CN104573869A - 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 - Google Patents
基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 Download PDFInfo
- Publication number
- CN104573869A CN104573869A CN201510024390.0A CN201510024390A CN104573869A CN 104573869 A CN104573869 A CN 104573869A CN 201510024390 A CN201510024390 A CN 201510024390A CN 104573869 A CN104573869 A CN 104573869A
- Authority
- CN
- China
- Prior art keywords
- output
- dredging operation
- neural network
- energy consumption
- population
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法及系统,本优化方法包括:步骤S100,建立疏浚作业模型;步骤S200,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;步骤S300,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出;本发明采用BP神经网络建立疏浚作业模型,实现了一个从输入到输出的非线性映射功能,建立起输入与输出之间的非线性关系,克服了常规的数理模型只能定性的描述生产过程的弊端。
Description
技术领域
本发明涉及BP神经网络及NSGA-Ⅱ优化方法在疏浚作业的应用,属于疏浚工程领域。
背景技术
疏浚工程是水利水运工程的重要项目。现代疏浚作业主要依靠挖泥船来进行,挖泥船属于重型机械设备,且机械设备复杂多变,全船装机功率远高于普通运输船舶,要求连续不断地进行挖泥与排泥工作,满载运作时号称“海上油老虎”。随着疏浚工程智能化的发展,挖泥船上都布置了监测装置,对许多工况参数进行了离线或在线监测,并通过无线通信把这些监测数据传送到监测站。因此,在长期的生产过程中,挖泥船已经积累了丰富详实的工况参数数据。这些数据是对特定区域、特定环境下挖泥船在实际运行过程的真实反映,具有明显的潜在价值,是重要的科技资源,遗憾的是目前这些资源却没有很好的利用。如何利用数据中蕴藏的信息来发现疏浚过程中的生产规律,并且利用从数据中找出的生产规律,来实现挖泥船的增产节能,是目前探索挖泥船节能的一个急需解决的问题。
发明内容
本发明的目的是提供一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法及系统,其利用BP神经网络与快速非支配排序遗传算法(nondominatedsorting genetic algorithmⅡ,NSGA-Ⅱ),对挖泥船作业进行优化分析,以实现对疏浚作业的优化,达到高效率、高产量、低能耗的目的。
为了解决上述技术问题,本发明提供了一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法,包括如下步骤:
步骤S100,建立疏浚作业模型;步骤S200,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;步骤S300,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
进一步,所述步骤S100中建立疏浚作业模型的步骤包括:
步骤S110,根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;步骤S120,以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
进一步,所述步骤S110中根据收集影响疏浚作业产量与能耗因素的数据,确定p个影响因素且列出样本矩阵的方法包括:
对p个影响因素X进行了多次观测以获得n个样本点,
即所述样本矩阵为:
X=(xij)n×p=(x1,x2,...xp),i=1,2...,n;j=1,2,...p;
并设定能耗与产量为因变量Y,即
Y=(yij)n×2=(y1,y2);
以及还包括:
对影响因素X进行数据预处理,即
X′=(x′ij)n×p=(x′1,x′2,...x′p);
对因变量Y进行数据预处理,即
Y′=(y′ij)n×2=(y′1,y′2)。
进一步,所述步骤120建立疏浚作业模型的方法为通过BP神经网络算法建立所述疏浚作业模型,其步骤包括:
步骤S121,创建BP神经网络;步骤S122,确定BP神经网络的训练样本与测试样本;步骤S123,对BP神经网络进行训练;以及步骤S124,对所述BP神经网络进行测试。
进一步,所述步骤S200中通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化的步骤如下:
步骤S201,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S202,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S203,初始化种群M,种群大小为N;
步骤S204,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S205,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S206,使用算术交叉算子进行变异操作,得到N个后代;
步骤S207,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S208,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S209,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S210,输出最优化参数结果数值。
进一步,所述的优化方法的方法还包括:
步骤S400,对优化结果进行评价,即将能耗与产量的输出值与样本值平均值进行比较,以绘制最优解集Pareto前端。
