CN101339628A - 一种具有重构操作的rna遗传算法的化工过程建模方法 - Google Patents

Abstract

本发明公开了一种具有重构操作的RNA遗传算法的化工过程建模方法。步骤如下：1)通过现场操作或实验获得实际输入输出采样数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为RNA遗传算法寻优搜索时的目标函数；2)设定算法控制参数；3)运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数，得到化工过程模型中未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。本发明在有效的增加种群的多样性的同时保留了原有种群的优秀基因，从而较好的避免了传统遗传算法的早熟收敛和收敛于局部最优解的缺陷。

Description

一种具有重构操作的RNA遗传算法的化工过程建模方法

技术领域

本发明涉及一种具有重构操作的RNA遗传算法的化工过程建模方法。

背景技术

化工过程的建模与控制一直是企业和科研机构重点研究的领域之一，它是现代化学工业生产的必不可少环节，而现代工业控制都是以模型为基础，也就是说化工过程的数学模型是控制的核心。研究者根据化工过程的反应机理提出了相应的化工过程模型结构。然而，在这些已知模型结构的化工过程模型中存在很多无法通过直接测量得到的参数，需要使用参数估计方法来估计得到这些未知参数的值，并将这些参数的估计值代入相应的化工过程模型中，从而得到化工过程的数学模型。这些未知参数的估计值对得到的化工过程数学模型的准确性有着重要影响。通过将参数估计问题转化为优化问题，很多传统优化算法被用来估计复杂化工过程的参数，如最小二乘法等。尽管这些传统优化算法的速度较快，但是由于模型的复杂性和非线性等原因，传统优化算法的全局搜索性能不高，容易陷入局部最优点，不宜用于复杂非线性模型的参数估计中。遗传算法(GA)作为一种适应面广，鲁棒性强的随机搜索方法，具有较强的全局搜索能力，特别适合于解决此类问题。然而常规遗传算法(Simple Geneticalgorithm，SGA)是完全以随机性的概率转换机制来代替确定性的机理转换机制，算法搜索效率较低，局部搜索能力差，易早熟。

为了克服SGA的缺点，研究者将遗传算法与优化算法相结合，形成混合遗传算法来改进SGA的搜索性能。在这些混合遗传算法中，结合DNA计算的DNA遗传算法，继承了DNA计算的并行计算能力和海量的信息存储能力，逐渐得到人们的青睐。DNA遗传算法本质上是一种改进的遗传算法，通过改进遗传算法的操作算子和个体的编码方式来提高遗传算法的搜索性能。由于DNA的双链结构不易于与遗传算法的单个染色体结合，因而出现了使用RNA单链来编码的基于DNA计算的RNA遗传算法。研究证明，基于DNA计算的RNA遗传算法可以提高传统遗传算法的寻优速度，增加种群的多样性。但是这类算法的研究工作处于初期，仍有很多问题有待解决。如：在高维环境下寻优性能较差；在具有高度欺骗性问题上，无法克服模式欺骗，容易陷入局部最优解。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于具有重构操作的RNA遗传算法的化工过程建模方法。

方法的步骤如下：

1)通过现场操作或实验获得实际输入输出采样数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为RNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数为1000，每个参数编码长度为20，个体编码长度为每个参数编码长度乘参数个数，种群数N为个体编码长度的1.2倍，变异概率为0.02，重构概率为1，重构操作控制参数为10以及算法的终止准则；

3)运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数，得到化工过程模型中未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

所述的算法的终止准则为：算法的运行代数达到最大代数或者算法得到的目标函数值小于0.0001。

所述的运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计步骤：

(a)随机生成包含N个RNA序列的初始种群，每一个RNA序列代表化工过程模型的一组未知参数的可能解，其中每一个未知参数均由字符集{0，1，2，3}编码为一个长度为20的RNA子序列，若有n个未知参数，则一个RNA序列的编码长度为20n，并设置记录种群连续代数的变量β＝0；

(b)将种群中每一个RNA序列解码为化工过程模型的一组未知参数，并计算这组参数所对应的目标函数值，并将目标函数值转化为对应的适应度值，适应度值最大的个体定义为该代的最优个体，并根据适应度值的大小将种群分为两类，适应度值最大的一半个体组成SuG集合，另一半组成InG集合，同时将最优个体与上一代的最优个体进行比较，如果二者相同，将记录种群连续代数的变量β加1，否则，记录种群连续代数的变量β为0；

