專利名稱：：一種具有重構(gòu)操作的rna遺傳算法的化工過程建模方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。
背景技術(shù)：
：化工過程的建模與控制一直是企業(yè)和科研機(jī)構(gòu)重點(diǎn)研究的領(lǐng)域之一，它是現(xiàn)代化學(xué)工業(yè)生產(chǎn)的必不可少環(huán)節(jié)，而現(xiàn)代工業(yè)控制都是以模型為基礎(chǔ)，也就是說化工過程的數(shù)學(xué)模型是控制的核心。研究者根據(jù)化工過程的反應(yīng)機(jī)理提出了相應(yīng)的化工過程模型結(jié)構(gòu)。然而，在這些已知模型結(jié)構(gòu)的化工過程模型中存在很多無法通過直接測量得到的參數(shù)，需要使用參數(shù)估計(jì)方法來估計(jì)得到這些未知參數(shù)的值，并將這些參數(shù)的估計(jì)值代入相應(yīng)的化工過程模型中，從而得到化工過程的數(shù)學(xué)模型。這些未知參數(shù)的估計(jì)值對得到的化工過程數(shù)學(xué)模型的準(zhǔn)確性有著重要影響。通過將參數(shù)估計(jì)問題轉(zhuǎn)化為優(yōu)化問題，很多傳統(tǒng)優(yōu)化算法被用來估計(jì)復(fù)雜化工過程的參數(shù)，如最小二乘法等。盡管這些傳統(tǒng)優(yōu)化算法的速度較快，但是由于模型的復(fù)雜性和非線性等原因，傳統(tǒng)優(yōu)化算法的全局搜索性能不高，容易陷入局部最優(yōu)點(diǎn)，不宜用于復(fù)雜非線性模型的參數(shù)估計(jì)中。遺傳算法(GA)作為一種適應(yīng)面廣，魯棒性強(qiáng)的隨機(jī)搜索方法，具有較強(qiáng)的全局搜索能力，特別適合于解決此類問題。然而常規(guī)遺傳算法(SimpleGeneticalgorithm,SGA)是完全以隨機(jī)性的概率轉(zhuǎn)換機(jī)制來代替確定性的機(jī)理轉(zhuǎn)換機(jī)制，算法搜索效率較低，局部搜索能力差，易早熟。為了克服SGA的缺點(diǎn)，研究者將遺傳算法與優(yōu)化算法相結(jié)合，形成混合遺傳算法來改進(jìn)SGA的搜索性能。在這些混合遺傳算法中，結(jié)合DNA計(jì)算的DNA遺傳算法，繼承了DNA計(jì)算的并行計(jì)算能力和海量的信息存儲(chǔ)能力，逐漸得到人們的青睞。DNA遺傳算法本質(zhì)上是一種改進(jìn)的遺傳算法，通過改進(jìn)遺傳算法的操作算子和個(gè)體的編碼方式來提高遺傳算法的搜索性能。由于DNA的雙鏈結(jié)構(gòu)不易于與遺傳算法的單個(gè)染色體結(jié)合，因而出現(xiàn)了使用RNA單鏈來編碼的基于DNA計(jì)算的RNA遺傳算法。研究證明，基于DNA計(jì)算的RNA遺傳算法可以提高傳統(tǒng)遺傳算法的尋優(yōu)速度，增加種群的多樣性。但是這類算法的研究工作處于初期，仍有很多問題有待解決。如在高維環(huán)境下尋優(yōu)性能較差；在具有高度欺騙性問題上，無法克服模式欺騙，容易陷入局部最優(yōu)解。
發(fā)明內(nèi)容本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。方法的步驟如下1)通過現(xiàn)場操作或?qū)嶒?yàn)獲得實(shí)際輸入輸出采樣數(shù)據(jù)，對于同一組采樣輸入數(shù)據(jù)，化工過程模型的估計(jì)輸出與實(shí)際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時(shí)的目標(biāo)函數(shù)；2)設(shè)定算法運(yùn)行的最大代數(shù)為1000，每個(gè)參數(shù)編碼長度為20，個(gè)體編碼長度為每個(gè)參數(shù)編碼長度乘參數(shù)個(gè)數(shù)，種群數(shù)N為個(gè)體編碼長度的1.2倍，變異概率為0.02，重構(gòu)概率為l，重構(gòu)操作控制參數(shù)為10以及算法的終止準(zhǔn)則；3)運(yùn)行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進(jìn)行估計(jì)，通過最小化目標(biāo)函數(shù)，得到化工過程模型中未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。所述的算法的終止準(zhǔn)則為算法的運(yùn)行代數(shù)達(dá)到最大代數(shù)或者算法得到的目標(biāo)函數(shù)值小于0.0001。