又一方面,本发明还提供了一种适用于疏浚作业节能增产优化的NSGA-Ⅱ多目标优化算法,包括如下步骤:
步骤S1,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S2,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S3,初始化种群M,种群大小为N;
步骤S4,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S5,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S6,使用算术交叉算子进行变异操作,得到N个后代;
步骤S7,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S8,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S9,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S10,输出最优化参数结果数值。
第三方面,本发明还提供了一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化系统,包括:
模型建立单元,适于建立疏浚作业模型;
输入优化单元,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;
模型运算单元,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
进一步,所述模型建立单元适于根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;以及以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
有益效果是:本发明公开了一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法及优化系统,其采用BP神经网络建立疏浚作业模型,实现了一个从输入到输出的非线性映射功能,建立起输入与输出之间的非线性关系,克服了常规的数理模型只能定性的描述生产过程的弊端。传统的多目标优化方法如加权求和法、ε-约束法、最小-最大法,容易陷入局部极小点、搜索效率很低,NSGA-II优化算法具有适用性和通用型、隐并行性、扩展性等优点,它从全局出发,搜索最优的解,搜索效率高于随机搜索。为疏浚作业的优化研究打下理论基础,达到高效率、高产量、低能耗的目的,对挖泥船进行实际生产指导具有重要意义。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明的基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法的流程图;
图2是本发明的BP神经网络预测相对误差图;
图3是本发明的最优解集Pareto前端图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
图1示出了本发明的基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法的流程图。
如图1所示,本发明的基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法,包括如下步骤:
步骤S100,建立疏浚作业模型;步骤S200,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;以及步骤S300,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
进一步,所述步骤S100中建立疏浚作业模型的步骤包括:步骤S110,根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;步骤S120,以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
进一步,所述步骤S110中根据收集影响疏浚作业产量与能耗因素的数据,确定p个影响因素且列出样本矩阵的方法包括:
对p个影响因素X进行了多次观测以获得n个样本点,
即所述样本矩阵(样本点×因素个数)为:
X=(xij)n×p=(x1,x2,...xp),i=1,2...,n;j=1,2,...p;
并设定能耗与产量为因变量Y,即
Y=(yij)n×2=(y1,y2);
以及还包括:
对影响因素X进行数据预处理,即
X′=(x′ij)n×p=(x′1,x′2,...x′p);
对因变量Y进行数据预处理,即
Y′=(y′ij)n×2=(y′1,y′2)。
具体的,对影响因素X和因变量Y进行数据预处理的步骤包括:
①缺失数据处理
缺失数据处理的一般方法是去除缺失数据。记去除缺失数据得到的样本矩阵为:
②异常值处理
对异常数据可以采用与缺失数据相似的处理方法,即去除异常数据。至于异常数据的标准,将视具体问题而定,实际中经常使用的一种标准是:与平均值的偏差大于3倍标准差。即3σ准则。即MATLAB相关代码如下:
%异常值处理
③去噪处理
噪声是一个测量变量中的随机错误或偏差,包括错误的值或偏离期望的孤立点。其处理方法是通过让数据适应回归函数来平滑数据。这里主要借助MATLAB自带smooth函数来平滑处理。即MATLAB相关代码如下:
%去噪平滑处理
size(X_2);jdzs=X_2(:,1);output1=smooth(jdzs,30);
bxl=X_2(:,2);output2=smooth(bxl,30);
…
tcxc=X_2(:,8);output8=smooth(tcxc,30);
X_3=[output1 output2 output3 output4 output5 output6 output7output8];
④归一化处理
数据归一化处理是把所有数据转化到[0,1]之间的数,其目的就是消除各维数据间数量级差别,避免因为输入输出数据数量级差别较大而造成网络预测误差较大。采用较多的是最大最小法,函数形式如下:
xk=(xk-xmin)/(xmax-xmin)
这里,归一化函数采用MATLAB自带mapminmax函数来处理。其相关代码如下:
%归一化处理
[X′ps]=mapminmax(X_3);