(c)记录种群连续代数的变量β与重构操作控制参数λ进行比较，当β＜λ，进行选择操作、交叉操作和变异操作，生成下一代种群；当β≥λ，进行重构操作，生成下一代种群；

(d)重复步骤(b)和(c)进行算法迭代，直至满足终止准则；

(e)将最终种群的最优个体解码为化工过程模型未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

所述进行交叉操作步骤：

(f)以概率1执行置换操作，在当前RNA序列中随机选取一段子序列，将这段子序列用SuG中另外一个序列中长度相同的一段子序列代替，生成一个新的序列；

(g)以概率0.5执行转位操作，在当前RNA序列中随机选择一段子序列，将这段子序列插入到当前序列的其他位置，生成一个新的序列；

(h)若转位操作未执行，执行换位操作，在当前RNA序列的前半段和后半段中各随机选取一段子序列，并交换两个子序列的位置，生成一个新的序列；

(i)对SuG的每一个个体重复步骤(f)至步骤(g)。

所述进行变异操作步骤：是在InG的序列以及交叉操作产生的新的序列中执行，序列中的每一个字符均以0.02的概率变异为其他三个字符中的任一个。

所述进行选择操作步骤：是在执行完变异操作的序列中，选择最好的N/2个序列和最差的N/2个序列按照比例选择操作复制种群，产生了含有N个RNA序列的新种群。

所述进行重构操作步骤：

(j)在SuG中随机选取一个RNA序列作为重构操作的一个父体，在整个种群中随机选择另外2个序列，分别计算这两个序列与父体的距离，距离最近的序列成为重构操作的另一个父体；

(k)用删除算子将适应度值较大的父体末端的部分子序列切除，并通过延长算子将其粘贴在另一个父体的前端，生成两个新的中间序列，在长度较短的中间序列的末端随机生成一段与切除子序列长度相同的新子序列，在长度较短的中间序列的末端切除长度相同的子序列，从而生成两个新的RNA序列，删除算子切除的子序列的长度必须小于总长度的一半；

(1)重复步骤(j)和(k)，直至所有SuG中的序列均完成重构操作，产生N个新RNA序列。

本发明将DNA计算与遗传算法结合，引入DNA计算的操作算子来改进遗传算法传统交叉操作和变异操作，并设计了一种包含删除算子和延长算子的重构操作来重构种群中的相似个体，明显提高了种群的多样性，从而改善了遗传算法可能早熟收敛的缺点。本发明作为一个优化搜索算法，可以成功应用于化工过程建模的参数估计中，具有很好的应用前景。

附图说明

图1为基于具有重构操作的RNA遗传算法的流程图；

图2(a)为两个父体序列；

图2(b)为选定删除子序列；

图2(c)为生成的中间序列；

图2(d)为生成的新的序列；

图3为FCCU主分馏塔系统流程图；

图4为理想模型的输出CV1与估计模型输出CV1的比较图；

图5为理想模型的输出CV2与估计模型输出CV2的比较图；

图6为理想模型的输出CV3与估计模型输出CV3的比较图；

图7为基于测试数据的理想模型的输出CV1与估计模型输出CV1的比较图；

图8为基于测试数据的理想模型的输出CV2与估计模型输出CV2的比较图；

图9为基于测试数据的理想模型的输出CV3与估计模型输出CV3的比较图。

具体实施方式

以下通过一个具体的实施例对本发明作进一步详细描述：

实施例

某炼油厂140万吨重油催化裂化装置的主分馏工艺流程如图3所示。从图3可知，循环油浆由塔底抽出，先与原料油换热，然后分成两部分：一部分作为油浆循环；另一部分冷却后出装置。二中循环取热系统从第3层塔盘抽出后分三部分：第一部分作为内回流返回到第2层塔盘上；第二部分作为二中循环回流返回到第5层塔盘；第三部分作为回炼油抽出。在第17层至第20层设有一中循环取热系统将油气进一步降温，20层还设有轻柴油抽出线。顶循环取热系统，将塔顶油气从第29层抽出，降至80℃左右返回第32层塔板。分馏塔顶的油气经冷却后进入塔顶油气分离罐分离出气相部分(富气)和液相部分(粗汽油)，粗汽油的抽出线设在罐底。选取最主要的因素顶循环流量、一中流量和二中流量为操作变量，分别用MV1、MV2和MV3表示；选择塔顶温度、粗汽油干点和轻柴油倾点为被控变量，分别用CV1、CV2和CV3表示。