所述的運(yùn)行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進(jìn)行估計(jì)步驟(a)隨機(jī)生成包含N個(gè)RNA序列的初始種群，每一個(gè)RNA序列代表化工過程模型的一組未知參數(shù)的可能解，其中每一個(gè)未知參數(shù)均由字符集{0,1，2,3}編碼為一個(gè)長度為20的RNA子序列，若有w個(gè)未知參數(shù)，則一個(gè)RNA序列的編碼長度為20"，并設(shè)置記錄種群連續(xù)代數(shù)的變量/=0;(b)將種群中每一個(gè)RNA序列解碼為化工過程模型的一組未知參數(shù)，并計(jì)算這組參數(shù)所對應(yīng)的目標(biāo)函數(shù)值，并將目標(biāo)函數(shù)值轉(zhuǎn)化為對應(yīng)的適應(yīng)度值，適應(yīng)度值最大的個(gè)體定義為該代的最優(yōu)個(gè)體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的一半個(gè)體組成SuG集合，另一半組成InG集合，同時(shí)將最優(yōu)個(gè)體與上一代的最優(yōu)個(gè)體進(jìn)行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量^為0;(c)記錄種群連續(xù)代數(shù)的變量P與重構(gòu)操作控制參數(shù)義進(jìn)行比較，當(dāng)々<;1，進(jìn)行選擇操作、交叉操作和變異操作，生成下一代種群；當(dāng)/^xl，進(jìn)行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(c)進(jìn)行算法迭代，直至滿足終止準(zhǔn)則；(e)將最終種群的最優(yōu)個(gè)體解碼為化工過程模型未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。所述進(jìn)行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當(dāng)前RNA序列中隨機(jī)選取一段子序列，將這段子序列用SuG中另外一個(gè)序列中長度相同的一段子序列代替，生成一個(gè)新的序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當(dāng)前RNA序列中隨機(jī)選擇一段子序列,將這段子序列插入到當(dāng)前序列的其他位置，生成一個(gè)新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當(dāng)前RNA序列的前半段和后半段中各隨機(jī)選取一段子序列，并交換兩個(gè)子序列的位置，生成一個(gè)新的序列；(i)對SuG的每一個(gè)個(gè)體重復(fù)步驟(f)至步驟(g)。所述進(jìn)行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個(gè)字符均以0.02的概率變異為其他三個(gè)字符中的任一個(gè)。所述進(jìn)行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇最好的N/2個(gè)序列和最差的N/2個(gè)序列按照比例選擇操作復(fù)制種群，產(chǎn)生了含有N個(gè)RNA序列的新種群。所述進(jìn)行重構(gòu)操作步驟(j)在SuG中隨機(jī)選取一個(gè)RNA序列作為重構(gòu)操作的一個(gè)父體，在整個(gè)種群中隨機(jī)選擇另外2個(gè)序列，分別計(jì)算這兩個(gè)序列與父體的距離，距離最近的序列成為重構(gòu)操作的另一個(gè)父體；(k)用刪除算子將適應(yīng)度值較大的父體末端的部分子序列切除，并通過延長算子將其粘貼在另一個(gè)父體的前端，生成兩個(gè)新的中間序列，在長度較短的中間序列的末端隨機(jī)生成一段與切除子序列長度相同的新子序列，在長度較短的中間序列的末端切除長度相同的子序列，從而生成兩個(gè)新的RNA序列，刪除算子切除的子序列的長度必須小于總長度的一半；(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生N個(gè)新RNA序列。本發(fā)明將DNA計(jì)算與遺傳算法結(jié)合，引入DNA計(jì)算的操作算子來改進(jìn)遺傳算法傳統(tǒng)交叉操作和變異操作，并設(shè)計(jì)了一種包含刪除算子和延長算子的重構(gòu)操作來重構(gòu)種群中的相似個(gè)體，明顯提高了種群的多樣性，從而改善了遺傳算法可能早熟收斂的缺點(diǎn)。