进一步,所述步骤120建立疏浚作业模型的方法为通过BP神经网络算法建立所述疏浚作业模型,其步骤包括:
步骤S121,创建BP神经网络;
步骤S122,确定BP神经网络的训练样本与测试样本;
步骤S123,对BP神经网络进行训练;以及
步骤S124,对所述BP神经网络进行测试。
具体的实施步骤包括:
①BP神经网络创建
利用三层网络结构以解决分类预测问题。
在三层网络中,隐含层神经网络个数l和输入层神经元个数b及输出层神经元个数m获得一经验公式:
(a为1~10之间的调节常数)
输入层神经元个数b及输出层神经元个数m分别取决于训练样本的输入、输出数据的维数。神经网络的隐含层神经元传递函数采用S型正切函数tansig(),输出层神经元的传递函数采用函数purelin(),样本训练采用函数trainlm()。假定训练输入样本矩阵为P_train,训练输出样本矩阵为T,创建网络可以使用以下MATLAB代码:
Net=newff(P_train,T,l,{‘tansig’,‘purelin’},‘trainlm’)
②训练样本与测试样本确定
训练样本取总样本的90%,测试样本取总样本的10%,以在不影响训练速度的基础上,使样本得到充分训练。
③对已建好的BP神经网络进行训练
网络训练不断修正权值和阈值,即通过训练,使得网络的输出误差越来越小。具体的,训练函数trainlm()是利用Levenber-Marquardt算法对网络进行训练的,可通过一下MATLAB代码调用trainlm()以及网络的参数设置:
%%训练次数为1000,训练目标位0.010,学习速率为0.1
Net.trainParam.epochs=1000;
Net.trainParam.goal=0.010;
LP.lr=0.1;
%%训练网络
Net=train(Net,P_train,T)
④对已建好的BP神经网络进行测试
网络训练好之后,对网络进行测试。假定测试样本数据矩阵为P_test,测试MATLAB代码如下:
Y_output=sim(Net,P_test)
BP神经网络测试结束后,通过计算预测值与真实值的偏差情况,可以对网络的泛化能力进行评价,BP神经网络疏浚作业模型建立完毕。
进一步,所述步骤S200中通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化的步骤如下:
步骤S201,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S202,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S203,初始化种群M,种群大小为N;
步骤S204,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S205,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S206,使用算术交叉算子进行变异操作,得到N个后代;
步骤S207,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S208,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S209,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S210,输出最优化参数结果数值。
进一步,在本实施例基础上,所述的优化方法的方法还包括:
步骤S400,对优化结果进行评价,即将能耗与产量的输出值与样本值平均值进行比较,以绘制最优解集Pareto前端。
实施例2
本发明还提供了一种适用于疏浚作业节能增产优化的NSGA-Ⅱ多目标优化算法,包括如下步骤:
步骤S1,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S2,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S3,初始化种群M,种群大小为N;
步骤S4,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S5,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S6,使用算术交叉算子进行变异操作,得到N个后代;
步骤S7,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S8,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S9,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S10,输出最优化参数结果数值。
实施例3
在实施例1和实施例2基础上,本发明还提供过了一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化系统,包括:
模型建立单元,适于建立疏浚作业模型;
输入优化单元,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;
模型运算单元,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
所述模型建立单元适于根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;以及以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
本优化系统还包括:评价模块,其适于优化结果进行评价,即将能耗与产量的输出值与样本值平均值进行比较,以绘制最优解集Pareto前端。
其中,本实施例中关于模型建立单元、输入优化单元、模型运算单元和评价模块的具体实施过程可以参见实施例1中的相关描述。
实施例4
在实施例1至实施例3基础上,以绞吸式挖泥船疏浚作业为例,对本发明的具体实施进行说明
绞吸式挖泥船疏浚作业节能增产优化
(1)绞吸式挖泥船能耗与产量影响因素具有众多参数变量,首先收集数据资料,确定分析变量。绞吸式挖泥船能耗与产量影响因素如表1所示。能耗与产量为因变量Y。
表1 绞吸式挖泥船能耗与产量影响因素
(2)对原始数据进行预处理
原始数据进行预处理后的结果为:
分别对所述因变量Y和影响因素X进行数据预处理后可得预处理后的因变量为Y′,影响因素为X′;其数据矩阵为:
X′=(x′ij)n×8=(x′1,x′2,...x′8)和Y′=(y′ij)n×2=(y′1,y′2)
(3)建立疏浚作业模型
输入层神经元个数b=8,输出层神经元个数m=2。
依据可得隐含层神经元个数为l=12。
选取总体样本数为1603,则训练样本数取1450,测试样本数取153。神经网络的隐含层神经元传递函数采用S型正切函数tansig(),输出层神经元的传递函数采用函数purelin()。假定训练输入样本矩阵为P_train,训练输出样本矩阵为T,创建网络可以使用以下MATLAB代码:
Net=newff(P_train,T,10,{‘tansig’,‘purelin’},‘trainlm’)
训练函数trainlm()是利用Levenber-Marquardt算法对网络进行训练的,可通过一下MATLAB代码调用trainlm()以及网络的参数设置:
%%训练次数为1000,训练目标位0.010,学习速率为0.1
Net.trainParam.epochs=1000;
Net.trainParam.goal=0.010;
LP.lr=0.1;
%%训练网络
Net=train(Net,P_train,T)
网络训练好之后,需要对网络进行测试。假定测试样本数据矩阵为P_test,测试MATLAB代码如下:
Y_output=sim(Net,P_test)
BP神经网络测试结束后,通过计算预测值与真实值的偏差情况,可以对网络的泛化能力进行评价。这里选用均方差误差及相对误差,其MATLAB编码如下:
%%性能评价
%均方差误差
MES=mse(Y_output-T_test);
%相对误差error
Error=abs(Y_output-T_test)/T_test;
能耗均方差为3.8416×10-6;产量均方差为0.0204。相对误差性能其结果如图2所示。从图中可以看出,能耗相对误差保持在10-3内,产量相对误差保持在10-2内,说明BP神经网络模型性能较好。
(4)以建好的模型为基础,通过NSGA-Ⅱ多目标优化算法,对8个变量进行优化,具体步骤如下:
①确定疏浚作业模型输出的两个目标函数:能耗与产量,由于优化结果为最小值,所以,在进行优化时,取产量为负值。
②判断优化问题的约束类型:非线性约束问题,并选择优化参数的上下限;
③初始化种群M,种群大小为N;
④计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
⑤进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
⑥使用算术交叉算子进行变异操作,得到N个后代;
⑦对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
⑧计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
⑨如果满足终止条件则停止;否则g=g+1,转第⑤步;
⑩输出最优化参数结果数值。
上述步骤中8个参数的上下限如下表2:
表2 参数取值范围
设种群大小为100,迭代次数为200,最优前端个体系数为0.7,其结果如下:
输出最优化参数结果数值如下表3:
表3 最优化结果
(5)中对优化结果进行评价
将优化后的输入变量优化值带入BP神经网络模型,计算出模型的两个输出值能耗、产量;如表2所示,与样本值平均值进行比较如下:优化后的能耗、产量的平均值分别为1.4525、1.82048,样本的能耗与产量的平均值分别为1.4798、1.2075,能耗减少了1.8%,而产量提高了49.27%,可见优化效果显著。
最优解集Pareto前端如图3所示。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化方法,包括如下步骤:
步骤S100,建立疏浚作业模型;
步骤S200,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;
步骤S300,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
2.根据权利要求1所述的优化方法,其特征在于,
所述步骤S100中建立疏浚作业模型的步骤包括:
步骤S110,根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;
步骤S120,以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
3.根据权利要求2所述的优化方法,其特征在于,
所述步骤S110中根据收集影响疏浚作业产量与能耗因素的数据,确定p个影响因素且列出样本矩阵的方法包括:
对p个影响因素X进行了多次观测以获得n个样本点,
即所述样本矩阵为:
X=(xij)n×p=(x1,x2,...xp),i=1,2...,n;j=1,2,...p;
并设定能耗与产量输出为因变量Y,即
Y=(yij)n×2=(y1,y2);
以及还包括:
对影响因素X进行数据预处理,即
X′=(x′ij)n×p=(x′1,x′2,...x′p);
对因变量Y进行数据预处理,即
Y′=(y′ij)n×2=(y′1,y′2)。
4.根据权利要求3所述的优化方法,其特征在于,
所述步骤120建立疏浚作业模型的方法为通过BP神经网络算法建立所述疏浚作业模型,其步骤包括:
步骤S121,创建BP神经网络;
步骤S122,确定BP神经网络的训练样本与测试样本;
步骤S123,对BP神经网络进行训练;以及
步骤S124,对所述BP神经网络进行测试。
5.根据权利要求4所述的优化方法,其特征在于,
所述步骤S200中通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化的步骤如下:
步骤S201,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S202,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S203,初始化种群M,种群大小为N;
步骤S204,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S205,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S206,使用算术交叉算子进行变异操作,得到N个后代;
