專(zhuān)利名稱(chēng)：一種復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種復(fù)雜工業(yè)過(guò)程多目標(biāo)建模方法，是一種針對(duì)復(fù)雜非線(xiàn)性系統(tǒng)的建 模方法，屬于過(guò)程控制技術(shù)領(lǐng)域。
背景技術(shù)：
建立復(fù)雜工業(yè)過(guò)程高精度的模型是實(shí)現(xiàn)生產(chǎn)過(guò)程優(yōu)化的重要手段之一。傳統(tǒng)數(shù)學(xué) 建模方法，如機(jī)理建模方法，在面對(duì)復(fù)雜的工業(yè)過(guò)程，尤其是對(duì)于具有嚴(yán)重非線(xiàn)性的復(fù)雜系 統(tǒng)時(shí)，往往難以滿(mǎn)足建模的精度要求。因此，近年來(lái)研究者開(kāi)始借助非線(xiàn)性建模工具，例如 采用人工神經(jīng)網(wǎng)絡(luò)來(lái)建立非線(xiàn)性系統(tǒng)模型。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)、自組織、 函數(shù)逼近等能力，對(duì)被建模過(guò)程不要求先驗(yàn)知識(shí)，既適合于單變量非線(xiàn)性系統(tǒng)也適合于多 變量非線(xiàn)性系統(tǒng)，因此在系統(tǒng)辨識(shí)、模式識(shí)別、信號(hào)處理、優(yōu)化和控制中得到了廣泛的應(yīng)用。 為了充分利用被建模過(guò)程先驗(yàn)知識(shí)，研究者將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng) 絡(luò)，既有模糊系統(tǒng)具有的透明語(yǔ)言結(jié)構(gòu)、分布式記憶和并行處理的特點(diǎn)，又有神經(jīng)網(wǎng)絡(luò)所具 有的自學(xué)習(xí)能力強(qiáng)等功能，因此可以充分發(fā)揮兩者的優(yōu)勢(shì)并彌補(bǔ)各自的不足。Takagi-Sugeno模糊遞歸神經(jīng)網(wǎng)絡(luò)模型是模糊邏輯與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的一種模 糊神經(jīng)網(wǎng)絡(luò)，它的后件部分采用局部線(xiàn)性化模型，取代了推理過(guò)程中的常數(shù)，相對(duì)于此前的 模糊神經(jīng)網(wǎng)絡(luò)模型而言，在處理多變量系統(tǒng)時(shí)能有效的減少模糊規(guī)則數(shù)。在T-S模糊遞歸 神經(jīng)網(wǎng)絡(luò)中，需優(yōu)化的參數(shù)包括模糊規(guī)則的數(shù)目、隸屬度函數(shù)參數(shù)等。目前對(duì)這些參數(shù)的辨 識(shí)方法主要有聚類(lèi)算法和遺傳算法等方法。其中，聚類(lèi)算法如K-均值算法，對(duì)初始聚類(lèi)中 心十分敏感，并且只考慮輸入數(shù)據(jù)，據(jù)此建立的模型不能很好反映系統(tǒng)特性。遺傳算法是一 種模擬生物進(jìn)化過(guò)程的仿生算法，具有很強(qiáng)的易操作性和全局優(yōu)化性能，被廣泛用來(lái)優(yōu)化 模糊模型的結(jié)構(gòu)和參數(shù)，然而面對(duì)復(fù)雜系統(tǒng)，特別是非線(xiàn)性系統(tǒng)時(shí)，遺傳算法仍存在著許多 缺陷，如算法局部搜索能力較低、易早熟收斂等，導(dǎo)致所建模型的建模誤差較大。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種新的復(fù)雜工業(yè)過(guò)程的多目標(biāo)建 模方法。該方法適用于解決復(fù)雜的單輸入單輸出過(guò)程、多輸入多輸出過(guò)程的多指標(biāo)建模問(wèn) 題。本發(fā)明的發(fā)明構(gòu)思是發(fā)明人采用四種與DNA堿基對(duì)應(yīng)的整數(shù)對(duì)T-S模糊遞歸 神經(jīng)網(wǎng)絡(luò)的前件部分參數(shù)進(jìn)行編碼，每一個(gè)個(gè)體代表一個(gè)T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部 分，采用遞推最小二乘法得到每個(gè)網(wǎng)絡(luò)前件部分對(duì)應(yīng)的網(wǎng)絡(luò)后件部分參數(shù)，以最小化建模 誤差和網(wǎng)絡(luò)模糊規(guī)則數(shù)為目標(biāo)，基于個(gè)體的前沿和個(gè)體密度信息來(lái)計(jì)算個(gè)體適應(yīng)度值，通 過(guò)刪除距離過(guò)近個(gè)體來(lái)保持種群的多樣性，并采用置換交叉、轉(zhuǎn)位交叉、反密碼子變異、最 大最小變異和普通變異操作提高個(gè)體的品質(zhì)，最終得到了被建模過(guò)程的T-S模糊遞歸神經(jīng) 網(wǎng)絡(luò)模型。