專利名稱：一種變種群規(guī)模dna遺傳算法的催化裂化主分餾塔建模方法
技術(shù)領域：
本發(fā)明涉及一種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法。
背景技術(shù)：
催化裂化過程是將重質(zhì)原料轉(zhuǎn)化為輕質(zhì)產(chǎn)品的生產(chǎn)過程，是煉油エ業(yè)中重要的一個二次加工過程，其效率的高低直接影響著煉油廠的經(jīng)濟效益。該過程使用的催化裂化分餾塔是實現(xiàn)二次加工中產(chǎn)品分離的關(guān)鍵單元，建立催化裂化分餾塔的精確模型對于降低催化裂化裝置的能耗，提高產(chǎn)品收率和經(jīng)濟效益具有重要的意義。傳統(tǒng)的機理建模方法需要憑借先驗知識來建立過程的微分方程組模型。由于催化 裂化分餾塔是ー個具有延遲和耦合的非線性系統(tǒng)，傳統(tǒng)的機理建模方法很難對其進行有效的建摸。近年來，隨著智能控制理論研究的發(fā)展，神經(jīng)網(wǎng)絡、遺傳算法等被應用于系統(tǒng)辨識中，為催化裂化分餾塔的模型建立開辟了一條嶄新的途徑。其中，神經(jīng)網(wǎng)絡因其具有逼近任意非線性函數(shù)的能力，是具有潛力的化工過程建模新方法。但神經(jīng)網(wǎng)絡本身存在ー些缺陷，如網(wǎng)絡存在過學習、局部極小、收斂速度慢等問題。支持向量機的出現(xiàn)，以其良好的理論背景，打破了經(jīng)驗風險最小化原則的局限思維，從結(jié)構(gòu)風險最小化原理出發(fā)為復雜過程建模提供了一條新的途徑。本發(fā)明提出ー種變種群規(guī)模DNA遺傳算法的支持向量機方法，用于催化裂化主分餾塔的建摸。其中變種群規(guī)模DNA遺傳算法用于優(yōu)化支持向量機參數(shù)，得到支持向量機的最優(yōu)參數(shù)，支持向量機用于逼近過程的非線性特性。本發(fā)明具有良好的建模精度，可克服傳統(tǒng)機理建模方法存在的局限性。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，提出一種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法。變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法的步驟如下I)通過現(xiàn)場操作或?qū)嶒灢蓸荧@得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為建模數(shù)據(jù)，輸入數(shù)據(jù)包括頂循流量Q1、一中流量Q2和ニ中流量Q3，輸出數(shù)據(jù)包括塔頂溫度h、粗汽油干點t2和輕柴油傾點t3 ；2)設定變種群規(guī)模DNA遺傳算法運行的參數(shù)最大進化代數(shù)Gmax，初始種群規(guī)模N，置換交叉概率Pd，轉(zhuǎn)位交叉概率Ρ ，普通變異概率Pm以及菌群耐藥性啟發(fā)的變異操作概率Pms，支持向量機參數(shù)(C，0，O的取值范圍和編碼長度1，其中C為支持向量機的懲罰系數(shù)，σ為RBF核參數(shù)，ε為不敏感函數(shù)寬度；3)設定變種群規(guī)模DNA遺傳算法的終止準則為變種群規(guī)模DNA遺傳算法運行代數(shù)達到最大進化代數(shù)Gmax;4)使用建模數(shù)據(jù)訓練支持向量機，將建模數(shù)據(jù)隨機分為數(shù)量相等的A和B兩部分，使用A部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Ma，再用B部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Mb，將均方差M = Ma+Mb作為變種群規(guī)模DNA遺傳算法的目標函數(shù)，運行變種群規(guī)模DNA遺傳算法，最小化目標函數(shù)，優(yōu)化支持向量機參數(shù)(C, σ，ε )；5)變種群規(guī)模DNA遺傳算法運行到最大代數(shù)，對最優(yōu)解進行解碼，得到支持向量機的最優(yōu)參數(shù)，將該最優(yōu)參數(shù)代入并用建模訓練支持向量機，獲得催化裂化主分餾塔的非參數(shù)模型。所述步驟4)為(I)隨機生成包含N個長度為L的DNA序列的初始種群，每ー個DNA序列代表支持向量機的一組參數(shù)(C，O，O的可能解，每個參數(shù)均由字符集{0，1，2，3}編碼為一個長度為I的DNA子序列，支持向量機參數(shù)個數(shù)為3，因此ー個DNA序列的編碼長度為L = 3Χ 1，設置種群最優(yōu)解連續(xù)無更新代數(shù)β = O ;