步骤S207,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S208,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S209,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S210,输出最优化参数结果数值。
6.根据权利要求5所述的优化方法,其特征在于,
所述的优化方法的方法还包括:
步骤S400,对优化结果进行评价,即将能耗与产量的输出值与样本值平均值进行比较,以绘制最优解集Pareto前端。
7.一种适用于疏浚作业节能增产优化的NSGA-Ⅱ多目标优化算法,包括如下步骤:
步骤S1,确定疏浚作业模型输出的两个目标函数,即能耗与产量;
步骤S2,判断优化问题的约束类型,即非线性约束问题,并选择优化参数的上下限;
步骤S3,初始化种群M,种群大小为N;
步骤S4,计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
步骤S5,进入循环迭代g,对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
步骤S6,使用算术交叉算子进行变异操作,得到N个后代;
步骤S7,对变异操作之后的每个个体计算适应度值,并收集第g代和第g+1代所有个体,得到规模为2N的种群Q;
步骤S8,计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的N个个体作为最优种群G;
步骤S9,若满足终止条件则停止;否则g=g+1,转第步骤S205步;
步骤S10,输出最优化参数结果数值。
8.一种基于BP神经网络与NSGA-Ⅱ实现疏浚作业的优化系统,其特征在于,包括:
模型建立单元,适于建立疏浚作业模型;
输入优化单元,通过NSGA-Ⅱ多目标优化算法对所述疏浚作业模型的输入变量进行优化;
模型运算单元,将优化后的输入变量代入所述疏浚作业模型,以计算能耗与产量作为输出。
9.根据权利要求8所述的优化系统,其特征在于,
所述模型建立单元适于根据收集影响疏浚作业产量与能耗因素X的数据,确定p个影响因素X,且列出其样本矩阵;以及
以p个影响因素作为输入,以能耗与产量作为输出,运用BP神经网络算法,对样本矩阵进行训练、测试,建立疏浚作业模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510024390.0A CN104573869A (zh) | 2015-01-16 | 2015-01-16 | 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510024390.0A CN104573869A (zh) | 2015-01-16 | 2015-01-16 | 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573869A true CN104573869A (zh) | 2015-04-29 |
Family
ID=53089884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510024390.0A Pending CN104573869A (zh) | 2015-01-16 | 2015-01-16 | 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573869A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105334824A (zh) * | 2015-11-06 | 2016-02-17 | 重庆科技学院 | 基于nsga-ⅱ算法的铝电解生产优化方法 |
CN105718426A (zh) * | 2016-01-22 | 2016-06-29 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
CN106202443A (zh) * | 2016-07-13 | 2016-12-07 | 河海大学常州校区 | 基于visual prolog疏浚知识库的建立方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN109858173A (zh) * | 2019-02-18 | 2019-06-07 | 华中科技大学 | 一种风光水互补发电系统联合调度的多目标正切方法 |
CN110879723A (zh) * | 2019-11-29 | 2020-03-13 | 中国科学院电子学研究所 | 基于Pareto最优集的软件服务价值的客观评测方法及装置 |
CN111335388A (zh) * | 2020-02-21 | 2020-06-26 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种全智能绞吸挖泥船 |
CN116290203A (zh) * | 2023-01-12 | 2023-06-23 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
CN104200096A (zh) * | 2014-08-29 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于微分进化算法和bp神经网络的避雷器均压环优化法 |
-
2015
- 2015-01-16 CN CN201510024390.0A patent/CN104573869A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
CN104200096A (zh) * | 2014-08-29 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于微分进化算法和bp神经网络的避雷器均压环优化法 |
Non-Patent Citations (3)
Title |
---|
付涛 等: "基于改进型BP神经网络和NSGA-II遗传算法的机械零件多目标优化", 《组合机床与自动化加工技术》 * |
李莉 等: "基于NSGA-II算法的BP神经网络优化研究", 《微计算机信息》 * |