本發(fā)明作為一個(gè)優(yōu)化搜索算法，可以成功應(yīng)用于化工過程建模的參數(shù)估計(jì)中，具有很好的應(yīng)用前景。圖1為基于具有重構(gòu)操作的RNA遺傳算法的流程圖；圖2(a)為兩個(gè)父體序列；圖2(b)為選定刪除子序列；圖2(C)為生成的中間序列；圖2(d)為生成的新的序列；圖3為FCCU主分餾塔系統(tǒng)流程圖4為理想模型的輸出CV1與估計(jì)模型輸出CV1的比較圖；圖5為理想模型的輸出CV2與估計(jì)模型輸出CV2的比較圖；圖6為理想模型的輸出CV3與估計(jì)模型輸出CV3的比較圖；圖7為基于測試數(shù)據(jù)的理想模型的輸出CV1與估計(jì)模型輸出CV1的比較圖8為基于測試數(shù)據(jù)的理想模型的輸出CV2與估計(jì)模型輸出CV2的比較圖9為基于測試數(shù)據(jù)的理想模型的輸出CV3與估計(jì)模型輸出CV3的比較圖。具體實(shí)施例方式以下通過一個(gè)具體的實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)描述實(shí)施例某煉油廠140萬噸重油催化裂化裝置的主分餾工藝流程如圖3所示。從圖3可知，循環(huán)油漿由塔底抽出，先與原料油換熱，然后分成兩部分一部分作為油槳循環(huán)；另一部分冷卻后出裝置。二中循環(huán)取熱系統(tǒng)從第3層塔盤抽出后分三部分第一部分作為內(nèi)回流返回到第2層塔盤上；第二部分作為二中循環(huán)回流返回到第5層塔盤；第三部分作為回?zé)捰统槌觥Ｔ诘?7層至第20層設(shè)有一中循環(huán)取熱系統(tǒng)將油氣進(jìn)一步降溫，20層還設(shè)有輕柴油抽出線。頂循環(huán)取熱系統(tǒng)，將塔頂油氣從第29層抽出，降至80'C左右返回第32層塔板。分餾塔頂?shù)挠蜌饨?jīng)冷卻后進(jìn)入塔頂油氣分離罐分離出氣相部分(富氣)和液相部分(粗汽油)，粗汽油的抽出線設(shè)在罐底。選取最主要的因素頂循環(huán)流量、一中流量和二中流量為操作變量，分別用MV1、MV2和MV3表示；選擇塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)為被控變量，分別用CV1、CV2和CV3表示。FCCU主分餾塔MIMO模型可用以下形式表示<formula>formulaseeoriginaldocumentpage8</formula>在模型中,存在著20個(gè)未知參數(shù)A,《.，W",2,3，即為所要估計(jì)的參數(shù)?；诰哂兄貥?gòu)操作的RNA遺傳算法的對FCCU主分餾塔MIMO建模方法步驟如下1)通過實(shí)驗(yàn)獲得實(shí)際80組輸入輸出采樣數(shù)據(jù)。輸入信號(hào)為范圍內(nèi)的階躍信號(hào)，輸出由FCCU主分餾塔MIMO理論模型產(chǎn)生，并添加最大偏差為±10%的噪聲信號(hào)，將輸出信號(hào)歸一化到[O,l]。由于系統(tǒng)為穩(wěn)定系統(tǒng)，模型中分母的范小為[-l,O],時(shí)滯為[l,lO];優(yōu)化指標(biāo)函數(shù)為<formula>formulaseeoriginaldocumentpage8</formula><formula>formulaseeoriginaldocumentpage8</formula>圍縮其中，c^ot)為理論模型輸出值，&;(*)為由估計(jì)參數(shù)產(chǎn)生的模型輸出值，這個(gè)優(yōu)化指標(biāo)作為RNA遺傳算法尋優(yōu)搜索時(shí)的目標(biāo)函數(shù)；2)設(shè)定算法運(yùn)行的最大代數(shù)為1000，每個(gè)參數(shù)編碼長度為20，個(gè)體編碼長度為400，種群大小為480，變異概率為0.02，重構(gòu)概率為1，重構(gòu)操作控制參數(shù)為10以及算法的終止準(zhǔn)則3)運(yùn)行具有重構(gòu)操作的RNA遺傳算法對FCCU主分餾塔MIMO模型中的未知參數(shù)進(jìn)行估計(jì)，通過最小化目標(biāo)函數(shù)，得到化工過程模型中未知參數(shù)。y，6y，《.,/，_/=l，2，3的估計(jì)值，將未知參數(shù)的估計(jì)值代入FCCU主分餾塔MIMO模型中，形成FCCU主分餾塔MIMO模型的數(shù)學(xué)模型。所述的算法的終止準(zhǔn)則為算法的運(yùn)行代數(shù)達(dá)到最大代數(shù)或者算法得到的目標(biāo)函數(shù)值小于0.0001。