(2)將種群中的DNA序列解碼為支持向量機參數(shù)，將該參數(shù)代入支持向量機，并且用建模數(shù)據(jù)訓練支持向量機，以均方差M作為目標函數(shù)；(3)計算種群中每個個體的適應度值，并按照適應度值的大小對種群進行劃分，適應度值大的Ν/2個體組成優(yōu)勢群體，適應度值小的Ν/2個體構(gòu)成劣勢群體,設Ncnew為經(jīng)交叉操作產(chǎn)生的新個體數(shù)目，其初始值為O ;(4)對種群中個體執(zhí)行交叉操作直至Ncnew > O. 5Ν ；(5)對種群中個體執(zhí)行受菌群耐藥性啟發(fā)的變異操作和普通操變異操作；(6)對種群中個體執(zhí)行選擇操作，同時將當代最優(yōu)個體與上代最優(yōu)個體進行比較，如果兩者相同，β = β+l，否則β =0;(7)根據(jù)β的值判斷是否增加種群規(guī)模；(8)如果滿足終止準則，則算法結(jié)束，否則繼續(xù)執(zhí)行步驟(2)至步驟(7)直至滿足終止準則。所述的步驟⑷為a)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率Pc;1，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ；b)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率ρ ，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ；c)重復執(zhí)行步驟a)和步驟b)直至Ncnew > O. 5N。4、根據(jù)權(quán)利要求2所述的ー種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于所述的步驟(5)為a)執(zhí)行普通變異操作,該操作的操作概率為Pm ；b)執(zhí)行受菌群耐藥性啟發(fā)的變異操作，將個體中出現(xiàn)頻率最小的堿基用最優(yōu)個體
中出現(xiàn)頻率最高的堿基代替，該操作的概率為Pms，其中Pms依據(jù)進化代數(shù)g改變
0.2所述的步驟(7)為a)根據(jù)β確定種群數(shù)目的增量Λ N，
Δ N = [ β /GJ ,其中[·]為取整函數(shù)，Gn為當前的進化代數(shù)；b)更新種群數(shù)目N = Ν+ΔΝο本發(fā)明將變種群規(guī)模DNA遺傳算法與支持向量機相結(jié)合，同時引入ー種受菌群耐藥性啟發(fā)的變異算子，用于催化裂化主分餾塔的非參數(shù)建模，有效的提高了支持向量機建模的精度。


圖I為變種群規(guī)模DNA遺傳算法的支持向量機催化裂化主分餾塔建模流程圖；圖2為受菌群耐藥性啟發(fā)的變異操作示意圖；圖3為催化裂化主分餾塔系統(tǒng)流程圖；圖4為CVl與MVl和MV2之間的真實輸出與模型輸出對比圖；圖5為CV2與MV2和MV3之間的真實輸出與模型輸出對比圖；圖6為CV3與MV3之間的真實輸出與模型輸出對比圖。
具體實施例方式變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法步驟如下I)通過現(xiàn)場操作或?qū)嶒灢蓸荧@得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為建模數(shù)據(jù)，輸入數(shù)據(jù)包括頂循流量Q1、一中流量Q2和ニ中流量Q3，輸出數(shù)據(jù)包括塔頂溫度h、粗汽油干點t2和輕柴油傾點t3 ；2)設定變種群規(guī)模DNA遺傳算法運行的參數(shù)最大進化代數(shù)Gmax，初始種群規(guī)模N，置換交叉概率Pd，轉(zhuǎn)位交叉概率Ρ ，普通變異概率Pm以及菌群耐藥性啟發(fā)的變異操作概率Pms，支持向量機參數(shù)(C，0，O的取值范圍和編碼長度1，其中c為支持向量機的懲罰系數(shù)，σ為RBF核參數(shù)，ε為不敏感函數(shù)寬度；3)設定變種群規(guī)模DNA遺傳算法的終止準則為變種群規(guī)模DNA遺傳算法運行代數(shù)達到最大進化代數(shù)Gmax;4)使用建模數(shù)據(jù)訓練支持向量機，將建模數(shù)據(jù)隨機分為數(shù)量相等的A和B兩部分，使用A部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Ma，再用B部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Mb，將均方差M = Ma+Mb作為變種群規(guī)模DNA遺傳算法的目標函數(shù)，運行變種群規(guī)模DNA遺傳算法，最小化目標函數(shù)，優(yōu)化支持向量機參數(shù)(C, σ，ε )；5)變種群規(guī)模DNA遺傳算法運行到最大代數(shù)，對最優(yōu)解進行解碼，得到支持向量機的最優(yōu)參數(shù)，將該最優(yōu)參數(shù)代入并用建模訓練支持向量機，獲得催化裂化主分餾塔的非參數(shù)模型。