CN103279652A - 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 - Google Patents
一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 Download PDFInfo
- Publication number
- CN103279652A CN103279652A CN2013101777836A CN201310177783A CN103279652A CN 103279652 A CN103279652 A CN 103279652A CN 2013101777836 A CN2013101777836 A CN 2013101777836A CN 201310177783 A CN201310177783 A CN 201310177783A CN 103279652 A CN103279652 A CN 103279652A
- Authority
- CN
- China
- Prior art keywords
- population
- chemical process
- genetic algorithm
- algorithm
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法。包括如下步骤:(1)通过实验获得化工过程中的输入和输出采样数据,针对同一组化工过程的输入采样数据,将模型的估计输出与化工过程的实际采样输出的误差绝对值之和作为适应度函数;(2)设定算法的控制参数;(3)运行算法对化工过程模型中未知参数进行估计,通过最小化目标函数值,获取模型中对未知参数的估计值,并将模型中未知参数的估计值代入化工过程模型中,得到最优化工过程模型。本发明采用基于蜂群采蜜行为和蜂群繁殖行为的DNA遗传算法,不仅能使所建立的化工过程模型具有较高的拟合精度,而且具有收敛速度快、种群多样性丰富的特点。
Description
技术领域
本发明涉及过程建模方法,尤其涉及一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法。
背景技术
随着化工生产的规模化和大型化,对化工过程控制的要求不断提高,建立高精度的化工过程模型是实现有效控制的重要途径。化工过程具有非线性、时滞性、一些变量不可测量性、变量间的耦合性等,这使得化工过程建模成为研究难点和热点。受生物科学技术研究成果的启发,基于生物计算的化工过程优化建模方法迅速发展。例如人工神经网络、遗传算法、蚁群算法、禁忌搜索等。这些基于生物计算的优化算法在求解复杂化工过程优化建模问题方面展示了它们的优越性。其中遗传算法作为一种对问题要求不严格、适应面广的随机搜索方法,具有较强的全局搜索能力,然而传统的遗传算法存在局部搜索能力差且易早熟收敛的不足。DNA遗传算法有效克服了传统的遗传算法的缺点,受蜂群繁殖行为和蜂群采蜜行为的启发,本发明提出了一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法,可用于解决多变量、非线性的复杂化工过程的优化建模问题。将此方法用于解决重油热解三集总模型的参数估计中,得到了较为理想的效果。
发明内容
本发明的目的是针对化工过程建模技术的不足,提供一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法。
基于蜂群行为的DNA遗传算法的复杂化工过程建模方法包括以下步骤:
1)通过实验获得化工过程中的输入和输出采样数据,针对同一组化工过程的输入采样数据,将化工过程模型的估计输出与化工过程的实际采样输出的误差绝对值之和作为适应度函数;
2)设定基于蜂群行为的DNA遗传算法的控制参数,包括种群规模Size、种群进化代数G、编码长度l、置换倒位交叉概率pzd、重构交叉概率pcg、移码变异概率pym、普通变异概率ppt,工蜂群和雄蜂群比例GFQ:XFQ、低位进化操作位数WN、种群更新阈值TT、算法终止法则;
3)运行基于蜂群行为的DNA遗传算法对化工过程模型中未知参数进行估计,通过最小化目标函数值,获取化工过程模型中对未知参数的估计值,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型,其具体步骤为:
(1)设定基于蜂群行为的DNA遗传算法的初始参数和化工过程模型参数的搜索范围,确定算法终止法则;
(2)随机产生Size个长度为CodeL=n×l的初始种群,n为变量数,设当前进化代数为1;