所述的運(yùn)行具有重構(gòu)操作的RNA遺傳算法對FCCU主分餾塔MIMO模型中的未知參數(shù)，^，^,/，y"，2,3進(jìn)行估計(jì)步驟(a)隨機(jī)生成包含480個(gè)RNA序列的初始種群，每一個(gè)RNA序列代表一組未知參數(shù)的可能解，每個(gè)反應(yīng)過程中，均存在20個(gè)未知參數(shù)，其中每一個(gè)未知參數(shù)均由字符集{0,1，2,3}編碼為一個(gè)長度為20的RNA子序列，這20個(gè)RNA子序列按照[4,，4，4,4,4]的順序排列成一個(gè)RNA序列，其中局'=(2),~，《]，一個(gè)RNA序列的編碼長度為20x20=400，并設(shè)置記錄種群連續(xù)代數(shù)的變量-=0;(b)將種群中每一個(gè)RNA序列解碼為FCCU主分餾塔MIMO模型的一組未知參數(shù)，計(jì)算這組參數(shù)所對應(yīng)的目標(biāo)函數(shù)值，并計(jì)算相應(yīng)的適應(yīng)度值J,=Kmax-乂。y;為目標(biāo)函數(shù)值，=ioooo。適應(yīng)度值最大的個(gè)體定義為該代的最優(yōu)個(gè)體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的240個(gè)體組成SuG集合，另一半組成InG集合，同時(shí)將最優(yōu)個(gè)體與上一代的最優(yōu)個(gè)體進(jìn)行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量"為0;(C)記錄種群連續(xù)代數(shù)的變量與重構(gòu)操作控制參數(shù)A進(jìn)行比較，當(dāng);9<A，進(jìn)行選擇操作、交叉操作和變異操作，生成下一代種群；當(dāng)/^;i，進(jìn)行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(C)進(jìn)行算法迭代，直至滿足終止準(zhǔn)則；(e)將最終種群的最優(yōu)個(gè)體解碼為FCCU主分餾塔MIMO模型未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入FCCU主分餾塔MIMO模型中，形成FCCU主分餾塔的數(shù)學(xué)模型。所述進(jìn)行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當(dāng)前RNA序列《中隨機(jī)選取一段子序列is，并在SuG中隨機(jī)選擇另一個(gè)序列^，然后在^中選擇一段與M長度相同的子序列W，將iS用W代替，形成一個(gè)新的RNA序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當(dāng)前RNA序列《中隨機(jī)選擇一段子序列,將這段子序列插入到當(dāng)前序列的其他位置，生成一個(gè)新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當(dāng)前RNA序列的前半段和后半段中各隨機(jī)選取一段子序列M和iS'，并交換兩個(gè)子序列的位置，生成一個(gè)新的序列；(i)對SuG的每一個(gè)個(gè)體重復(fù)步驟(f)至步驟(g)。所述進(jìn)行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個(gè)字符均以0.02的概率變異為其他三個(gè)字符中的任一個(gè)。所述進(jìn)行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇最好的240個(gè)序列和最差的240個(gè)序列按照比例選擇操作復(fù)制種群，每個(gè)序列被復(fù)制的次數(shù)為80^，從而產(chǎn)生含有480個(gè)RNA序列的新種群。所述進(jìn)行重構(gòu)操作步驟(j)在SuG中隨機(jī)選取一個(gè)RNA序列/,作為重構(gòu)操作的一個(gè)父體，在整個(gè)種群中隨機(jī)選擇另外2個(gè)序列/2和&，分別計(jì)算這兩個(gè)序列與父體的距離《；kd^2,3。其中^為序列i,的適應(yīng)度值，《2<《3,則^作為和i,較相似的個(gè)體，成為另一個(gè)重構(gòu)父體。若J^A，則A為父體A,^為父體B。否則^為父體B，A為父體A。(k)若J一、，則《為父體A,i2為父體B。否則《為父體B,A為父體A。用刪除算子將適應(yīng)度值較大的父體A末端的部分子序列切除，并通過延長算子將其粘貼在另一個(gè)父體B的前端，生成兩個(gè)新的序列(中間序列A和中間序列B)。