模大小，m，n和nr是正整數(shù)，1 <η<5，1 < nr < 60，&中的元素滿(mǎn)足如下條件：
[0042]
[0043] 〇i = rwmax 1 < i < nr
[0044] 其中，r是一個(gè)在-0.5~1.5之間的隨機(jī)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。
[0045] 2.2將采集的過(guò)程對(duì)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(xùn)練數(shù)據(jù)樣本 Y:，用于計(jì)算輸出層權(quán)重，中間1/3數(shù)據(jù)為第二組數(shù)據(jù)樣本γ2，用于對(duì)每一代的神經(jīng)網(wǎng)絡(luò)評(píng) 價(jià)，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(luò)的目標(biāo)函數(shù)，形 式如下：
[0046]
[0047]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(jié)構(gòu)的復(fù) 雜性，$(/)(/ = 1,…,Μ)，Α(/)(/：=1···,Λ/2)分別表示兩組數(shù)據(jù)樣本YjPY^RBF神經(jīng)網(wǎng)絡(luò) 模型預(yù)測(cè)輸出， Nl，N2為選取的數(shù)據(jù)樣本的大小。
[0048] 2.3由于染色體中的基因會(huì)發(fā)生變異，pc為當(dāng)前個(gè)體Q和下一個(gè)個(gè)體C1+1之間交叉 概率，以交叉概率p。將被選擇的染色體進(jìn)行交叉操作產(chǎn)生下一代子染色體d'和C1+/。變異 算子執(zhí)行時(shí)，隨機(jī)產(chǎn)生給定范圍內(nèi)的m，η和nr值，變異個(gè)體根據(jù)步驟2.1元素個(gè)體滿(mǎn)足條件 進(jìn)行變異得到新的個(gè)體。
[0049] 2.4為了提高Μ0ΕΑ的局部搜索能力，局部算子設(shè)計(jì)為如下形式：
[0050] C = aCi+(l-c〇Ci，
[0051] C = Ci+ACi
[0052] 其中，Ci是選自前λ?\個(gè)體，Cr是選自前Af2個(gè)體，λ表示自然數(shù)，a e (〇，1)為隨機(jī)數(shù)， 當(dāng)Ci = Cr則Δ Ci中的Δ cij = 0Cij，aE (-1，1)，局部搜索概率動(dòng)態(tài)改變成如下開(kāi)多式：
[0053]
[0054]其中，G表示最大的進(jìn)化代數(shù)，g表示進(jìn)化的代數(shù)。
[0055] 2.5在個(gè)體數(shù)目大于種群規(guī)模N時(shí)，得到剪接算子，形式如下
[0056]
[0057] 其中，Ah表式第i個(gè)隱含神經(jīng)元活躍度，ΦΚχ)表示第i個(gè)隱含神經(jīng)元的輸出值，P> 1〇
[0058] 2.6設(shè)定優(yōu)良基因庫(kù)的最大值為N，將優(yōu)良的基因保存到基因庫(kù)中，當(dāng)優(yōu)良基因庫(kù) 大于N時(shí)，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(kù)中移除，使所有基 因滿(mǎn)足Pareto最優(yōu)解以維持優(yōu)良基因的多樣性和均勻性。
[0059] 2.7依照步驟2.2到步驟2.6中的步驟進(jìn)行循環(huán)重復(fù)優(yōu)化搜索，達(dá)到允許的最大進(jìn) 化代數(shù)式結(jié)束優(yōu)化搜索計(jì)算，得到改進(jìn)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(luò)模型的參數(shù)。
【主權(quán)項(xiàng)】
1.焦化爐壓力的多目標(biāo)遺傳算法與RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化建模方法，其特征在于該方法的 具體步驟是： 步驟1、采集過(guò)程的實(shí)時(shí)運(yùn)行數(shù)據(jù)，建立過(guò)程對(duì)象RBF模型，具體步驟如下： 1.1由包含輸入層、輸出層和隱含層的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到網(wǎng)絡(luò)的映射關(guān)系即系統(tǒng) 的輸入輸出模型，形式如下：其中，X=(X1，X2，···，Χη)表示η輸入結(jié)點(diǎn)向量，y表示網(wǎng)絡(luò)的輸出變量，CiERn表示第i個(gè) 隱含層神經(jīng)元的中心向量，Rn是歐氏空間，φ(|χ-c;. ) = exp(--^-)是一個(gè)高斯函數(shù)，| |χ-ci 11 Gf I表示^ljCl的徑向距離，σ,是高斯函數(shù)的基寬，1 < i <nr，nr是隱含層的結(jié)點(diǎn)數(shù)，ωι表示第i 個(gè)隱含層和輸出層之間的連接權(quán)； 步驟2、利用MOEA遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，具體步驟是： 2.1首先對(duì)神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行編碼，得到如下形式的第1代染色體：其中，1 = 1，2，...，1'1，1'1是種群規(guī)模大小，111，11和1^是正整數(shù)，1<111<5，1<11<5，1<111^ 60，&中的元素滿(mǎn)足如下條件：〇i - rWmax 1^1^ Πγ 其中，r是一個(gè)在-Ο . 5~1.5之間的隨機(jī)數(shù)，umiη，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； 2.2將采集的過(guò)程對(duì)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(xùn)練數(shù)據(jù)樣本Yi，用 于計(jì)算輸出層權(quán)重，中間1/3數(shù)據(jù)為第二組數(shù)據(jù)樣本γ2，用于對(duì)每一代的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)，后 面1/3數(shù)據(jù)為優(yōu)化數(shù)據(jù)γ 3，用于求取Pareto最優(yōu)解，選取RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)，形式如 下：其中，Min表示求最小值，表示心和￥2均方差，f2反映了輸入層和隱含層結(jié)構(gòu)的復(fù)雜性， $(/)，U/)，分別表示兩組數(shù)據(jù)樣本YdPY2的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)輸出，為選取的 數(shù)據(jù)樣本的大小； 2.3由于染色體中的基因會(huì)發(fā)生變異，p。為當(dāng)前個(gè)體Q和下一個(gè)個(gè)體C1+1之間交叉概率， 以交叉概率P。將被選擇的染色體進(jìn)行交叉操作產(chǎn)生下一代子染色體C jPC 1+1;變異算子執(zhí) 行時(shí)，隨機(jī)產(chǎn)生給定范圍內(nèi)的m，n和nr值，變異個(gè)體根據(jù)步驟2.1元素個(gè)體滿(mǎn)足條件進(jìn)行變 異得到新的個(gè)體； 2.4為了提高M(jìn)OEA的局部搜索能力，局部算子設(shè)計(jì)為如下形式： C = aCi+(l-a)Cr C = Ci+ACi 其中，Ci是選自前λ?\個(gè)體，Cr是選自前Af2個(gè)體，λ表示自然數(shù)，a e (〇，1)為隨機(jī)數(shù)，當(dāng)Ci =Cr則Δ Ci中的Δ cij = acij，ae(-l，1)，局部搜索概率動(dòng)態(tài)改變成如下開(kāi)多式：其中，G表示最大的進(jìn)化代數(shù)，g表示進(jìn)化的代數(shù)； 2.5在個(gè)體數(shù)目大于種群規(guī)模N時(shí)，得到剪接算子，形式如下| 其中，Ah表式第i個(gè)隱含神經(jīng)元活躍度，Φ Kx)表示第i個(gè)隱含神經(jīng)元的輸出值，P>1; 2.6設(shè)定優(yōu)良基因庫(kù)的最大值為N，將優(yōu)良的基因保存到基因庫(kù)中，當(dāng)優(yōu)良基因庫(kù)大于N 時(shí)，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(kù)中移除，使所有基因滿(mǎn)足 Pareto最優(yōu)解以維持優(yōu)良基因的多樣性和均勻性； 2.7依照步驟2.2到步驟2.6中的步驟進(jìn)行循環(huán)重復(fù)優(yōu)化搜索，達(dá)到允許的最大進(jìn)化代 數(shù)式結(jié)束優(yōu)化搜索計(jì)算，得到改進(jìn)后的M0EA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(luò)模型的參數(shù)。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種焦化爐壓力的多目標(biāo)遺傳算法與RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化建模方法。本發(fā)明通過(guò)采集過(guò)程對(duì)象的輸入輸出數(shù)據(jù)，結(jié)合RBF神經(jīng)網(wǎng)絡(luò)模型，使用改進(jìn)的MOEA優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層和參數(shù)。本發(fā)明具有較高的精確性，能很好地描述過(guò)程對(duì)象的動(dòng)態(tài)特性。
【IPC分類(lèi)】G06F17/50, G06N3/02, G06N3/12
【公開(kāi)號(hào)】CN105608295
【申請(qǐng)?zhí)枴緾N201610063623
【發(fā)明人】張日東, 王玉中
【申請(qǐng)人】杭州電子科技大學(xué)
【公開(kāi)日】2016年5月25日
【申請(qǐng)日】2016年1月29日