(3)将化工过程模型的估计输出和化工过程的实际采样输出数据的误差绝对值之和作为适应度函数,计算种群个体适应度值,并记录当代最好适应度对应的个体FW和个体变量值;
(4)基于蜂群繁殖启发式,将种群按照工蜂群和雄蜂群比例GFQ:XFQ比例随机分为两部分;
(5)执行交叉算子:对工蜂群执行置换倒位交叉和重构交叉;对雄蜂群,采取当代最优个体FW与每个个体都进行交叉,交叉位数根据适应度值确定,交叉位点随机;
(6)重复步骤(5),直至产生0.5Size个新个体,此时种群规模为1.5Size;
(7)执行变异算子:对1.5Size的新种群执行移码变异操作和普通变异操作;
(8)执行选择算子:根据Boltzmann选择策略和精英保留策略从1.5Size的种群中选取Size个体;
(9)基于蜂群采蜜启发式,执行低位进化取补操作;
(10)进化代数大于2时,记录最优个体适应度值连续保持不变的代数TT,若TT大于预设值15~30,则进行种群更新策略,种群更新规则为:保留最优个体,并随机产生Size-1个个体,组成新种群;
(11)判断是否满足终止条件:若满足终止条件,则输出当前最优个体对应的问题的解,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型;否则返回步骤(3)。
所述的算法的终止准则为:算法的运行代数达到最大代数。
所述的蜂群繁殖启发式、蜂群采蜜启发式、选择算子、交叉算子、变异算子为:
1)蜂群繁殖启发式
受蜂群繁殖原理的启发,将蜂群分工协作的思想引入DNA遗传中,将算法中的种群随机的分为两部分:种群的20%为雄蜂群(XFQ),种群的80%为工蜂群(GFQ),每一代种群中适应值最好的个体为当代的蜂王(FW),蜂王随着逐代演化越来越强,最终满足优化条件,成为最优解,在算法的每次循环中,蜂王与雄蜂群将保证百分之百的交叉率,但交叉长度由雄蜂群每个个体的适应值决定,适应值大的交叉长度相应也大一些,雄蜂群的变异操作也将采用进化变异操作,工蜂群则单独进行交叉操作,工蜂群种群的行为侧重在保证种群多样性,避免陷入早熟现象,雄蜂群的重点在保证种群收敛速度,雄蜂群和工蜂群分工协作,保证算法在性能上有较大提高;
2)蜂群采蜜启发式即ABC算法
在ABC算法中,频繁采用了领域搜索法,并且搜索后结果只有在比原来结果好的情况下才可以被引入,将这一思想用在遗传算法中,对所有种群个体在交叉变异操作完成后,进行进化地位取补操作,将对每个个体中的每一个参数编码区的最后30%位数进行取补操作,得到一个对应的新个体,并计算新个体的适应值,若适应值大于原来个体,则用新个体替代原个体,否则保持不变。
3)选择算子
为了动态调整遗传算法在搜索最优解过程中的选择压力,在分析先有遗传算法搜索机制特点的基础上,将Boltzmann选择策略引入遗传算法搜索过程,在机器学习和自适应控制领域,Boltzmann选择策略被广泛采用;
种群中个体选择概率:
式中,fi为第i个个体的适应度值,c为循环次数序号,T为温度,T0为初始温度;
精英保留策略作为遗传算法中最成功的选择方法,自然是必不可少的,有了精英保留策略,种群最优个体适应值将保持不减,加速算法收敛;
4)交叉算子
作为遗传算法中最重要的算子,交叉操作可以产生新个体来提高种群多样性,考虑到单点交叉和多点交叉在复杂优化问题上的不足之处,将采用置换转位交叉算子和经典重构交叉算子,进一步丰富种群多样性,以便更快找到最优解;
5)变异算子
在正常的DNA分子中,某位点插入或者缺失的碱基数目为非3的倍数,造成该点之后的蛋白质三联体密码子阅读框发生改变,从而使一系列基因编码序列产生移位错误的改变,这种现象被称为移码突变,移码突变所造成的DNA损伤一般远远大于点突变;
受移码突变的启发,提出了一种变异算子即移码变异算子。
本发明采用基于蜂群采蜜行为和蜂群繁殖行为的DNA遗传算法,不仅能使所建立的化工过程模型具有较高的拟合精度,而且具有收敛速度快、种群多样性丰富的特点。
附图说明
图1是本发明的置换倒位交叉示意图;
图2是本发明的移码变异示意图;
图3是本发明的基于蜂群行为的DNA遗传算法流程图;
图4是重油热解三集总反应示意图;
图5是本发明的基于测试数据的理性模型的输出与估计模型输出的比较图。
具体实施方式
基于蜂群行为的DNA遗传算法的复杂化工过程建模方法包括以下步骤:
1)通过实验获得化工过程中的输入和输出采样数据,针对同一组化工过程的输入采样数据,将化工过程模型的估计输出与化工过程的实际采样输出的误差绝对值之和作为适应度函数;
2)设定基于蜂群行为的DNA遗传算法的控制参数,包括种群规模Size、种群进化代数G、编码长度l、置换倒位交叉概率pzd、重构交叉概率pcg、移码变异概率pym、普通变异概率ppt,工蜂群和雄蜂群比例GFQ:XFQ、低位进化操作位数WN、种群更新阈值TT、算法终止法则;