在長度較短的中間序列A的末端隨機(jī)生成一段與切除子序列/S長度相同的新子序列^，在長度較短的中間序列B的末端切除長度相同的子序列，從而生成兩個(gè)新的RNA序列子代A和子代B。如圖2a至圖2d所示。刪除算子切除的子序列的長度必須小于總長度的一半10;(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生480個(gè)新RNA序列，并設(shè)置記錄種群連續(xù)代數(shù)的變量/=0。根據(jù)步驟(2)，得到FCCU主分餾塔MIMO模型的參數(shù)估計(jì)值如下所示<table>tableseeoriginaldocumentpage10</column></row><table>將上述估計(jì)參數(shù)帶入FCCU主分餾塔MTMO模型中，得到FCCU主分餾塔MIMO的數(shù)學(xué)模型。并在同樣的輸入數(shù)據(jù)情況下，得到FCCU主分餾塔MIMO的數(shù)學(xué)模型的輸出。在相同的輸入數(shù)據(jù)下，理想模型的輸出與估計(jì)模型輸出的比較圖見圖4至圖6。為了驗(yàn)證估計(jì)模型的有效性，重新使用800組輸入輸出數(shù)據(jù)進(jìn)行測試。在上述800組測試輸入數(shù)據(jù)下，理想模型的輸出與估計(jì)模型輸出的比較圖見圖7至圖9。結(jié)果顯示，RNA-GA可用于實(shí)際對象的模型參數(shù)估計(jì)，所得模型能真實(shí)反映系統(tǒng)特性。權(quán)利要求1.一種具有重構(gòu)操作的RNA遺傳算法的對復(fù)雜化工過程建模方法，其特征是方法的步驟如下1)通過現(xiàn)場操作或?qū)嶒?yàn)獲得實(shí)際輸入輸出采樣數(shù)據(jù)，對于同一組采樣輸入數(shù)據(jù)，化工過程模型的估計(jì)輸出與實(shí)際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時(shí)的目標(biāo)函數(shù)；2)設(shè)定算法運(yùn)行的最大代數(shù)為1000，每個(gè)參數(shù)編碼長度為20，個(gè)體編碼長度為每個(gè)參數(shù)編碼長度乘參數(shù)個(gè)數(shù)，種群數(shù)N為個(gè)體編碼長度的1.2倍，變異概率為0.02，重構(gòu)概率為1，重構(gòu)操作控制參數(shù)λ為10以及算法的終止準(zhǔn)則；3)運(yùn)行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進(jìn)行估計(jì)，通過最小化目標(biāo)函數(shù)，得到化工過程模型中未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。2.根據(jù)權(quán)利要求1所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述的算法的終止準(zhǔn)則為算法的運(yùn)行代數(shù)達(dá)到最大代數(shù)或者算法得到的目標(biāo)函數(shù)值小于0.0001。3.根據(jù)權(quán)利要求1所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述的運(yùn)行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進(jìn)行估計(jì)步驟(a)隨機(jī)生成包含N個(gè)RNA序列的初始種群，每一個(gè)RNA序列代表化工過程模型的一組未知參數(shù)的可能解，其中每一個(gè)未知參數(shù)均由字符集{0,1,2,3}編碼為一個(gè)長度為20的RNA子序列，若有n個(gè)未知參數(shù)，則一個(gè)RNA序列的編碼長度為20n，并設(shè)置記錄種群連續(xù)代數(shù)的變量;9二0;(b)將種群中每一個(gè)RNA序列解碼為化工過程模型的一組未知參數(shù)，計(jì)算這組參數(shù)所對應(yīng)的目標(biāo)函數(shù)值，并將目標(biāo)函數(shù)值轉(zhuǎn)化為對應(yīng)的適應(yīng)度值，適應(yīng)度值最大的個(gè)體定義為該代的最優(yōu)個(gè)體，并根據(jù)適應(yīng)度值的大小將種群分為兩類，適應(yīng)度值最大的一半個(gè)體組成SuG集合，另一半組成InG集合，同時(shí)將最優(yōu)個(gè)體與上一代的最優(yōu)個(gè)體進(jìn)行比較，如果二者相同，將記錄種群連續(xù)代數(shù)的變量/加l，否則，記錄種群連續(xù)代數(shù)的變量/為0;(c)記錄種群連續(xù)代數(shù)的變量"與重構(gòu)操作控制參數(shù);i進(jìn)行比較，當(dāng)-<a，進(jìn)行選擇操作、交叉操作和變異操作，生成下一代種群；當(dāng)/^A，進(jìn)行重構(gòu)操作，生成下一代種群；(d)重復(fù)步驟(b)和(C)進(jìn)行算法迭代，直至滿足算法的終止準(zhǔn)則；(e)將最終種群的最優(yōu)個(gè)體解碼為化工過程模型未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。