為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明所采取的技術(shù)方案是該用于復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法包括以下步驟(1)通過(guò)現(xiàn)場(chǎng)操作或?qū)嶒?yàn)獲得被建模過(guò)程的輸入和輸出采樣數(shù)據(jù)，確定T-S模糊 遞歸神經(jīng)網(wǎng)絡(luò)的輸出變量和T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)后件部分的輸入向量，將所述被建模過(guò) 程的輸入和輸出采樣數(shù)據(jù)分為訓(xùn)練樣本集和測(cè)試樣本集；確定建模問(wèn)題的第一個(gè)目標(biāo)和第 二個(gè)目標(biāo)，所述第一個(gè)目標(biāo)為T(mén)-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的輸出變量與被建模過(guò)程的輸出變量 的差值的平方和的最小化，所述第二個(gè)目標(biāo)為T(mén)-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則數(shù)的最小 化；(2)隨機(jī)生成初始種群，所述初始種群中的每個(gè)個(gè)體代表一個(gè)T-S模糊遞歸神經(jīng) 網(wǎng)絡(luò)的前件部分，每個(gè)個(gè)體均使用由與DNA堿基對(duì)應(yīng)的0、1、2、3中的任一個(gè)或任幾個(gè)組成 的整數(shù)串表示，所述整數(shù)串的長(zhǎng)度固定；并且，設(shè)所述初始種群為當(dāng)前種群，進(jìn)化代數(shù)的初 始值為1 ；(3)根據(jù)步驟(1)所述的訓(xùn)練樣本集，利用遞推最小二乘法確定與當(dāng)前種群的每 個(gè)個(gè)體所代表的所述前件部分相對(duì)應(yīng)的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的后件部分；(4)根據(jù)步驟⑴所述的第一個(gè)目標(biāo)和第二個(gè)目標(biāo)，計(jì)算當(dāng)前種群的每個(gè)所述個(gè) 體的適應(yīng)度值；(5)根據(jù)步驟(4)所獲得的每個(gè)所述個(gè)體的適應(yīng)度值選擇當(dāng)前種群中的個(gè)體組成 新一代種群；(6)對(duì)步驟(5)所述新一代種群中的個(gè)體執(zhí)行置換交叉操作和轉(zhuǎn)位交叉操作；操作；(7)判斷經(jīng)步驟(6)操作后得到的新一代種群中個(gè)體數(shù)目是否大于初始種群的個(gè) 體數(shù)目的1. 5倍，若大于，則執(zhí)行步驟8)，否則執(zhí)行步驟6)；(8)對(duì)步驟(7)所述的新一代種群中的每個(gè)個(gè)體依次執(zhí)行反密碼子變異操作、最 大最小變異操作和普通變異操作；(9)判斷當(dāng)前進(jìn)化代數(shù)是否等于預(yù)設(shè)的最大進(jìn)化代數(shù)，所述預(yù)設(shè)的最大進(jìn)化代數(shù) 為大于1的整數(shù)若是，則將當(dāng)前種群作為最終種群并執(zhí)行步驟(10)；若否，則將當(dāng)前進(jìn)化 代數(shù)加1，并以經(jīng)步驟(8)操作后的新一代種群作為當(dāng)前種群重復(fù)步驟(3)至步驟(8)；(10)任意選擇最終種群中的一個(gè)個(gè)體所對(duì)應(yīng)的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)作為被建 模過(guò)程的模型。