解，其中每一個未知參數(shù)均由字符集{0,1,2,3}編碼為一個長度為20的RNA子序列，若有n個未知參數(shù)，則一個RNA序列的編碼長度為20n，并設(shè)置記錄種群連續(xù)代數(shù)的變量;9二0;(b)將種群中每一個RNA序列解碼為化工過程模型的一組未知參數(shù)，計算這組參數(shù)所對應(yīng)的目標函數(shù)值，并將目標函數(shù)值轉(zhuǎn)化為對應(yīng)的適應(yīng)度值，適應(yīng)度值最大的個體定義為該代的最優(yōu)個體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的一半個體組成SuG集合，另一半組成InG集合，同時將最優(yōu)個體與上一代的最優(yōu)個體進行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量/為0;(c)記錄種群連續(xù)代數(shù)的變量"與重構(gòu)操作控制參數(shù);i進行比較，當-<a，進行選擇操作、交叉操作和變異操作，生成下一代種群；當/^A，進行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(C)進行算法迭代，直至滿足算法的終止準則；(e)將最終種群的最優(yōu)個體解碼為化工過程模型未知參數(shù)的估計值，將未知參數(shù)的估計值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。4.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當前RNA序列中隨機選取一段子序列，將這段子序列用SuG中另外一個序列中長度相同的一段子序列代替，生成一個新的序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當前RNA序列中隨機選擇一段子序列,將這段子序列插入到當前序列的其他位置，生成一個新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當前RNA序列的前半段和后半段中各隨機選取一段子序列，并交換兩個子序列的位置，生成一個新的序列；(i)對SuG的每一個個體重復(fù)步驟(f)至步驟(g)。5.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個字符均以0.02的概率變異為其它三個字符中的任-個。6.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，所述進行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇適應(yīng)度值最大的N/2個序列和適應(yīng)度值最小的N/2個序列按照比例選擇操作復(fù)制種群，產(chǎn)生了含有N個RNA序列的新種群。7.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進行重構(gòu)操作步驟(j)在SuG中隨機選取一個RNA序列作為重構(gòu)操作的一個父體，在整個種群中隨機選擇另外2個序列，分別計算這兩個序列與父體的距離，距離最近的序列成為重構(gòu)操作的另一個父體；(k)用刪除算子將適應(yīng)度值較大的父體末端的部分子序列切除，并通過延長算子將其粘貼在另一個父體的前端，生成兩個新的中間序列，在長度較短的中間序列的末端隨機生成一段與切除子序列長度相同的新子序列，在長度較短的中間序列的末端切除長度相同的子序列，從而生成兩個新的RNA序列，刪除算子切除的子序列的長度必須小于總長度的一半；(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生N個新RNA序列，并設(shè)置記錄種群連續(xù)代數(shù)的變量^二0。全文摘要本發(fā)明公開了一種具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。步驟如下1)通過現(xiàn)場操作或?qū)嶒灚@得實際輸入輸出采樣數(shù)據(jù)，化工過程模型的估計輸出與實際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時的目標函數(shù)；2)設(shè)定算法控制參數(shù)；3)運行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進行估計，通過最小化目標函數(shù)，得到化工過程模型中未知參數(shù)的估計值，將未知參數(shù)的估計值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。本發(fā)明在有效的增加種群的多樣性的同時保留了原有種群的優(yōu)秀基因，從而較好的避免了傳統(tǒng)遺傳算法的早熟收斂和收斂于局部最優(yōu)解的缺陷。文檔編號G06N3/00GK101339628SQ20081012000公開日2009年1月7日申請日期2008年7月11日優(yōu)先權(quán)日2008年7月11日發(fā)明者寧王,霄陳,陶吉利申請人:浙江大學(xué)