4.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進(jìn)行交叉操作步驟(f)以概率1執(zhí)行置換操作，在當(dāng)前RNA序列中隨機(jī)選取一段子序列，將這段子序列用SuG中另外一個(gè)序列中長度相同的一段子序列代替，生成一個(gè)新的序列；(g)以概率0.5執(zhí)行轉(zhuǎn)位操作，在當(dāng)前RNA序列中隨機(jī)選擇一段子序列,將這段子序列插入到當(dāng)前序列的其他位置，生成一個(gè)新的序列；(h)若轉(zhuǎn)位操作未執(zhí)行，執(zhí)行換位操作，在當(dāng)前RNA序列的前半段和后半段中各隨機(jī)選取一段子序列，并交換兩個(gè)子序列的位置，生成一個(gè)新的序列；(i)對SuG的每一個(gè)個(gè)體重復(fù)步驟(f)至步驟(g)。5.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進(jìn)行變異操作步驟是在InG的序列以及交叉操作產(chǎn)生的新的序列中執(zhí)行，序列中的每一個(gè)字符均以0.02的概率變異為其它三個(gè)字符中的任-個(gè)。6.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，所述進(jìn)行選擇操作步驟是在執(zhí)行完變異操作的序列中，選擇適應(yīng)度值最大的N/2個(gè)序列和適應(yīng)度值最小的N/2個(gè)序列按照比例選擇操作復(fù)制種群，產(chǎn)生了含有N個(gè)RNA序列的新種群。7.根據(jù)權(quán)利要求3所述的一種具有重構(gòu)操作的RNA遺傳算法的化工過程的建模方法，其特征在于所述進(jìn)行重構(gòu)操作步驟(j)在SuG中隨機(jī)選取一個(gè)RNA序列作為重構(gòu)操作的一個(gè)父體，在整個(gè)種群中隨機(jī)選擇另外2個(gè)序列，分別計(jì)算這兩個(gè)序列與父體的距離，距離最近的序列成為重構(gòu)操作的另一個(gè)父體；(k)用刪除算子將適應(yīng)度值較大的父體末端的部分子序列切除，并通過延長算子將其粘貼在另一個(gè)父體的前端，生成兩個(gè)新的中間序列，在長度較短的中間序列的末端隨機(jī)生成一段與切除子序列長度相同的新子序列，在長度較短的中間序列的末端切除長度相同的子序列，從而生成兩個(gè)新的RNA序列，刪除算子切除的子序列的長度必須小于總長度的一半；(l)重復(fù)步驟(j)和(k)，直至所有SuG中的序列均完成重構(gòu)操作，產(chǎn)生N個(gè)新RNA序列，并設(shè)置記錄種群連續(xù)代數(shù)的變量^二0。全文摘要本發(fā)明公開了一種具有重構(gòu)操作的RNA遺傳算法的化工過程建模方法。步驟如下1)通過現(xiàn)場操作或?qū)嶒?yàn)獲得實(shí)際輸入輸出采樣數(shù)據(jù)，化工過程模型的估計(jì)輸出與實(shí)際輸出的誤差絕對值之和作為RNA遺傳算法尋優(yōu)搜索時(shí)的目標(biāo)函數(shù)；2)設(shè)定算法控制參數(shù)；3)運(yùn)行具有重構(gòu)操作的RNA遺傳算法對化工過程模型中的未知參數(shù)進(jìn)行估計(jì)，通過最小化目標(biāo)函數(shù)，得到化工過程模型中未知參數(shù)的估計(jì)值，將未知參數(shù)的估計(jì)值代入化工過程模型中，形成化工過程的數(shù)學(xué)模型。本發(fā)明在有效的增加種群的多樣性的同時(shí)保留了原有種群的優(yōu)秀基因，從而較好的避免了傳統(tǒng)遺傳算法的早熟收斂和收斂于局部最優(yōu)解的缺陷。文檔編號(hào)G06N3/00GK101339628SQ20081012000公開日2009年1月7日申請日期2008年7月11日優(yōu)先權(quán)日2008年7月11日發(fā)明者寧王,霄陳,陶吉利申請人:浙江大學(xué)