FCCU主分馏塔MIMO模型可用以下形式表示：

${\mathrm{CV}}_1\left(z^{-1}\right)=\frac{a_{11}\left(1\right)+a_{11}\left(2\right)z^{-1}}{1+b_{11}{z}^{-1}}{z}^{-d_{11}}{\mathrm{MV}}_1\left(z^{-1}\right)+\frac{a_{21}\left(1\right)+a_{21}\left(2\right)z^{-1}}{1+b_{21}{z}^{-1}}{z}^{-d_{21}}{\mathrm{MV}}_2\left(z^{-1}\right)$

${\mathrm{CV}}_2\left(z^{-1}\right)=\frac{a_{22}\left(1\right)+a_{22}\left(2\right)z^{-1}}{1+b_{22}{z}^{-1}}{z}^{-d_{22}}{\mathrm{MV}}_2\left(z^{-1}\right)+\frac{a_{32}\left(1\right)+a_{32}\left(2\right)z^{-1}}{1+b_{32}{z}^{-1}}{z}^{-d_{32}}{\mathrm{MV}}_3\left(z^{-1}\right)$

${\mathrm{CV}}_3\left(z^{-1}\right)=\frac{a_{33}\left(1\right)+a_{33}\left(2\right)z^{-1}}{1+b_{33}{z}^{-1}}{z}^{-d_{33}{\mathrm{MV}}_3\left(z^{-1}\right)}$

在模型中，存在着20个未知参数a_ij，b_ij，d_ij，i，j＝1，2，3，即为所要估计的参数。

基于具有重构操作的RNA遗传算法的对FCCU主分馏塔MIMO建模方法步骤如下：

1)通过实验获得实际80组输入输出采样数据。输入信号为[0，1]范围内的阶跃信号，输出由FCCU主分馏塔MIMO理论模型产生，并添加最大偏差为±10％的噪声信号，将输出信号归一化到[0，1]。由于系统为稳定系统，模型中分母的范小为[-1，0]，时滞为[1，10]；优化指标函数为 $f=\underset{k=1}{\overset{80}{\mathrm{\Σ}}}|{\mathrm{CV}}_i\left(k\right)-\hat{C}{V}_i\left(k\right)|,i=\mathrm{1,2,3}$ 围缩其中，CV_i(k)为理论模型输出值，

为由估计参数产生的模型输出值，这个优化指标作为RNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数为1000，每个参数编码长度为20，个体编码长度为400，种群大小为480，变异概率为0.02，重构概率为1，重构操作控制参数为10以及算法的终止准则

3)运行具有重构操作的RNA遗传算法对FCCU主分馏塔MIMO模型中的未知参数进行估计，通过最小化目标函数，得到化工过程模型中未知参数a_ij，b_ij，d_ij，i，j＝1，2，3的估计值，将未知参数的估计值代入FCCU主分馏塔MIMO模型中，形成FCCU主分馏塔MIMO模型的数学模型。

所述的算法的终止准则为：算法的运行代数达到最大代数或者算法得到的目标函数值小于0.0001。

所述的运行具有重构操作的RNA遗传算法对FCCU主分馏塔MIMO模型中的未知参数a_ij，b_ij，d_ij，i，j＝1，2，3进行估计步骤：

(a)随机生成包含480个RNA序列的初始种群，每一个RNA序列代表一组未知参数的可能解，每个反应过程中，均存在20个未知参数，其中每一个未知参数均由字符集{0，1，2，3}编码为一个长度为20的RNA子序列，这20个RNA子序列按照[A₁₁，A₂₁，A₂₂，A₃₂，A₃₃]的顺序排列成一个RNA序列，其中Aij＝[a_ij(1)，ai_j(2)，b_ij，d_ij]，一个RNA序列的编码长度为20×20＝400，并设置记录种群连续代数的变量β＝0；