谢继勇: "基于神经网络的港口清淤工程预警系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105334824A (zh) * | 2015-11-06 | 2016-02-17 | 重庆科技学院 | 基于nsga-ⅱ算法的铝电解生产优化方法 |
CN105718426A (zh) * | 2016-01-22 | 2016-06-29 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
CN105718426B (zh) * | 2016-01-22 | 2018-07-27 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
CN106202443A (zh) * | 2016-07-13 | 2016-12-07 | 河海大学常州校区 | 基于visual prolog疏浚知识库的建立方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN109858173A (zh) * | 2019-02-18 | 2019-06-07 | 华中科技大学 | 一种风光水互补发电系统联合调度的多目标正切方法 |
CN109858173B (zh) * | 2019-02-18 | 2020-11-13 | 华中科技大学 | 一种风光水互补发电系统联合调度的多目标正切方法 |
CN110879723A (zh) * | 2019-11-29 | 2020-03-13 | 中国科学院电子学研究所 | 基于Pareto最优集的软件服务价值的客观评测方法及装置 |
CN110879723B (zh) * | 2019-11-29 | 2021-05-14 | 中国科学院电子学研究所 | 基于Pareto最优集的软件服务价值的客观评测方法及装置 |
CN111335388A (zh) * | 2020-02-21 | 2020-06-26 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种全智能绞吸挖泥船 |
CN116290203A (zh) * | 2023-01-12 | 2023-06-23 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
CN116290203B (zh) * | 2023-01-12 | 2023-10-03 | 中港疏浚有限公司 | 基于神经网络的疏浚施工参数选优模型方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573869A (zh) | 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统 | |
Barzegar et al. | Multi-step water quality forecasting using a boosting ensemble multi-wavelet extreme learning machine model | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN105447090B (zh) | 一种自动化数据挖掘预处理方法 | |
CN104463359A (zh) | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 | |
CN101923083B (zh) | 基于支持向量机和神经网络的污水化学需氧量软测量方法 | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN110378799A (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN105956702A (zh) | 一种基于数据融合的水产养殖水质溶解氧预测方法 | |
CN102034214A (zh) | 一种富营养化湖泊的健康评价方法 | |
Kim et al. | Machine learning for predictive management: short and long term prediction of phytoplankton biomass using genetic algorithm based recurrent neural networks | |
CN106200381B (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN110796293A (zh) | 一种电力负荷预测方法 | |
Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Gheytaspour et al. | Forecasting oxygen demand in treatment plant using artificial neural networks | |
Fu et al. | Productivity estimation of cutter suction dredger operation through data mining and learning from real-time big data | |
CN104063800B (zh) | 适用于氨氮排放指标有偿使用价格的核算方法 | |
CN104345636A (zh) | 一种基于改进差分算法的溶解氧控制方法 | |
CN107480897A (zh) | 一种生态工程建设效益评估方法 | |
CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system | |
Zhang et al. | Day-ahead electricity price forecasting using artificial intelligence | |
Dou et al. | Optimized urban water security regulation schemes driven by industrial development pattern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |
|
RJ01 | Rejection of invention patent application after publication |