[发明专利]基于模糊分析和可视化技术的多目标参数寻优方法

摘要

本发明涉及一种基于模糊分析和可视化技术的多目标参数寻优方法，为工业过程中参数数据的处理、分析、优选及预测提供了一种有效手段。本发明首先使用进化算法和传统模糊C均值聚类混合算法对数据分类，选出优选数据集。然后对传统的非线性映射评价函数进行改进，引入距离误差权和差异化因子，旨在尽可能保证数据集中最远和最近点距离的降维误差最小，将降维误差集中在次要信息上，过程的求解使用最快下降法求解，最终将高维空间数据降低至二维平面。最后将多维数据沿每一维度做出轴映射，并绘制等值线，观察各参数对操作点的影响和优化潜力，给人提供丰富的直观信息，经反复选点并做逆映射还原到实际操作空间中，达到参数优选的目的。

主权项

1.一种基于模糊分析和可视化技术的多目标参数寻优方法，其特征在于包括如下步骤：1)获取工业控制过程中的多组操作参数；2)由步骤1中的操作参数确定操作参数变量的变化空间；3)设置FCM(模糊C均值聚类法)参数：一系列分类数，C＝1，2，...，N，m值，设置LCA(列队竞争算法)的参数：迭代数iter，家族数family，家族规模familysize，收缩因子s；4)对分类数C，在操作变量变化空间内随机产生family组C个点，作为family组C个类的类中心点，称为父代，用传统的FCM梯度迭代公式得到family组每个点对C个类中心的隶属度，计算聚类评价函数，得到family个目标函数值；5)对family个父代做升序排序，类中心也作对应调整；6)变异空间的分配：设置变异空间为原始操作变量的变化空间，变异空间的分配：按照排序中越靠前的父代获得的变异空间越小，越靠后的父代获得的变异空间越大；7)子代的生成：对于family个父代在其变异空间类随机产生familysize个子代类中心，用传统的FCM梯度迭代公式得到familysize组每个点对C个类中心的隶属度，计算聚类评价函数，得到family组familysize个目标函数值；8)家族内竞争，将每个父代连同它产生的子代一并比较，取出目标函数值最小者，并用其对应的类中心替代父代，形成新的family个父代；9)变异空间的收缩，将变异空间乘上收缩系数，令其为新的变异空间；10)回到步骤5，知道目标函数值收敛或者达到指定的迭代次数；11)对于得到的一系列分类数的分类，选定这样的一个分类：优秀点比较明显的集中于一类中，只有少数优秀点在其他的分类中；12)对于选出的分类，选择优秀点集中的类别，组成新的数据集合，设其样本数为n；13)对新的数据集降维，首先设置降维效果评价函数，设置距离矩阵误差权p和差异化参数q：14)随机生成初始点x⁽⁰⁾；15)用快速下降法中的公式更新r^(s)，a_s和16)迭代至收敛，输出为二维数据集合；17)将输出结果作图，观察结果数据的拓扑结构，取其中任意一点，或者当前工艺操作点；18)对选定点做逆映射，找出原空间此点坐标；19)在该点做沿各个轴向做降维，观察每个参数对此操作点的影响，并作出等值线；20)在反复地选点，逆映射，轴映射，显示等值线，重新选点的过程中，继续延各轴调节参数，尽可能保证达到目标值的情况下，调整参数到理想状态；21)输出优化操作点。