進(jìn)一步地，本發(fā)明按以下步驟執(zhí)行步驟(8)a)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的反密碼子變異概率， 所述預(yù)設(shè)的反密碼子變異概率為0 1，則將所操作的個(gè)體按照編碼參數(shù)的不同分成不同 子序列，在每個(gè)子序列上隨機(jī)選取一段連續(xù)的整數(shù)串作為密碼子，依據(jù)0和1互補(bǔ)、2和3互 補(bǔ)原則，生成一段與密碼子中的整數(shù)互補(bǔ)的序列作為反密碼子，接著將反密碼子中的整數(shù) 進(jìn)行倒位處理，得到倒轉(zhuǎn)的反密碼子；然后將倒轉(zhuǎn)的反密碼子取代密碼子；b)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的最大最小變異概率， 則將用以表示步驟a)所得到的個(gè)體的整數(shù)串中出現(xiàn)頻率最高的整數(shù)用出現(xiàn)頻率最低的整 數(shù)來(lái)代替，所述預(yù)設(shè)的最大最小變異概率為0 1 ；c)針對(duì)用以表示步驟b)所得到的個(gè)體的整數(shù)串中的每一個(gè)整數(shù)，隨機(jī)產(chǎn)生一個(gè)0 至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的普通變異概率，則該整數(shù)被0、1、2、3中不同于該整數(shù)的任一個(gè)所代替。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是本發(fā)明以網(wǎng)絡(luò)建模精度和網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜 度為兩個(gè)優(yōu)化目標(biāo)，基于這兩個(gè)優(yōu)化目標(biāo)計(jì)算個(gè)體適應(yīng)度值，使用與DNA堿基相對(duì)應(yīng)的整 數(shù)編碼方式，并基于整數(shù)編碼間的互補(bǔ)關(guān)系，采用選擇、交叉和變異操作來(lái)產(chǎn)生新個(gè)體，以 上所述的這種多目標(biāo)DNA遺傳算法克服了傳統(tǒng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)容易陷入局部最 優(yōu)解的缺點(diǎn)，使用本發(fā)明得到的被建模過(guò)程的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)模型的建模誤差小。


圖1為pH中和過(guò)程示意圖；圖2為本發(fā)明所建模型對(duì)測(cè)試樣本的輸出值的估計(jì)誤差圖；圖3為使用現(xiàn)有技術(shù)中的遺傳算法所建模型對(duì)測(cè)試樣本的輸出值的估計(jì)誤差圖。
具體實(shí)施例方式為了更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合附圖及具體的實(shí)施例做進(jìn)一步的描 述。一個(gè)典型的pH中和過(guò)程如圖1所示。酸液、緩沖液、堿液在反應(yīng)池內(nèi)發(fā)生中和反 應(yīng)，用堿流％控制輸出PH值。圖1中，qi、q2、q3*q4分別為酸液、緩沖液、堿液和輸出液的 流量；Wal、Wa2、Wa3和Wa4分別為酸液、緩沖液、堿液和輸出液的電荷平衡因子；Wbl、Wb2、Wb3和Wb4 分別為酸液、緩沖液、堿液和輸出液的物料平衡因子；h為液位高度，A為反應(yīng)釜面積，Cv為 閥門(mén)系數(shù)，PK1和PK2均為平衡系數(shù)的對(duì)數(shù)值；PH4是輸出液pH值的測(cè)量值，pH4 = pH(t_ τ )， τ為滯后。采樣時(shí)間取為0.25min，系統(tǒng)的操作參數(shù)列于下表。 該pH過(guò)程模型包含3個(gè)非線(xiàn)性常微分方程和一個(gè)非線(xiàn)性輸出平衡方程
(I) 使用本發(fā)明提出的復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法對(duì)該pH中和過(guò)程進(jìn)行建模， 該P(yáng)H中和過(guò)程為被建模過(guò)程，步驟如下1)設(shè)堿流q3為pH中和過(guò)程的輸入變量u，pH輸出值pH4為該pH中和過(guò)程的輸出 變量1，通過(guò)實(shí)驗(yàn)隨機(jī)產(chǎn)生500組在W，40]之間的值作為輸入變量q3的值，由模型(1) - (4) 產(chǎn)生相應(yīng)的PH輸出值pH4，則堿流q3與相應(yīng)的pH輸出值pH4為該pH中和過(guò)程的輸入采樣數(shù) 據(jù)和輸出采樣數(shù)據(jù)，將其中任意的300組輸入采樣數(shù)據(jù)和輸出采樣數(shù)據(jù)作為訓(xùn)練樣本集， 將剩余的200組輸入采樣數(shù)據(jù)和輸出采樣數(shù)據(jù)作為測(cè)試樣本集。