3)运行基于蜂群行为的DNA遗传算法对化工过程模型中未知参数进行估计,通过最小化目标函数值,获取化工过程模型中对未知参数的估计值,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型,其具体步骤为:
(1)设定基于蜂群行为的DNA遗传算法的初始参数和化工过程模型参数的搜索范围,确定算法终止法则;
(2)随机产生Size个长度为CodeL=n×l的初始种群,n为变量数,设当前进化代数为1;
(3)将化工过程模型的估计输出和化工过程的实际采样输出数据的误差绝对值之和作为适应度函数,计算种群个体适应度值,并记录当代最好适应度对应的个体FW和个体变量值;
(4)基于蜂群繁殖启发式,将种群按照工蜂群和雄蜂群比例GFQ:XFQ比例随机分为两部分;
(5)执行交叉算子:对工蜂群执行置换倒位交叉和重构交叉;对雄蜂群,采取当代最优个体FW与每个个体都进行交叉,交叉位数根据适应度值确定,交叉位点随机;
(6)重复步骤(5),直至产生0.5Size个新个体,此时种群规模为1.5Size;
(7)执行变异算子:对1.5Size的新种群执行移码变异操作和普通变异操作;
(8)执行选择算子:根据Boltzmann选择策略和精英保留策略从1.5Size的种群中选取Size个体;
(9)基于蜂群采蜜启发式,执行低位进化取补操作;
(10)进化代数大于2时,记录最优个体适应度值连续保持不变的代数TT,若TT大于预设值15~30,则进行种群更新策略,种群更新规则为:保留最优个体,并随机产生Size-1个个体,组成新种群;
(11)判断是否满足终止条件:若满足终止条件,则输出当前最优个体对应的问题的解,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型;否则返回步骤(3)。
所述的算法的终止准则为:算法的运行代数达到最大代数。
所述的蜂群繁殖启发式、蜂群采蜜启发式、选择算子、交叉算子、变异算子为:
1)蜂群繁殖启发式
受蜂群繁殖原理的启发,将蜂群分工协作的思想引入DNA遗传中,将算法中的种群随机的分为两部分:种群的20%为雄蜂群(XFQ),种群的80%为工蜂群(GFQ),每一代种群中适应值最好的个体为当代的蜂王(FW),蜂王随着逐代演化越来越强,最终满足优化条件,成为最优解,在算法的每次循环中,蜂王与雄蜂群将保证百分之百的交叉率,但交叉长度由雄蜂群每个个体的适应值决定,适应值大的交叉长度相应也大一些,雄蜂群的变异操作也将采用进化变异操作,工蜂群则单独进行交叉操作,工蜂群种群的行为侧重在保证种群多样性,避免陷入早熟现象,雄蜂群的重点在保证种群收敛速度,雄蜂群和工蜂群分工协作,保证算法在性能上有较大提高;
2)蜂群采蜜启发式即ABC算法
在ABC算法中,频繁采用了领域搜索法,并且搜索后结果只有在比原来结果好的情况下才可以被引入,将这一思想用在遗传算法中,对所有种群个体在交叉变异操作完成后,进行进化地位取补操作,将对每个个体中的每一个参数编码区的最后30%位数进行取补操作,得到一个对应的新个体,并计算新个体的适应值,若适应值大于原来个体,则用新个体替代原个体,否则保持不变。
3)选择算子
为了动态调整遗传算法在搜索最优解过程中的选择压力,在分析先有遗传算法搜索机制特点的基础上,将Boltzmann选择策略引入遗传算法搜索过程,在机器学习和自适应控制领域,Boltzmann选择策略被广泛采用;
种群中个体选择概率:
式中,fi为第i个个体的适应度值,c为循环次数序号,T为温度,T0为初始温度;
精英保留策略作为遗传算法中最成功的选择方法,自然是必不可少的,有了精英保留策略,种群最优个体适应值将保持不减,加速算法收敛;
4)交叉算子
作为遗传算法中最重要的算子,交叉操作可以产生新个体来提高种群多样性,考虑到单点交叉和多点交叉在复杂优化问题上的不足之处,将采用置换转位交叉算子和经典重构交叉算子,进一步丰富种群多样性,以便更快找到最优解;
5)变异算子
在正常的DNA分子中,某位点插入或者缺失的碱基数目为非3的倍数,造成该点之后的蛋白质三联体密码子阅读框发生改变,从而使一系列基因编码序列产生移位错误的改变,这种现象被称为移码突变,移码突变所造成的DNA损伤一般远远大于点突变;
受移码突变的启发,提出了一种变异算子即移码变异算子。
实施例:
以下将本发明方法用于重油热解三集总模型建立中,进一步详细描述:
使用三集总反应模型来描述重油热解过程,按动力学特性相似的原理,将反应系统中各个单一化合物归并为若干虚拟组分,可以将热解过程简化为多种反应体系,从而建立简化的集总反应的动力学模型。该过程引用于宋晓峰等人高校化学工程学报第17卷第4期上的文献“基于优进策略的遗传算法对重油热解模型参数的估计”(见图4)
设渣油中大于510℃的甲苯可溶物为热解反应原料H,瞬时中间产物为M,W为由M生成的中间重质馏分,L为裂解气、轻质馏分和缩合物的集总物,由W转化为集总物质L的二次反应为一级反应。如图4所示,x为H生成的小于510℃诸馏分、热解气及甲苯不容物的产率之和,xL为热解气、210-390℃的轻质馏分及缩合产物产率之和,xw为390-510℃的重质中间馏分产率。
其中x、T(反应温度)为自变量,xL为因变量,R为气体摩尔常数,E为反应的活化能(J/mol),EP为总热转化反应的活化能(J/mol),EL为M生成L的反应活化能(J/mol),EW为M生成W的反应活化能(J/mol),nW为M生成W的反应级数,KP为总热转化反应的反应速度常数,KL为M生成L的反应速率常数,KW为M生成W的反应速率常数,KWL为W转化成L的反应速率常数,KP0为总热转化反应的频率因子,KL0为M生成L反应的频率因子,KW0为M生成W反应的频率因子,KWL0为W转化成L反应的频率因子,nL为M生成L的反应级数。KLP0为KL0与KP0的比值,KWP0为KW0与KP0的比值,KWLP0为KWL0与KP0的比值,EL、EP之差与R的比值为ELP,EW、EP之差与R的比值为EWP,EWL、EP之差与R的比值为EWLP。反应产率方程式中需要估计的参数有KLP0,KWP0,KWLP0,ELP,EWP,EWLP,nL,nW共8个。
基于蜂群行为的DNA遗传算法对重油热解三集总反应建模方法如下:
2)设定基于蜂群行为的DNA遗传算法的控制参数,包括种群规模Size,种群进化代数G,编码长度l,置换倒位交叉概率pzd,重构交叉概率pcg,移码变异概率pym,普通变异概率ppt,工蜂群和雄蜂群比例GFQ:XFQ,低位进化操作位数WN,种群更新阈值TT,算法终止法则。
3)运行基于蜂群行为的DNA遗传算法对重油热解三集总反应模型中的未知参数进行估计,通过最小化目标函数,得到未知参数KLP0,KWP0,KWLP0,ELP,EWP,EWLP,nL,nW的估计值,将此估计值代入重油热解三集总模型中,形成重油热解的数学模型。
所述的算法终止准则为:算法的运行代数达到最大代数。
所述的运行基于蜂群行为的DNA遗传算法对重油热解三集总反应模型中的未知参数KLP0,KWP0,KWLP0,ELP,EWP,EWLP,nL,nW进行估计的步骤:
步骤1:设定基于蜂群行为的DNA遗传算法的初始参数和模型参数的搜索范围。算法的初始参数包括包括种群规模Size=100,种群进化代数G=500,编码长度l=20,置换倒位交叉概率pzd=0.8,重构交叉概率pcg=0.2,移码变异概率pym=0.05,普通变异概率ppt=0.001,工蜂群和雄蜂群比例GFQ:XFQ=4:1,低位进化操作位数WN=0.3nl,种群更新阈值TT=15。该模型参数的搜索范围为:KLP0∈(0,6),KWP0∈(0,6),KWLP0∈(0,7),ELP∈(-100,1000),EWP∈(0,3000),EWLP∈(-100,2500),nL∈(1,10),nW∈(1,10),确定待估计变量个数为8;
步骤2:随机产生Size个长度为CodeL=n×l的初始种群,n为变量数,设当前进化代数为1;
步骤4:基于蜂群繁殖启发式,将种群按照GFQ:XFQ比例随机分为两部分;
步骤5:执行交叉操作:对工蜂群执行置换倒位交叉和重构交叉;对雄蜂群,采取当代最优个体FW与每个个体都进行交叉,交叉位数根据适应度值确定,交叉位点随机;
步骤6:重复执行步骤5,直至产生0.5Size个新个体,此时种群规模为1.5Size;
步骤7:执行变异操作:对1.5Size的新种群执行移码变异操作和普通变异操作;
步骤8:根据Boltzmann选择策略和精英保留策略从1.5Size的种群中选取Size个体;
步骤9:基于蜂群采蜜启发式,执行低位进化取补操作;
步骤10:进化代数大于2时,记录最优个体适应度值连续保持不变的代数TT,若TT大于预设值,则进行种群更新策略,种群更新规则为:保留最优个体,并随机产生Size-1个个体,组成新种群;
步骤11:判断算法是否满足终止条件:若满足算法终止条件,则输出当前最优个体对应的问题的解,并将其作为重油热解三集总模型未知参数的估计值,代入这一模型中,形成重油热解的数学模型;否则返回步骤(3)。
一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法,该方法中使用到的蜂群繁殖启发式、蜂群采蜜启发式、选择算子、交叉算子、变异算子所述如下:
1)蜂群繁殖启发式
受蜂群繁殖原理的启发,本发明将其分工协作的思想引入DNA遗传中,将算法中的种群随机的分为两部分:20%为“雄蜂群(XFQ)”,80%为“工蜂群(GFQ)”。每一代种群中适应值最好的个体为当代的“蜂王(FW)”,蜂王随着逐代演化越来越“强”,最终满足优化条件,成为最优解。在算法的每次循环中,FW与XFQ将保证百分之百的交叉率,但交叉长度由XFQ每个个体的适应值决定,适应值大的交叉长度相应也大一些,XFQ的变异操作也将采用进化变异操作。GFQ则单独进行交叉操作。GFQ种群的行为侧重在保证种群多样性,避免陷入早熟现象;XFQ的重点在保证种群收敛速度。二者分工协作,保证该算法在性能上有较大提高。
2)蜂群采蜜启发式(ABC算法)
在ABC算法中,频繁采用了领域搜索法,并且搜索后结果只有在比原来结果好的情况下才可以被引入。将这一思想用在遗传算法中,对所有种群个体在交叉变异操作完成后,进行进化地位取补操作。该操作将对每个个体中的每一个参数编码区的最后30%位数进行取补操作,得到一个对应的新个体,并计算新个体的适应值,若其适应值大于原来个体,则用其替代原个体,否则保持不变。
3)选择算子
为了动态调整遗传算法在搜索最优解过程中的选择压力,在分析先有遗传算法搜索机制特点的基础上,将Boltzmann选择策略引入遗传算法搜索过程。在机器学习和自适应控制等领域,Boltzmann选择策略被广泛采用。
种群中个体选择概率:
式中,fi为第i个个体的适应度值,c为循环次数序号,T为温度,T0为初始温度。精英保留策略作为遗传算法中最成功的选择方法,自然是必不可少的,有了精英保留策略,种群最优个体适应值将保持不减,加速算法收敛。
4)交叉算子
作为遗传算法中最为重要的算子,交叉操作可以产生新个体来提高种群多样性。考虑到单点交叉和多点交叉在复杂优化问题上的不足之处,本发明将采用如图1所示的置换转位交叉算子,该算子将置换和转位两个操作结合起来,在丰富种群多样性上会更好。本发明除了采用置换倒位交叉算子,还会采用经典重构交叉算子,进一步丰富种群多样性,以便更快找到最优解。
5)变异算子
在正常的DNA分子中,某位点插入或者缺失的碱基数目为非3的倍数,造成该点之后的蛋白质三联体密码子阅读框发生改变,从而使一系列基因编码序列产生移位错误的改变,这种现象被称为移码突变。移码突变所造成的DNA损伤一般远远大于点突变。受移码突变的启发,本发明提出了一种变异算子——移码变异算子。正如移码突变对DNA的改变一样,移码变异算子将对种群个体产生重大改变,对保持种群多样性有着重要意义。图2为移码变异示意图。
鉴于移码变异的作用比较大,其变异概率将给予一定的控制。本发明还采用普通变异算子,与移码变异结合使用。
根据步骤3),得到重油热解三集总反应模型的参数估计值,同时将本发明所述方法与标准遗传算法(SGA)针对同一模型所得到的参数估计值和适应度函数值做比较,见下表1:
方法 | 本发明方法 | SGA |
KLP0 | 0.9376 | 4.6801 |
KWP0 | 2.6655 | 5.1552 |
KWLP0 | 6.9727 | 4.1970 |
ELP | 273.77 | 1257.0 |
EWP | 2882.8 | 1850.0 |
EWLP | -99.987 | 3776.0 |
nL | 1.422 | 1.1911 |
nW | 6.9991 | 1.4880 |
f | 0.799 | 3.3925 |
在相同的输入数据下,理想模型的输出与估计模型的输出的比较图见图5.从以上实验结果表明了利用本发明方法进行参数估计得到的模型拟合精度高,同时相对其他算法具有更好的参数估计效果。
Claims (3)
1.一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法,其特征在于包括以下步骤:
1)通过实验获得化工过程中的输入和输出采样数据,针对同一组化工过程的输入采样数据,将化工过程模型的估计输出与化工过程的实际采样输出的误差绝对值之和作为适应度函数;
2)设定基于蜂群行为的DNA遗传算法的控制参数,包括种群规模Size、种群进化代数G、编码长度l、置换倒位交叉概率pzd、重构交叉概率pcg、移码变异概率pym、普通变异概率ppt,工蜂群和雄蜂群比例GFQ:XFQ、低位进化操作位数WN、种群更新阈值TT、算法终止法则;
3)运行基于蜂群行为的DNA遗传算法对化工过程模型中未知参数进行估计,通过最小化目标函数值,获取化工过程模型中对未知参数的估计值,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型,其具体步骤为:
(1)设定基于蜂群行为的DNA遗传算法的初始参数和化工过程模型参数的搜索范围,确定算法终止法则;
(2)随机产生Size个长度为CodeL=n×l的初始种群,n为变量数,设当前进化代数为1;
(3)将化工过程模型的估计输出和化工过程的实际采样输出数据的误差绝对值之和作为适应度函数,计算种群个体适应度值,并记录当代最好适应度对应的个体FW和个体变量值;
(4)基于蜂群繁殖启发式,将种群按照工蜂群和雄蜂群比例GFQ:XFQ比例随机分为两部分;
(5)执行交叉算子:对工蜂群执行置换倒位交叉和重构交叉;对雄蜂群,采取当代最优个体FW与每个个体都进行交叉,交叉位数根据适应度值确定,交叉位点随机;
(6)重复步骤(5),直至产生0.5Size个新个体,此时种群规模为1.5Size;
(7)执行变异算子:对1.5Size的新种群执行移码变异操作和普通变异操作;
(8)执行选择算子:根据Boltzmann选择策略和精英保留策略从1.5Size的种群中选取Size个体;
(9)基于蜂群采蜜启发式,执行低位进化取补操作;
(10)进化代数大于2时,记录最优个体适应度值连续保持不变的代数TT,若TT大于预设值15~30,则进行种群更新策略,种群更新规则为:保留最优个体,并随机产生Size-1个个体,组成新种群;
(11)判断是否满足终止条件:若满足终止条件,则输出当前最优个体对应的问题的解,作为化工过程模型未知参数的估计值代入化工过程模型中,形成最优化工过程模型;否则返回步骤(3)。
2.根据权利要求1所述的一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法,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。
3.根据权利要求1所述的一种基于蜂群行为的DNA遗传算法的复杂化工过程建模方法,其特征在于所述的蜂群繁殖启发式、蜂群采蜜启发式、选择算子、交叉算子、变异算子为:
1)蜂群繁殖启发式
受蜂群繁殖原理的启发,将蜂群分工协作的思想引入DNA遗传中,将算法中的种群随机的分为两部分:种群的20%为雄蜂群(XFQ),种群的80%为工蜂群(GFQ),每一代种群中适应值最好的个体为当代的蜂王(FW),蜂王随着逐代演化越来越强,最终满足优化条件,成为最优解,在算法的每次循环中,蜂王与雄蜂群将保证百分之百的交叉率,但交叉长度由雄蜂群每个个体的适应值决定,适应值大的交叉长度相应也大一些,雄蜂群的变异操作也将采用进化变异操作,工蜂群则单独进行交叉操作,工蜂群种群的行为侧重在保证种群多样性,避免陷入早熟现象,雄蜂群的重点在保证种群收敛速度,雄蜂群和工蜂群分工协作,保证算法在性能上有较大提高;
2)蜂群采蜜启发式即ABC算法
在ABC算法中,频繁采用了领域搜索法,并且搜索后结果只有在比原来结果好的情况下才可以被引入,将这一思想用在遗传算法中,对所有种群个体在交叉变异操作完成后,进行进化地位取补操作,将对每个个体中的每一个参数编码区的最后30%位数进行取补操作,得到一个对应的新个体,并计算新个体的适应值,若适应值大于原来个体,则用新个体替代原个体,否则保持不变。
3)选择算子
为了动态调整遗传算法在搜索最优解过程中的选择压力,在分析先有遗传算法搜索机制特点的基础上,将Boltzmann选择策略引入遗传算法搜索过程,在机器学习和自适应控制领域,Boltzmann选择策略被广泛采用;
种群中个体选择概率:
式中,fi为第i个个体的适应度值,c为循环次数序号,T为温度,T0为初始温度;
精英保留策略作为遗传算法中最成功的选择方法,自然是必不可少的,有了精英保留策略,种群最优个体适应值将保持不减,加速算法收敛;
4)交叉算子
作为遗传算法中最重要的算子,交叉操作可以产生新个体来提高种群多样性,考虑到单点交叉和多点交叉在复杂优化问题上的不足之处,将采用置换转位交叉算子和经典重构交叉算子,进一步丰富种群多样性,以便更快找到最优解;
5)变异算子
在正常的DNA分子中,某位点插入或者缺失的碱基数目为非3的倍数,造成该点之后的蛋白质三联体密码子阅读框发生改变,从而使一系列基因编码序列产生移位错误的改变,这种现象被称为移码突变,移码突变所造成的DNA损伤一般远远大于点突变;