所述步驟4)為(I)隨機生成包含N個長度為L的DNA序列的初始種群，每ー個DNA序列代表支持向量機的一組參數(shù)(C，σ，O的可能解，每個參數(shù)均由字符集{0，1，2，3}編碼為一個長度為I的DNA子序列，支持向量機參數(shù)個數(shù)為3，因此ー個DNA序列的編碼長度為L = 3Χ 1，設置種群最優(yōu)解連續(xù)無更新代數(shù)β = O ;(2)將種群中的DNA序列解碼為支持向量機參數(shù)，將該參數(shù)代入支持向量機，并且用建模數(shù)據(jù)訓練支持向量機，以均方差M作為目標函數(shù)；(3)計算種群中每個個體的適應度值，并按照適應度值的大小對種群進行劃分，適應度值大的Ν/2個體組成優(yōu)勢群體，適應度值小的Ν/2個體構(gòu)成劣勢群體,設Ncnew為經(jīng)交叉操作產(chǎn)生的新個體數(shù)目，其初始值為O ;(4)對種群中個體執(zhí)行交叉操作直至Ncnew > O. 5Ν ；(5)對種群中個體執(zhí)行受菌群耐藥性啟發(fā)的變異操作和普通操變異操作；(6)對種群中個體執(zhí)行選擇操作，同時將當代最優(yōu)個體與上代最優(yōu)個體進行比較，如果兩者相同，β = β+l，否則β =0;(7)根據(jù)β的值判斷是否增加種群規(guī)模；(8)如果滿足終止準則，則算法結(jié)束，否則繼續(xù)執(zhí)行步驟(2)至步驟(7)直至滿足終止準則。所述的步驟⑷為a)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率Pc;1，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ；b)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率Pe2，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ；c)重復執(zhí)行步驟a)和步驟b)直至Ncnew > O. 5N。所述的步驟(5)為a)執(zhí)行普通變異操作,該操作的操作概率為Pm ；b)執(zhí)行受菌群耐藥性啟發(fā)的變異操作，將個體中出現(xiàn)頻率最小的堿基用最優(yōu)個體
中出現(xiàn)頻率最高的堿基代替，該操作的概率為Pms，其中Pms依據(jù)進化代數(shù)g改變
權(quán)利要求
1.一種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于它的步驟如下 1)通過現(xiàn)場操作或?qū)嶒灢蓸荧@得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為建模數(shù)據(jù)，輸入數(shù)據(jù)包括頂循流量Q1、一中流量Q2和ニ中流量Q3,輸出數(shù)據(jù)包括塔頂溫度h、粗汽油干點t2和輕柴油傾點t3 ； 2)設定變種群規(guī)模DNA遺傳算法運行的參數(shù)最大進化代數(shù)Gmax，初始種群規(guī)模N，置換交叉概率P。:轉(zhuǎn)位交叉概率Pc;2，普通變異概率Pm以及菌群耐藥性啟發(fā)的變異操作概率Pms，支持向量機參數(shù)(C，σ，ε )的取值范圍和編碼長度1，其中C為支持向量機的懲罰系數(shù)，σ為RBF核參數(shù)，ε為不敏感函數(shù)寬度； 3)設定變種群規(guī)模DNA遺傳算法的終止準則為變種群規(guī)模DNA遺傳算法運行代數(shù)達到最大進化代數(shù)Gmax; 4)使用建模數(shù)據(jù)訓練支持向量機，將建模數(shù)據(jù)隨機分為數(shù)量相等的A和B兩部分，使用A部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Ma，再用B部分數(shù)據(jù)訓練支持向量機，B部分數(shù)據(jù)作為測試樣本得到均方差Mb，將均方差M = Ma+Mb作為變種群規(guī)模DNA遺傳算法的目標函數(shù)，運行變種群規(guī)模DNA遺傳算法，最小化目標函數(shù)，優(yōu)化支持向量機參數(shù)(C, σ，ε )； 5)變種群規(guī)模DNA遺傳算法運行到最大代數(shù)，對最優(yōu)解進行解碼，得到支持向量機的最優(yōu)參數(shù)，將該最優(yōu)參數(shù)代入并用建模訓練支持向量機，獲得催化裂化主分餾塔的非參數(shù)模型。