(b)将种群中每一个RNA序列解码为FCCU主分馏塔MIMO模型的一组未知参数，计算这组参数所对应的目标函数值，并计算相应的适应度值J_i＝H_max-f_i。f_i为目标函数值，H_max＝10000。适应度值最大的个体定义为该代的最优个体，并根据适应度值的大小将种群分为两类，适应度值最大的240个体组成SuG集合，另一半组成InG集合，同时将最优个体与上一代的最优个体进行比较，如果二者相同，将记录种群连续代数的变量β加1，否则，记录种群连续代数的变量β为0；

(c)记录种群连续代数的变量β与重构操作控制参数λ进行比较，当β＜λ，进行选择操作、交叉操作和变异操作，生成下一代种群；当β≥λ，进行重构操作，生成下一代种群；

(d)重复步骤(b)和(c)进行算法迭代，直至满足终止准则；

(e)将最终种群的最优个体解码为FCCU主分馏塔MIMO模型未知参数的估计值，将未知参数的估计值代入FCCU主分馏塔MIMO模型中，形成FCCU主分馏塔的数学模型。

所述进行交叉操作步骤：

(f)以概率1执行置换操作，在当前RNA序列R₁中随机选取一段子序列RS，并在SuG中随机选择另一个序列R₂，然后在R₂中选择一段与RS长度相同的子序列RS′，将RS用RS′代替，形成一个新的RNA序列；

(g)以概率0.5执行转位操作，在当前RNA序列R₁中随机选择一段子序列，将这段子序列插入到当前序列的其他位置，生成一个新的序列；

(h)若转位操作未执行，执行换位操作，在当前RNA序列的前半段和后半段中各随机选取一段子序列RS和RS′，并交换两个子序列的位置，生成一个新的序列；

(i)对SuG的每一个个体重复步骤(f)至步骤(g)。

所述进行变异操作步骤：是在InG的序列以及交叉操作产生的新的序列中执行，序列中的每一个字符均以0.02的概率变异为其他三个字符中的任一个。

所述进行选择操作步骤：是在执行完变异操作的序列中，选择最好的240个序列和最差的240个序列按照比例选择操作复制种群，每个序列被复制的次数为

从而产生含有480个RNA序列的新种群。

所述进行重构操作步骤：

(j)在SuG中随机选取一个RNA序列R₁作为重构操作的一个父体，在整个种群中随机选择另外2个序列R₂和R₃，分别计算这两个序列与父体的距离d_1i＝|J₁-J_i|，i＝2，3。其中J_i为序列R_i的适应度值，d₁₂＜d₁₃，则R₂作为和R₁较相似的个体，成为另一个重构父体。若J₁＞J₂，则R₁为父体A，R₂为父体B。否则R₁为父体B，R₂为父体A。

(k)若J₁＞J₂，则R₁为父体A，R₂为父体B。否则R₁为父体B，R₂为父体A。用删除算子将适应度值较大的父体A末端的部分子序列RS切除，并通过延长算子将其粘贴在另一个父体B的前端，生成两个新的序列(中间序列A和中间序列B)。在长度较短的中间序列A的末端随机生成一段与切除子序列RS长度相同的新子序列RS′，在长度较短的中间序列B的末端切除长度相同的子序列，从而生成两个新的RNA序列子代A和子代B。如图2a至图2d所示。删除算子切除的子序列的长度必须小于总长度的一半10；

(1)重复步骤(j)和(k)，直至所有SuG中的序列均完成重构操作，产生480个新RNA序列，并设置记录种群连续代数的变量β＝0。

根据步骤(2)，得到FCCU主分馏塔MIMO模型的参数估计值如下所示：

将上述估计参数带入FCCU主分馏塔MIMO模型中，得到FCCU主分馏塔MIMO的数学模型。并在同样的输入数据情况下，得到FCCU主分馏塔MIMO的数学模型的输出。在相同的输入数据下，理想模型的输出与估计模型输出的比较图见图4至图6。为了验证估计模型的有效性，重新使用800组输入输出数据进行测试。在上述800组测试输入数据下，理想模型的输出与估计模型输出的比较图见图7至图9。结果显示，RNA-GA可用于实际对象的模型参数估计，所得模型能真实反映系统特性。

