[发明专利]一种布谷鸟行为RNA-GA的桥式吊车神经网络建模方法

摘要

本发明公开了一种布谷鸟行为RNA‑GA的桥式吊车神经网络建模方法，属于智能建模领域。桥式吊车是欠驱动的复杂非线性系统，建立高精度的桥式吊车模型是对其实现有效控制的基础。利用布谷鸟行为RNA遗传算法对桥式吊车神经网络模型的径向基函数中心进行寻优，获得相应的RBF神经网络模型。本发明的建模方法，在实验中取得了理想的效果，也适用于其他复杂非线性系统的建模。

主权项

一种布谷鸟行为RNA‑GA的桥式吊车神经网络建模方法，其特征在于包括如下步骤：步骤1：通过现场测试或实验获得二维桥式吊车系统水平方向控制输入和输出采样数据，其中输入采样数据为控制力Fx，输出采样数据为水平方向的位置x和摆角θ；步骤2：建立桥式吊车RBF神经网络模型，模型采用三层RBF神经网络；设定RBF神经网络隐层节点数D，神经网络模型输入数据为当前采样时刻的控制力和当前采样时刻之前一定时间段内的水平方向的位置和摆角数据，输出数据为当前采样时刻的桥式吊车的水平方向位置和摆角，神经网络输入层与隐层之间采用薄板样条函数描述非线性映射关系，隐层与输出层之间采用加权求和，其中输出节点权值由最小二乘法确定；具体为：设Fx(t)为t采样时刻控制力采样数据；RBF神经网络模型输入变量个数为Ninput，输入向量为：[Fx(t),θ(t‑1),θ(t‑2),θ(t‑3),...,θ(t‑n),x(t‑1),x(t‑2),x(t‑3),...,x(t‑m)]其中n和m为整数，且n+m+1＝Ninput，θ(t)、x(t)为t时刻的采样数据，输出变量个数为Nout＝2，输出变量为其中为t时刻的预测摆角，为t时刻的水平方向的预测位置；从输入层到输出层的映射Rn→R用以下函数表示：θ^(t)=Σi=1Dw1(i)·Φ(||X-ci||)]]>x^(t)=Σi=1Dw2(i)·Φ(||X-ci||)]]>其中X为输入向量，||·||表示欧几里得范数，w1(i)和w2(i)为神经网络隐层第i个节点输出权值，神经网络权向量w1、w2由递推最小二乘法确定，ci为神经网络对应第i个隐层节点中心；径向基函数Φ(·)采用薄板样条函数，表示为：Φ(y)＝y2ln(y)；步骤3：将样本数据分为两个部分，其中一部分数据作为训练样本，另一部分作为测试样本，并将数据输入到步骤2建立的RBF神经网络模型；对训练样本和测试样本的选择方法如下：对于K2组数据，每组N个数据；在K1组数据中随机选取1/tr作为训练样本，其中K1＜K2，则总样本数为K1×N×1/tr，再将(K2‑K1)组数据作为测试样本，1/tr为选取训练样本比例；步骤4：设置RBF神经网络模型中待寻优参数；步骤5：将布谷鸟行为RNA‑GA用于RBF神经网络的径向基函数中心进行寻优，适应度函数为RBF神经网络模型中包括位置和摆角在内的输出值与步骤1中实际的采样数据之间的误差绝对值之和，由此获得RBF神经网络径向基函数中心的最优解；具体步骤为：步骤5.1：设定基于布谷鸟行为RNA‑GA的参数，包括：种群数Size、输入数据参数个数N、数据编码长度codeL、最大进化代数G、置换交叉概率pt、换位和转位交叉概率pc、自适应变异概率pml和pmh和终止规则；步骤5.2：对RBF神经网络模型中待寻优参数进行编码，随机生成包含Size个RNA序列的初始种群，每个参数均由字符集{0,1,2,3}编码为一个长度为codeL的RNA子序列，桥式吊车RBF神经网络模型的参数为N×D个，则一个RNA序列的编码长度为N×D×codeL，每个个体代表的参数如下：式中C(k)为第k个个体对应的RBF神经网络径向基函数中心，Ci,j表示第i个节点的第j个参数；步骤5.3：将种群中每个RNA序列解码为RBF神经网络模型的径向基函数中心，采用最小二乘法计算RBF神经网络输出节点权值向量，将不同时刻桥式吊车神经网络模型的输出值分别与桥式吊车实际输出x、θ采样数据间的误差绝对值之和作为布谷鸟行为RNA‑GA的RBF神经网络模型参数寻优的适应度函数f，其表达式为：f=Σz=1Nt|xz^-xz|+Σz=1Nt|θz^-θz|]]>式中，Nt为样本数，分别为第z个样本控制力输入对应的模型位置、摆角输出数据；xz、θz分别为第z个样本控制力输入对应的实际位置、摆角输出数据；适应度函数值J定义为：J=1f+ϵ]]>其中，ε＞0；采用精英保留法，利用轮盘赌来选择个体，并根据适应度函数值进行选择得到种群E，根据适应度函数值将种群E等分为个体数均为Size/2的有害Ed个体和中性En个体两个集合；步骤5.4：在中性En个体集合中，以概率pc执行换位操作，否则执行转位操作，产生Size/2个个体，集合为Ec1，具体操作步骤为：1)在0～1之间随机选择一个数temp，当temp小于概率pc时，进行换位操作；2)当temp大于等于概率pc时，进行转位操作；步骤5.5：在中性En个体集合中，以概率pt执行置换操作，产生Size/2个个体，集合为Ec2；步骤5.6：在集合[Ec1；Ec2；Ed]中以概率pml和pmh执行自适应变异操作，得到集合E2，其中自适应变异概率为：pmh=a1+b11+exp(aa×(g-g0))]]>pml=a1+b11+exp(-aa×(g-g0))]]>其中，a1为初始变异概率，b1为变异概率变化范围，aa为变异速率，g为进化代数，g0为转折点；步骤5.7：在集合E2中，找出适应度函数值最优的个体BestS；步骤5.8：利用最优个体BestS，结合布谷鸟行为进行搜索，得到新的种群E；具体步骤如下：1)根据适应度函数值筛选出的最优个体BestS，并进行以下搜索：s′＝s+stepsize×α其中，向量s为个体中的第j个分量，α为控制步长，stepsize是以最优个体BestS的第j个分量为中心的莱维飞行搜索路径，计算式为：stepsize=step⊕(s-BestS(j))]]>step=u|v|1/δ]]>δ=(Γ(1+β)sin(πβ2)Γ(1+β2)β×21+β2)1β]]>其中BestS(j)为最优个体BestS中第j个分量向量，u、v均为列向量，且u～N(0,δ2)，v～N(0,1)，β为设置参数，表示点对点乘法，由以上式子得到新的分量s′；2)对于每一个个体，利用布谷鸟寻窝行为进行搜索，获得新的个体，并将其去归一化处理，由此得到新种群E；步骤5.9：若当前迭代满足终止规则，则获得RBF神经网络径向基函数中心，否则返回步骤5.3；步骤6：以步骤5获得的最优解作为RBF神经网络模型的径向基函数中心，并利用测试样本检验神经网络模型。