T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的 輸出變量為在時(shí)刻k的pH輸出值的估計(jì)值yd(k)，T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)在時(shí)刻k的后件 部分X(k)由6個(gè)變量組成，分別是該pH中和過(guò)程在時(shí)刻k的輸入變量u (k)、該pH中和過(guò) 程在時(shí)刻k-Ι的輸入變量u(k-l)、該pH中和過(guò)程在時(shí)刻k-2的輸入變量u(k-2)、該pH中 和過(guò)程在時(shí)刻k-Ι的輸出變量y (k-Ι)、該pH中和過(guò)程在時(shí)刻k-2的輸出變量y (k-2)、該pH 中和過(guò)程在時(shí)刻k-3的輸出變量y(k-3)及1組成，排列方式為[l，U(k)，u(k-l)，u(k-2)， y (k-1)，y (k-2)，y (k-3)]。確定建模問(wèn)題中的第一個(gè)和第二個(gè)目標(biāo)，第一個(gè)目標(biāo)為T(mén)-S模糊 遞歸神經(jīng)網(wǎng)絡(luò)的輸出變量與被建模過(guò)程的輸出變量的差值的平方和的最小化，第二個(gè)目標(biāo) 為T(mén)-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則數(shù)最小化。2)隨機(jī)產(chǎn)生包含30個(gè)個(gè)體的初始種群，種群中的每一個(gè)個(gè)體代表了一個(gè)T-S模糊 遞歸神經(jīng)網(wǎng)絡(luò)的前件部分。每一個(gè)T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分包含的參數(shù)包括模糊 規(guī)則數(shù)目M、每一個(gè)模糊規(guī)則的隸屬度函數(shù)的中心點(diǎn)Ci和寬度0i，i = 1，2，……，M。對(duì)于 每一個(gè)個(gè)體，M為隨機(jī)產(chǎn)生的1至11之間的正整數(shù)，每一個(gè)模糊規(guī)則的模糊隸屬度函數(shù)的 中心點(diǎn)Ci和寬度0i，i = 1,2,……，M，均由一個(gè)長(zhǎng)度固定為10的整數(shù)串來(lái)表示，各個(gè)整 數(shù)串由W，l，2，3]中的任一個(gè)或任幾個(gè)數(shù)字隨機(jī)排列而成。其中整數(shù)0對(duì)應(yīng)DNA堿基中的 胞嘧啶C，整數(shù)1對(duì)應(yīng)DNA堿基中的鳥(niǎo)嘌呤G，整數(shù)2對(duì)應(yīng)DNA堿基中的腺嘌呤A，整數(shù)3對(duì) 應(yīng)DNA堿基中的胸腺嘧啶T。各個(gè)整數(shù)串按照[C1 cvcM Oo1O2... σ m0]的順序排列組成 一個(gè)個(gè)體；設(shè)當(dāng)前種群為初始種群，當(dāng)前進(jìn)化代數(shù)為1。3)根據(jù)步驟1)中所述的訓(xùn)練樣本集，利用遞推最小二乘法計(jì)算每一個(gè)T-S模糊遞
歸神經(jīng)網(wǎng)絡(luò)的前件部分對(duì)應(yīng)的后件部分參數(shù)Bp j = 1,2,……，M。后件部分與相應(yīng)的前件
部分結(jié)合，確定一個(gè)T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)。則該T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)在時(shí)刻k的輸出
yd(k)可由下式計(jì)算得出 其中，Bj為T(mén)-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的后件部分參數(shù)，X(k)為T(mén)-S模糊遞歸神經(jīng)網(wǎng) 絡(luò)的后件部分輸入向量，Φ」為T(mén)-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分輸出值，計(jì)算如下