受移码突变的启发,提出了一种变异算子即移码变异算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310177783.6A CN103279652B (zh) | 2013-05-13 | 2013-05-13 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310177783.6A CN103279652B (zh) | 2013-05-13 | 2013-05-13 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279652A true CN103279652A (zh) | 2013-09-04 |
CN103279652B CN103279652B (zh) | 2016-03-30 |
Family
ID=49062167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310177783.6A Active CN103279652B (zh) | 2013-05-13 | 2013-05-13 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279652B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559428A (zh) * | 2013-10-11 | 2014-02-05 | 南方医科大学 | 一种基于dna测序峰形图定量分析碱基变异比例的方法 |
CN107067075A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于人工蜂群算法的城市土地生态安全空间探测模型 |
CN107273687A (zh) * | 2017-06-16 | 2017-10-20 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN108345933A (zh) * | 2018-01-03 | 2018-07-31 | 杭州电子科技大学 | 基于混沌dna遗传算法的重油热解过程建模方法 |
CN108363905A (zh) * | 2018-02-07 | 2018-08-03 | 南京晓庄学院 | 一种用于植物外源基因改造的CodonPlant系统及其改造方法 |
CN111399370A (zh) * | 2020-03-12 | 2020-07-10 | 四川长虹电器股份有限公司 | 离网逆变器的人工蜂群pi控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6230495B1 (en) * | 1996-11-27 | 2001-05-15 | Steag Encotec And Ketek Engineering Gmbh Engergieund Umwelttechnik | Method for optimizing fossil-fueled power stations |
CN101881563A (zh) * | 2010-07-02 | 2010-11-10 | 清华大学 | 加热炉热效率多区域智能在线优化控制方法 |
-
2013
- 2013-05-13 CN CN201310177783.6A patent/CN103279652B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6230495B1 (en) * | 1996-11-27 | 2001-05-15 | Steag Encotec And Ketek Engineering Gmbh Engergieund Umwelttechnik | Method for optimizing fossil-fueled power stations |
CN101881563A (zh) * | 2010-07-02 | 2010-11-10 | 清华大学 | 加热炉热效率多区域智能在线优化控制方法 |
Non-Patent Citations (2)
Title |
---|
丁海军: "基于boltzmann选择策略的人工蜂群算法", 《计算机工程与应用》 * |
周淮香: "改进型蜂群算法及其对PID参数优化的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559428A (zh) * | 2013-10-11 | 2014-02-05 | 南方医科大学 | 一种基于dna测序峰形图定量分析碱基变异比例的方法 |
CN107067075A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于人工蜂群算法的城市土地生态安全空间探测模型 |
