[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

说明书

本发明公开了一种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。本发明通过采集过程对象的输入输出数据，结合RBF神经网络模型，使用改进的MOEA优化神经网络的网络层和参数。本发明具有较高的精确性，能很好地描述过程对象的动态特性。

技术领域

本发明属于自动化技术领域，涉及一种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。

背景技术

在实际工业过程中，由于许多复杂的实际过程对象的物理或化学特性并不为人所知，使得系统建模是先进控制技术中非常重要的一个环节。对于焦化加热炉炉膛压力的动态特性，RBF神经网络具有良好的逼近速度，同时可以提高压力预测模型的精度，又可以简化模型结构。基于实际过程提出一种新型径向基函数(RBF)神经网络来改善模型精度和简化其结构。多目标遗传算法(MOEA)是建立在自然选择和自然遗传学基础上的迭代自适应随机全局优化搜索算法，能够解决许多传统优化方法不能解决的难题。若能通过选取合适的遗传算子，将多目标遗传算法和RBF神经网络模型相结合，既能迅速逼近焦化加热炉炉膛实际压力，又保证了模型结构简单。

发明内容

本发明的目的是针对焦化炉炉膛压力对象的建模过程比较困难这一问题，通过数据采集、模型建立、优化等手段，提供了一种焦化炉炉膛压力的多目标遗传算法与RBF神经网络结构参数优化建模方法。该方法通过采集过程对象的输入输出数据，结合RBF神经网络模型，使用改进的MOEA优化神经网络的网络层和参数。

本发明方法的步骤包括：

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。