4)根據(jù)步驟1)中所述的兩個(gè)目標(biāo)，計(jì)算當(dāng)前種群的每個(gè)個(gè)體的適應(yīng)度值。首先針 對(duì)每一個(gè)個(gè)體，按照式(5)和式(6)計(jì)算步驟1)中所述的兩個(gè)目標(biāo)值。接下來(lái)針對(duì)當(dāng)前種 群中的每一個(gè)個(gè)體，根據(jù)目標(biāo)值計(jì)算當(dāng)前種群中被該個(gè)體支配的個(gè)體數(shù)目和支配該個(gè)體的 個(gè)體數(shù)目。計(jì)算個(gè)體i的支配與被支配個(gè)體數(shù)目的步驟如下a)設(shè)被個(gè)體i支配的個(gè)體數(shù)目s(i)初始值為0，支配個(gè)體i的個(gè)體數(shù)目n(i)初 始值為0 ；b)在當(dāng)前種群中任意挑選一個(gè)未與個(gè)體i比較過(guò)的個(gè)體，稱(chēng)為個(gè)體j，比較個(gè)體i 與個(gè)體j的兩個(gè)目標(biāo)值，若個(gè)體j的兩個(gè)目標(biāo)值均小于或等于個(gè)體i的兩個(gè)目標(biāo)值，則稱(chēng)個(gè) 體i被個(gè)體j支配，將支配個(gè)體i的個(gè)體數(shù)目n(i)加1 ；若個(gè)體j的兩個(gè)目標(biāo)值均大于個(gè) 體i的兩個(gè)目標(biāo)值，則稱(chēng)個(gè)體i支配個(gè)體j，將被個(gè)體i支配的個(gè)體數(shù)目s(i)加1 ；c)判斷是否當(dāng)前種群中的每一個(gè)個(gè)體都與個(gè)體i比較過(guò)，若是，則個(gè)體i計(jì)算完 成，若否，則重復(fù)步驟b)。若當(dāng)前種群中的每一個(gè)個(gè)體的支配與被支配個(gè)體數(shù)目計(jì)算完成，將滿(mǎn)足支配該個(gè) 體的個(gè)體數(shù)目為0的個(gè)體分配到第一前沿，將該個(gè)體的前沿值記為1 ；針對(duì)所有被第一前 沿的個(gè)體所支配的個(gè)體，將該個(gè)體所對(duì)應(yīng)的支配該個(gè)體的個(gè)體數(shù)目減1，若此時(shí)，該個(gè)體所 對(duì)應(yīng)的支配該個(gè)體的個(gè)體數(shù)目為0，則將該個(gè)體放入第二前沿中，并將該個(gè)體的前沿值記為 2;接下來(lái)針對(duì)所有被第二前沿中的個(gè)體支配的個(gè)體進(jìn)行處理，處理方法與被第一前沿中的 個(gè)體支配的個(gè)體的處理方法相同，如此反復(fù)處理，直到當(dāng)前種群中每一個(gè)個(gè)體都被賦予了 相應(yīng)的前沿值，分配到某一個(gè)前沿中。然后針對(duì)每一個(gè)目標(biāo)，將當(dāng)前種群中屬于同一前沿的 所有個(gè)體根據(jù)該目標(biāo)值由小到大排列，則每個(gè)個(gè)體針對(duì)該目標(biāo)的擁擠距離為距離該個(gè)體最 近的兩個(gè)個(gè)體的該目標(biāo)函數(shù)值的差的絕對(duì)值與該目標(biāo)函數(shù)值最大值與最小值的差的比值， 處于邊界的個(gè)體的擁擠距離值為無(wú)窮大，并且該個(gè)體的擁擠距離為該個(gè)體針對(duì)兩個(gè)目標(biāo)的 擁擠距離的平均值。最后個(gè)體的適應(yīng)度值為該個(gè)體的前沿值與該個(gè)體的擁擠距離值之和。5)選擇當(dāng)前種群中的個(gè)體組成新一代種群。首先將當(dāng)前種群中第一前沿的個(gè)體加 入到新一代種群中，若此時(shí)新一代種群中個(gè)體的數(shù)目小于初始種群中的個(gè)體數(shù)目，則從當(dāng) 前種群中使用聯(lián)賽選擇方法選取其他前沿的個(gè)體加入新一代種群；否則根據(jù)個(gè)體的相似性 去除較擁擠的個(gè)體，包含以下步驟al)計(jì)算新一代種群中個(gè)體間距離，然后選擇距離最小的一對(duì)個(gè)體，個(gè)體i和個(gè)體 j ；若距離最小的個(gè)體不只一對(duì)，則從中隨機(jī)選擇一對(duì)個(gè)體；a2)在新一代種群中，尋找與al)中選擇個(gè)體i的距離第二小的個(gè)體P和與al)中 選擇個(gè)體j的距離第二小的個(gè)體q ；a3)比較a2)中尋找到的個(gè)體ρ與al)中選擇的個(gè)體i之間的距離dpi和a2)中尋找到的個(gè)體q與al)中選擇的個(gè)體j之間的距離‘，若dpi < dqJ,則在新一代種群中刪除 個(gè)體i，否則在新一代種群中刪除個(gè)體j ；a4)判斷新一代種群中的個(gè)體數(shù)目是否等于初始種群中的個(gè)體數(shù)目，若等于，則執(zhí) 行步驟6)，否則重復(fù)步驟al)至a4)。6)對(duì)步驟5)中所述的新一代種群中的個(gè)體執(zhí)行置換交叉操作和轉(zhuǎn)位交叉操作。 首先隨機(jī)產(chǎn)生一個(gè)O至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于置換交叉操作概率0. 