Claims (7)

1.一种具有重构操作的RNA遗传算法的对复杂化工过程建模方法，其特征是方法的步骤如下：

1)通过现场操作或实验获得实际输入输出采样数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为RNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数为1000，每个参数编码长度为20，个体编码长度为每个参数编码长度乘参数个数，种群数N为个体编码长度的1.2倍，变异概率为0.02，重构概率为1，重构操作控制参数λ为10以及算法的终止准则；

3)运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数，得到化工过程模型中未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

2.根据权利要求1所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，其特征在于所述的算法的终止准则为：算法的运行代数达到最大代数或者算法得到的目标函数值小于0.0001。

3.根据权利要求1所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，其特征在于所述的运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计步骤：

(a)随机生成包含N个RNA序列的初始种群，每一个RNA序列代表化工过程模型的一组未知参数的可能解，其中每一个未知参数均由字符集{0，1，2，3}编码为一个长度为20的RNA子序列，若有n个未知参数，则一个RNA序列的编码长度为20n，并设置记录种群连续代数的变量β＝0；

(b)将种群中每一个RNA序列解码为化工过程模型的一组未知参数，计算这组参数所对应的目标函数值，并将目标函数值转化为对应的适应度值，适应度值最大的个体定义为该代的最优个体，并根据适应度值的大小将种群分为两类，适应度值最大的一半个体组成SuG集合，另一半组成InG集合，同时将最优个体与上一代的最优个体进行比较，如果二者相同，将记录种群连续代数的变量β加1，否则，记录种群连续代数的变量β为0；

(c)记录种群连续代数的变量β与重构操作控制参数λ进行比较，当β＜λ，进行选择操作、交叉操作和变异操作，生成下一代种群；当β≥λ，进行重构操作，生成下一代种群；

(d)重复步骤(b)和(c)进行算法迭代，直至满足算法的终止准则；

(e)将最终种群的最优个体解码为化工过程模型未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

4.根据权利要求3所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，其特征在于所述进行交叉操作步骤：

(f)以概率1执行置换操作，在当前RNA序列中随机选取一段子序列，将这段子序列用SuG中另外一个序列中长度相同的一段子序列代替，生成一个新的序列；

(g)以概率0.5执行转位操作，在当前RNA序列中随机选择一段子序列，将这段子序列插入到当前序列的其他位置，生成一个新的序列；

(h)若转位操作未执行，执行换位操作，在当前RNA序列的前半段和后半段中各随机选取一段子序列，并交换两个子序列的位置，生成一个新的序列；

(i)对SuG的每一个个体重复步骤(f)至步骤(g)。

5.根据权利要求3所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，其特征在于所述进行变异操作步骤：是在InG的序列以及交叉操作产生的新的序列中执行，序列中的每一个字符均以0.02的概率变异为其它三个字符中的任一个。

6.根据权利要求3所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，所述进行选择操作步骤：是在执行完变异操作的序列中，选择适应度值最大的N/2个序列和适应度值最小的N/2个序列按照比例选择操作复制种群，产生了含有N个RNA序列的新种群。

7.根据权利要求3所述的一种具有重构操作的RNA遗传算法的化工过程的建模方法，其特征在于所述进行重构操作步骤：

(j)在SuG中随机选取一个RNA序列作为重构操作的一个父体，在整个种群中随机选择另外2个序列，分别计算这两个序列与父体的距离，距离最近的序列成为重构操作的另一个父体；

(k)用删除算子将适应度值较大的父体末端的部分子序列切除，并通过延长算子将其粘贴在另一个父体的前端，生成两个新的中间序列，在长度较短的中间序列的末端随机生成一段与切除子序列长度相同的新子序列，在长度较短的中间序列的末端切除长度相同的子序列，从而生成两个新的RNA序列，删除算子切除的子序列的长度必须小于总长度的一半；

(1)重复步骤(j)和(k)，直至所有SuG中的序列均完成重构操作，产生N个新RNA序列，并设置记录种群连续代数的变量β＝0。

Images