[发明专利]神经网络优化方法、装置、计算机设备及存储介质

说明书

本发明公开了一种神经网络优化方法、装置、计算机设备及存储介质，其中方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。本发明利用遗传算法优化神经网络的初始权值和阈值，建立了基于神经网络的工艺闭环优化的实现方法，采用基于遗传算法优化后的神经网络可以更加有效的优化工艺生产线。

技术领域

本发明涉及人工智能技术领域，具体涉及一种神经网络优化方法、装置、计算机设备及存储介质。

背景技术

工艺过程中的工况是由控制器进行闭环反馈控制的。设备的老化、环境的变动以及原料成分的变动等诸多因素形成的对工艺过程的慢扰动，从而需要根据某些指标规定不断地去改变控制器的设定值，使工业过程保持在最优状况，来增加产量，减少原材料和能源消耗，并且还能够提高产品质量，这是工艺过程优化的目的。随着工艺生产的大规模集成化、自动化，人们对控制系统的性能要求不断提高，已不满足生产装置的稳定运行。另外，人们对环保意识的逐步增强，以及原材料的价格上涨致使的生产成本的不断提高，因此希望可以寻得一种有效的方法，在尽可能保持原有设备的前提下，可以借助改善操作过程来实现成本和能耗的降低，并且保持高质量、高产量和高生产效率。

国内外的专家学者提出了众多方法来改进工艺过程。诸如采用静态多级优化方法、稳态递阶优化控制方法、集成研究方法ISOPE等，这些优化方法在解决过程大规模、变量关联方面取得了不少成果。但总的来说，这些方法所采取的优化策略仍然是基于传统的线性规划或非线性规划方法。而实际上，工艺工程是异常复杂的，尽管通过系统分解，可以使每个子系统的变量维数大幅减少，但并不能消除系统本身所具有的非线性。并且在实际工业过程中，变量间的非线性关系往往不是用简单的非线性模型能描述的，或者说，即便可以描述，但要通过不断的补偿和修正来获取次优解，从而导致整个工艺闭环优化监测效果较差。

目前，在人工智能技术领域，神经网络是一类新的知识表达体系，具有知识的分布存储、并行处理、强容错性、非线性映射能力及很强的自学习、自适应能力等。由于神经网络具有寻优精确的特点，因此，可以利用神经网络来对工艺过程中的参数进行优化改进，但是由于神经网络训练过程中，容易陷入局部最小点等缺陷，导致工艺过程的优化失败。

发明内容

本发明要解决现有技术中由于神经网络在工艺过程优化的应用中，容易陷入局部最小值导致工艺过程优化失败的问题，从而提供一种神经网络优化方法、装置、计算机设备及存储介质。

本发明的一方面，提供了一种神经网络优化方法，所述神经网络用于优化工艺过程，方法包括：建立所述工艺过程对应的神经网络，所述神经网络包括输入层、隐含层和输出层，其中，所述输入层的节点与所述工艺过程的参数一一对应，所述输出层节点与所述工艺过程的优化指标参数对应；利用遗传算法对所述神经网络的权值和阈值的分布进行优化，得到所述神经网络的权值和阈值的搜索区间；对所述神经网络进行训练以从所述搜索区间中确定出权值和阈值的最优解，得到训练后的神经网络。

可选地，利用遗传算法对所述神经网络的权值和阈值的分布进行优化，包括：随机生成若干个个体，每个个体包括对应的神经网络的权值和阈值；计算每个个体的适应度；根据计算得到的适应度选择一部分个体作为父代个体；对所述父代个体进行遗传操作得到子代个体，计算所述子代个体的适应度；将所述子代个体中适应度高于父代个体的适应度的子代个体作为新的父代个体，替换掉父代个体中适应度低的个体。

可选地，还包括：计算父代个体中所有个体的在遗传算法中的误差平方和；判断每个父代个体的误差平方和是否小于目标误差；将误差平方和小于所述目标误差的父代个体对应的权值和阈值，作为所述搜索区间的一个要素，用于进行所述神经网络的训练。