8，則在新一 代種群中隨機(jī)選擇兩個(gè)個(gè)體作為父體，并在兩個(gè)父體中分別隨機(jī)選取一段序列，交換兩段 序列的位置，形成兩個(gè)新個(gè)體，將新個(gè)體插入新一代種群中。然后再隨機(jī)產(chǎn)生一個(gè)0至1之 間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于轉(zhuǎn)位交叉操作概率0.5，則在新一代種群中隨機(jī)選擇一個(gè)個(gè)體 作為父體，在父體上隨機(jī)選取一段序列，然后該序列插入到父體的另外一個(gè)位置，產(chǎn)生一個(gè) 新個(gè)體，將新個(gè)體插入新一代種群中；7)判斷經(jīng)步驟6)操作后得到的新一代種群中個(gè)體數(shù)目是否大于初始種群中的個(gè) 體數(shù)目的1. 5倍，若大于，則執(zhí)行步驟8)，否則執(zhí)行步驟6)；8)針對(duì)步驟7)中所述的新一代種群中的每個(gè)個(gè)體，依次執(zhí)行反密碼子變異操作、 最大最小變異操作和普通變異操作，包含以下步驟a)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的反密碼子變異概率， 則將所操作的個(gè)體按照編碼參數(shù)的不同分成不同子序列，在每個(gè)子序列上隨機(jī)選取一段連 續(xù)的整數(shù)串作為密碼子，依據(jù)0和1互補(bǔ)、2和3互補(bǔ)原則，生成一段與密碼子中的整數(shù)互 補(bǔ)的序列作為反密碼子，接著將反密碼子中的整數(shù)進(jìn)行倒位處理，得到倒轉(zhuǎn)的反密碼子；然 后將倒轉(zhuǎn)的反密碼子取代密碼子。需要說(shuō)明的是，本發(fā)明中預(yù)設(shè)的反密碼子變異概率可在 0 1間任意取值，本實(shí)施例中可取預(yù)設(shè)的反密碼子變異概率為0. 5。b)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的最大最小變異概率， 則將用以表示步驟a)所得到的個(gè)體的整數(shù)串中出現(xiàn)頻率最高的整數(shù)用出現(xiàn)頻率最低的整 數(shù)來(lái)代替。本發(fā)明中，預(yù)設(shè)的最大最小變異概率為0 1中的任意值，本實(shí)施例中可取預(yù)設(shè) 的最大最小變異概率為0.5。c)針對(duì)用以表示步驟b)所得到的個(gè)體的整數(shù)串中的每一個(gè)整數(shù)，隨機(jī)產(chǎn)生一個(gè)0 至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的普通變異概率，則該整數(shù)被0、1、2、3中不同于該 整數(shù)的任一個(gè)所代替。本發(fā)明中，預(yù)設(shè)的普通變異概率為0. 001 0. 1中的任意值，本實(shí)施 例中可取預(yù)設(shè)的普通變異概率為0. 001。9)判斷當(dāng)前進(jìn)化代數(shù)是否等于預(yù)設(shè)的最大進(jìn)化代數(shù)200，若是，則將當(dāng)前種群作 為最終種群并執(zhí)行步驟(10)；若否，則將當(dāng)前進(jìn)化代數(shù)加1，并以經(jīng)步驟8)操作后的新一代 種群作為當(dāng)前種群重復(fù)步驟(3)至步驟(8)。本發(fā)明中，預(yù)設(shè)的最大進(jìn)化代數(shù)為大于1的整 數(shù)。本實(shí)施例中，預(yù)設(shè)的最大進(jìn)化代數(shù)為200。10)任意選擇最終種群中的一個(gè)個(gè)體，并根據(jù)訓(xùn)練樣本集，使用遞推最小二乘法計(jì) 算與這個(gè)個(gè)體所代表的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分相對(duì)應(yīng)的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò) 后件部分參數(shù)，從而確定一個(gè)完整T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)。該個(gè)體對(duì)應(yīng)的T-S模糊遞歸神經(jīng) 網(wǎng)絡(luò)的前件參數(shù)為模糊規(guī)則數(shù)M = 6，每一個(gè)模糊規(guī)則的模糊隸屬度函數(shù)的中心點(diǎn)和寬度 值為=C1 = 5. 1027、σ ！ = 4. 4642>C2 = 2. 1555、σ 2 = 4. 0892、c3 = 3. 8086、σ 3 = 3. 6101、 C4 = 5. 2210、σ 4 = 3. 6101、c5 = 0. 8613、σ 5 = 4. 3616, c5 = 0. 8613、σ 5 = 4. 4642 ；相應(yīng)的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的后件參數(shù)Bj, j = 1,2,…，6為B1= [14. 7802，-0. 01，-0. 0001，0，-0. 0003，0，-0. 0001]，B2 = [-0. 9772,0. 3487,0. 0022，-0. 0036，-0. 0025,0. 0211,0. 0016],B3 =