CN107067075B (zh) * | 2016-10-11 | 2021-09-28 | 河南大学 | 一种基于人工蜂群算法的城市土地生态安全空间探测模型 |
CN107273687A (zh) * | 2017-06-16 | 2017-10-20 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN107273687B (zh) * | 2017-06-16 | 2020-04-17 | 浙江大学 | kbAFSA的超临界水氧化反应动力学模型参数估计方法 |
CN108345933A (zh) * | 2018-01-03 | 2018-07-31 | 杭州电子科技大学 | 基于混沌dna遗传算法的重油热解过程建模方法 |
CN108363905A (zh) * | 2018-02-07 | 2018-08-03 | 南京晓庄学院 | 一种用于植物外源基因改造的CodonPlant系统及其改造方法 |
CN108363905B (zh) * | 2018-02-07 | 2019-03-08 | 南京晓庄学院 | 一种用于植物外源基因改造的CodonPlant系统及其改造方法 |
CN111399370A (zh) * | 2020-03-12 | 2020-07-10 | 四川长虹电器股份有限公司 | 离网逆变器的人工蜂群pi控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103279652B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279652A (zh) | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 | |
CN105974799A (zh) | 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 | |
CN101339628B (zh) | 一种具有重构操作的rna遗传算法的化工过程建模方法 | |
CN109635495B (zh) | 基于神经网络和遗传算法的干道相位差仿真优化方法 | |
CN104834221A (zh) | 一种基于可变误差的非线性系统自适应最优控制方法 | |
CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN103312249A (zh) | 一种同步发电机自适应励磁控制方法 | |
CN105224987A (zh) | 一种基于动态Lipschitz下界估计的变策略群体全局优化方法 | |
CN105678402A (zh) | 一种基于季节分区的光伏功率预测方法 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
CN117037960A (zh) | 硫铝铁系胶凝材料的性能调控方法及系统 | |
CN105160398A (zh) | 基于人工鱼群算法的微生物发酵优化方法 | |
CN106292296A (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
CN106960101A (zh) | 一种基于质量损失和成本最小化的装配公差优化方法 | |
CN106156854A (zh) | 一种基于dna编码的支持向量机参数预测方法 | |
CN105955350A (zh) | 遗传算法优化加热炉温度的分数阶预测函数控制方法 | |
CN105069323A (zh) | 基于Memetic算法的微生物发酵控制优化方法 | |
CN103903065A (zh) | 基于核学习技术的青霉素生产过程产品质量预测方法 | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
CN101587562B (zh) | 一种具有星形拓扑结构膜计算的复杂化工过程建模方法 | |
CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
CN102141778B (zh) | 一种受核糖体rna启发的高阶控制器参数优化方法 | |
CN105259790A (zh) | 一种氧化铝生产蒸发过程多参数数据的时间配准方法 | |
CN106934186A (zh) | 一种结构可靠性优化求解的融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |