[发明专利]焦化炉压力的多目标遗传算法与RBF神经网络优化建模方法

权利要求书

1.焦化炉压力的多目标遗传算法与RBF神经网络优化建模方法，其特征在于该方法的具体步骤是：

步骤1、采集过程的实时运行数据，建立过程对象RBF模型，具体步骤如下：

1.1由包含输入层、输出层和隐含层的RBF神经网络结构，得到网络的映射关系即系统的输入输出模型，形式如下：

其中，x＝(x₁,x₂,… ,x_n)表示n输入结点向量，y表示网络的输出变量，c_i∈Rⁿ表示第i个隐含层神经元的中心向量，Rⁿ是欧氏空间，是一个高斯函数，||x-c_i||表示x到c_i的径向距离，σ_i是高斯函数的基宽，1≤i≤n_r，n_r是隐含层的结点数，ω_i表示第i个隐含层和输出层之间的连接权；

步骤2、利用MOEA遗传算法优化RBF神经网络模型的参数，具体步骤是：

2.1首先对神经网络模型参数进行编码，得到如下形式的第l代染色体：

其中，l＝1,2,...,N，N是种群规模大小，m,n和n_r是正整数，1≤m≤5,1≤n≤5,1≤n_r≤60，C_l中的元素满足如下条件：

σ_i＝rw_max 1≤i≤n_r

其中，r是一个在-0.5～1.5之间的随机数，u_min,u_max是系统输入的最小值和最大值，y_min,y_max是系统输出的最小值和最大值，w_max是高斯基函数的最大宽度；

2.2将采集的过程对象的数据样本分为三部分，前面1/3数据样本为训练数据样本Y₁，用于计算输出层权重，中间1/3数据为第二组数据样本Y₂，用于对每一代的神经网络评价，后面1/3数据为优化数据Y₃，用于求取Pareto最优解，选取RBF神经网络的目标函数，形式如下：

其中，Min表示求最小值，f₁表示Y₁和Y₂均方差，f₂反映了输入层和隐含层结构的复杂性，分别表示两组数据样本Y₁和Y₂的RBF神经网络模型预测输出，N₁,N₂为选取的数据样本的大小；

2.3由于染色体中的基因会发生变异，p_c为当前个体C_l和下一个个体C_l+1之间交叉概率，以交叉概率p_c将被选择的染色体进行交叉操作产生下一代子染色体C_l'和C_l'₊₁；变异算子执行时，随机产生给定范围内的m,n和n_r值，变异个体根据步骤2.1元素个体满足条件进行变异得到新的个体；

2.4为了提高MOEA的局部搜索能力，局部算子设计为如下形式：

C＝αC_l+(1-α)C_l'

C＝C_l+△C_l

其中，C_l是选自前λf₁个体，C_l'是选自前λf₂个体，λ表示自然数，α∈(0,1)为随机数，当C_l＝C_l'，则△C_l中的△c_ij＝αc_ij,α∈(-1,1)，局部搜索概率动态改变成如下形式：

其中，G表示最大的进化代数，g表示进化的代数；

2.5在个体数目大于种群规模N时，得到剪接算子，形式如下

其中，Af_i表式第i个隐含神经元活跃度，φ_i(x)表示第i个隐含神经元的输出值，ρ>1；

2.6设定优良基因库的最大值为N，将优良的基因保存到基因库中，当优良基因库大于N时，快速非支配排序方法首先执行，然后将快速非支配方法得到的非支配基因从优良基因库中移除，使所有基因满足Pareto最优解以维持优良基因的多样性和均匀性；

2.7依照步骤2.2到步骤2.6中的步骤进行循环重复优化搜索，达到允许的最大进化代数式结束优化搜索计算，得到改进后的MOEA遗传算法优化后的染色体，经解码后得到优化后的RBF神经网络模型的参数。