2.根據(jù)權(quán)利要求I所述的ー種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于所述步驟4)為 (1)隨機生成包含N個長度為L的DNA序列的初始種群，每ー個DNA序列代表支持向量機的一組參數(shù)(C，σ，ε )的可能解，每個參數(shù)均由字符集{0，1，2，3}編碼為ー個長度為I的DNA子序列，支持向量機參數(shù)個數(shù)為3，因此ー個DNA序列的編碼長度為L = 3Χ 1，設置種群最優(yōu)解連續(xù)無更新代數(shù)β = O ; (2)將種群中的DNA序列解碼為支持向量機參數(shù)，將該參數(shù)代入支持向量機，并且用建模數(shù)據(jù)訓練支持向量機，以均方差M作為目標函數(shù)； (3)計算種群中每個個體的適應度值，并按照適應度值的大小對種群進行劃分，適應度值大的Ν/2個體組成優(yōu)勢群體，適應度值小的Ν/2個體構(gòu)成劣勢群體,設Ncnew為經(jīng)交叉操作產(chǎn)生的新個體數(shù)目，其初始值為O ; (4)對種群中個體執(zhí)行交叉操作直至Ncnew> O. 5Ν ； (5)對種群中個體執(zhí)行受菌群耐藥性啟發(fā)的變異操作和普通操變異操作； (6)對種群中個體執(zhí)行選擇操作，同時將當代最優(yōu)個體與上代最優(yōu)個體進行比較，如果兩者相同，β = β +1，否則β = O ; (7)根據(jù)β的值判斷是否增加種群規(guī)模； (8)如果滿足終止準則，則算法結(jié)束，否則繼續(xù)執(zhí)行步驟(2)至步驟(7)直至滿足終止準則。
3.根據(jù)權(quán)利要求2所述的ー種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于所述的步驟(4)為a)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率Pc;1，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ； b)隨機產(chǎn)生ー個O至I之間的數(shù)，若該隨機數(shù)小于置換交叉概率，則執(zhí)行置換交叉操作，生產(chǎn)兩個新個體Ncnew = Ncnew+2 ； c)重復執(zhí)行步驟a)和步驟b)直至Ncnew> O. 5N。
4.根據(jù)權(quán)利要求2所述的ー種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于所述的步驟(5)為 a)執(zhí)行普通變異操作，該操作的操作概率為Pni; b)執(zhí)行受菌群耐藥性啟發(fā)的變異操作，將個體中出現(xiàn)頻率最小的堿基用最優(yōu)個體中出現(xiàn)頻率最高的堿基代替，該操作的概率為Pms，其中Pms依據(jù)進化代數(shù)g改變
5.根據(jù)權(quán)利要求2所述的ー種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法，其特征在于所述的步驟(7)為 a)根據(jù)β確定種群數(shù)目的増量ΛN， ΔΝ = [β/Gj， 其中[·]為取整函數(shù)，Gn為當前的進化代數(shù)； b)更新種群數(shù)目 N = Ν+ΛΝ。
全文摘要
本發(fā)明公開了一種變種群規(guī)模DNA遺傳算法的催化裂化主分餾塔建模方法。步驟如下1)通過現(xiàn)場操作或?qū)嶒灢蓸荧@得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為建模數(shù)據(jù)；2)使用建模數(shù)據(jù)訓練支持向量機，以交叉驗證所得的均方差作為目標函數(shù)；3)設定DNA遺傳算法的運行參數(shù)；4)運行變種群規(guī)模DNA遺傳算法，對支持向量機的參數(shù)進行優(yōu)化，得到支持向量機的最優(yōu)參數(shù)，用于訓練支持向量機，得到催化裂化主分餾塔的非參數(shù)模型。本發(fā)明將變種群規(guī)模DNA遺傳算法與支持向量機相結(jié)合，同時引入一種受菌群耐藥性啟發(fā)的變異算子，用于催化裂化主分餾塔的非參數(shù)建模，有效的提高了支持向量機建模的精度。
文檔編號G06F19/00GK102663235SQ201210074690
公開日2012年9月12日 申請日期2012年3月20日 優(yōu)先權(quán)日2012年3月20日
發(fā)明者葉海山, 王寧 申請人:浙江大學