,B4= [7. 7841,0. 0326，0，-0. 0001，-0. 0009，0. 0001，0· 0001]，B5 = [-1. 3615，-0. 1544，-0. 0216，-0. 0125，-0. 008，-0. 0165，-0. 0077]，B6 = [-1. 2234，-0. 1282,0. 0203,0. 0162,0. 0088，-0. 0035,0. 0065]。將上述的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分參數(shù)和后件部分參數(shù)全部帶入式(5) 和式(6)，得到pH中和過(guò)程的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)模型。11)采用測(cè)試樣本集，使用步驟10)得到的pH中和過(guò)程的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò) 模型來(lái)估計(jì)測(cè)試樣本集的輸出值，得到的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)模型與測(cè)試樣本集的輸出 值之間的差值為模型建模誤差，針對(duì)測(cè)試樣本集中的每個(gè)測(cè)試樣本的模型建模誤差如圖2 所示。而采用遺傳算法得到的PH中和過(guò)程模型的建模誤差如圖3所示。從圖2和圖3的 比較可以發(fā)現(xiàn)，本發(fā)明得到的PH中和過(guò)程的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)模型的建模誤差要明顯 小于采用遺傳算法得到的PH中和過(guò)程模型的建模誤差，提高了建模精度。
權(quán)利要求
一種復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法，其特征是包括如下步驟(1)通過(guò)現(xiàn)場(chǎng)操作或?qū)嶒?yàn)獲得被建模過(guò)程的輸入和輸出采樣數(shù)據(jù)，確定T S模糊遞歸神經(jīng)網(wǎng)絡(luò)的輸出變量和T S模糊遞歸神經(jīng)網(wǎng)絡(luò)后件部分的輸入向量，將所述被建模過(guò)程的輸入和輸出采樣數(shù)據(jù)分為訓(xùn)練樣本集和測(cè)試樣本集；確定建模問(wèn)題的第一個(gè)目標(biāo)和第二個(gè)目標(biāo)，所述第一個(gè)目標(biāo)為T(mén) S模糊遞歸神經(jīng)網(wǎng)絡(luò)的輸出變量與被建模過(guò)程的輸出變量的差值的平方和的最小化，所述第二個(gè)目標(biāo)為T(mén) S模糊遞歸神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則數(shù)的最小化；(2)隨機(jī)生成初始種群，所述初始種群中的每個(gè)個(gè)體代表一個(gè)T S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分，每個(gè)個(gè)體均使用由與DNA堿基對(duì)應(yīng)的0、1、2、3中的任一個(gè)或任幾個(gè)組成的整數(shù)串表示，所述整數(shù)串的長(zhǎng)度固定；并且，設(shè)所述初始種群為當(dāng)前種群，進(jìn)化代數(shù)的初始值為1；(3)根據(jù)步驟(1)所述的訓(xùn)練樣本集，利用遞推最小二乘法確定與當(dāng)前種群的每個(gè)個(gè)體所代表的所述前件部分相對(duì)應(yīng)的T S模糊遞歸神經(jīng)網(wǎng)絡(luò)的后件部分；(4)根據(jù)步驟(1)所述的第一個(gè)目標(biāo)和第二個(gè)目標(biāo)，計(jì)算當(dāng)前種群的每個(gè)所述個(gè)體的適應(yīng)度值；(5)根據(jù)步驟(4)所獲得的每個(gè)所述個(gè)體的適應(yīng)度值選擇當(dāng)前種群中的個(gè)體組成新一代種群；(6)對(duì)步驟(5)所述新一代種群中的個(gè)體執(zhí)行置換交叉操作和轉(zhuǎn)位交叉操作；(7)判斷經(jīng)步驟(6)操作后得到的新一代種群中個(gè)體數(shù)目是否大于初始種群的個(gè)體數(shù)目的1.5倍，若大于，則執(zhí)行步驟8)，否則執(zhí)行步驟6)；(8)對(duì)步驟(7)所述的新一代種群中的每個(gè)個(gè)體依次執(zhí)行反密碼子變異操作、最大最小變異操作和普通變異操作；(9)判斷當(dāng)前進(jìn)化代數(shù)是否等于預(yù)設(shè)的最大進(jìn)化代數(shù)，所述預(yù)設(shè)的最大進(jìn)化代數(shù)為大于1的整數(shù)若是，則將當(dāng)前種群作為最終種群并執(zhí)行步驟(10)；若否，則將當(dāng)前進(jìn)化代數(shù)加1，并以經(jīng)步驟(8)操作后的新一代種群作為當(dāng)前種群重復(fù)步驟(3)至步驟(8)；(10)任意選擇最終種群中的一個(gè)個(gè)體所對(duì)應(yīng)的T S模糊遞歸神經(jīng)網(wǎng)絡(luò)作為被建模過(guò)程的模型。
2.根據(jù)權(quán)利要求1中所述的復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法，其特征在于按以下步驟 執(zhí)行步驟⑶a)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的反密碼子變異概率，所述 預(yù)設(shè)的反密碼子變異概率為0 1，則將所操作的個(gè)體按照編碼參數(shù)的不同分成不同子序 列，在每個(gè)子序列上隨機(jī)選取一段連續(xù)的整數(shù)串作為密碼子，依據(jù)0和1互補(bǔ)、2和3互補(bǔ)原 則，生成一段與密碼子中的整數(shù)互補(bǔ)的序列作為反密碼子，接著將反密碼子中的整數(shù)進(jìn)行 倒位處理，得到倒轉(zhuǎn)的反密碼子；然后將倒轉(zhuǎn)的反密碼子取代密碼子；b)隨機(jī)產(chǎn)生一個(gè)0至1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的最大最小變異概率，則將 用以表示步驟a)所得到的個(gè)體的整數(shù)串中出現(xiàn)頻率最高的整數(shù)用出現(xiàn)頻率最低的整數(shù)來(lái) 代替，所述預(yù)設(shè)的最大最小變異概率為0 1 ；c)針對(duì)用以表示步驟b)所得到的個(gè)體的整數(shù)串中的每一個(gè)整數(shù)，隨機(jī)產(chǎn)生一個(gè)0至 1之間的隨機(jī)數(shù)，若該隨機(jī)數(shù)小于預(yù)設(shè)的普通變異概率，則該整數(shù)被0、1、2、3中不同于該整 數(shù)的任一個(gè)所代替，所述預(yù)設(shè)的普通變異概率為0. 001 0. 1。
全文摘要
本發(fā)明涉及一種復(fù)雜工業(yè)過(guò)程的多目標(biāo)建模方法，步驟如下獲取被建模過(guò)程的輸入和輸出采樣數(shù)據(jù)；確定建模問(wèn)題的第一目標(biāo)和第二目標(biāo)；隨機(jī)生成初始種群，種群中每個(gè)個(gè)體由與DNA堿基對(duì)應(yīng)的四個(gè)整數(shù)組成的整數(shù)串來(lái)表示一個(gè)T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)的前件部分參數(shù)，以初始種群為當(dāng)前種群；利用遞推最小二乘法計(jì)算與每個(gè)個(gè)體所代表的網(wǎng)絡(luò)前件部分相對(duì)應(yīng)的網(wǎng)絡(luò)后件部分參數(shù)；計(jì)算當(dāng)前種群的每個(gè)個(gè)體的適應(yīng)度值；對(duì)當(dāng)前種群中的個(gè)體執(zhí)行選擇、交叉和變異操作得到新一代種群；選擇最終種群并以其任一個(gè)個(gè)體所對(duì)應(yīng)的T-S模糊遞歸神經(jīng)網(wǎng)絡(luò)作為被建模過(guò)程的模型。與傳統(tǒng)遺傳算法相比，本發(fā)明提出的建模方法可以有效提高所建模的精度。
文檔編號(hào)G05B13/04GK101893852SQ201010235918
公開(kāi)日2010年11月24日 申請(qǐng)日期2010年7月23日 優(yōu)先權(quán)日2010年7月23日
發(fā)明者王寧, 陳霄, 陶吉利 申請(qǐng)人:浙江大學(xué)