CN106959360A - 应用反向差分演化的稀土矿区农田水体pH值软测量方法 - Google Patents

Abstract

本发明公开了一种应用反向差分演化的稀土矿区农田水体pH值软测量方法。本发明采用支持向量机作为稀土矿区农田水体pH值的软测量模型，并利用反向差分演化算法来优化支持向量机的训练参数。在优化过程中，反向差分演化算法在其搜索过程中执行差分演化的基本操作算子，并以一定的概率执行改进的反向学习策略产生一个反向种群，然后在当前种群和反向种群中选择出优秀个体进入下一代种群，以此提高算法的全局搜索能力。本发明能够提高稀土矿区农田水体pH值软测量的精度。

Description

应用反向差分演化的稀土矿区农田水体pH值软测量方法

技术领域

本发明涉及pH值测量领域，尤其是涉及一种应用反向差分演化的稀土矿区农田水体pH值软测量方法。

背景技术

稀土在世界工业生产中具有不可替代的核心作用。目前，稀土的开采方式主要采用原地浸矿工艺。这种采矿工艺会往矿山内部灌注大量的化学溶液。而灌注的化学溶液会逐渐渗透到地表水源，造成稀土矿区溪水污染，而溪水是稀土矿区农田灌溉用水的来源。因此，稀土矿区农田水体容易受到稀土开采的污染，造成农作物难以生长，并且农作物的果实也会因为受到污染而不能食用。由此可见，迅速掌握稀土矿区农田水体的水质具有非常重要的意义。

稀土矿区农田水体的水质受到各种因素的影响，其中pH值是一项直接反映农田水体水质的重要指标。传统采用人工测量水体pH值的方法往往需要耗费大量的人力和财力成本。因此人们提出了基于软测量的水体pH值的测量方法。例如，康莉莎提出了利用模糊神经网络来实现骨素pH值的方法(康莉莎.基于模糊神经网络骨素pH值软测量[J].自动化与仪器仪表,2015,(03):100-101)；贾润达等提出了基于径向基函数网络与偏鲁棒M-回归相结合的非线性PRM的萃余液pH值软测量方法(贾润达,毛志忠,常玉清.基于非线性偏鲁棒M-回归的萃余液pH值软测量[J].自动化学报,2009,35(05):583-587.)。

差分演化是一种智能计算领域中的研究热点。由于差分演化具有寻优能力强，结构简单且易于实现和使用的优点，许多研究人员将其成功应用到了各种工业工程问题中。目前，差分演化在许多工业工程应用中获得了非常成功的结果，并且它在建立软测量模型中也表现出很大的潜力，但是传统差分演化算法在建立稀土矿区农田水体pH值的软测量模型时容易出现陷入局部最优，测量精度不高的缺点。

发明内容

本发明的目的是提出一种应用反向差分演化的稀土矿区农田水体pH值软测量方法，本发明能够提高稀土矿区农田水体pH值软测量的精度。

本发明的技术方案：一种应用反向差分演化的稀土矿区农田水体pH值软测量方法，包括以下步骤：

步骤1，在需要软测量的稀土矿区农田内连续HD天采集水体样本，并测量出水体样本的水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，将测量出来的水质指标数据作为样本数据集，并对样本数据集进行归一化处理；

步骤2，用户初始化软测量跨度天数HT，种群大小Popsize，反向学习率OP，缩放因子F，杂交率Cr和最大评价次数MAX_FEs；

步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，支持向量机的优化设计参数个数D＝3；

步骤4，设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值，然后设置支持向量机D个优化设计参数的下界LB_j和上界UB_j，其中维度下标j＝1,2,3；

步骤5，随机产生初始种群其中：个体下标i＝1,2,...,Popsize，并且为种群P_t中的第i个个体，其随机初始化公式为：

其中j＝1,2,3，存储了支持向量机D个需要优化设计的参数，即是支持向量机的惩罚因子C，是支持向量机的径向基核参数g，是支持向量机的不敏感损失函数中参数ε；rand(0,1)为在[0,1]之间的随机实数产生函数；

步骤6，计算种群P_t中所有个体的适应值；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，在[0,1]之间随机产生一个实数rp；

步骤10，如果rp大于反向学习率OP则转到步骤11，否则转到步骤14；

步骤11，利用缩放因子F和杂交率Cr执行差分演化的操作算子；

步骤12，令当前评价次数FEs＝FEs+Popsize；

步骤13，转到步骤15；

步骤14，执行改进的反向学习策略得到反向种群DP_t，然后从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群，具体步骤如下：

步骤14.1，按以下公式计算种群P_t的搜索下界DLB^t和上界DUB^t：

其中i＝1,2,...,Popsize，j＝1,2,3；min表示取最小值函数，max表示取最大值函数；

步骤14.2，按以下公式产生种群P_t的反向种群DP_t：

DK＝rand(0,1),GK＝rand(0,1)

其中反向个体下标di＝1,2,...,Popsize，维度下标dj＝1,2,3；DK是组合因子，GK是反向因子，RD1是在[1,Popsize]之间随机产生的一个整数；是反向种群DP_t中的第di个反向个体；

步骤14.3，计算反向种群DP_t中所有反向个体的适应值；

步骤14.4，从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群；

步骤14.5，令当前评价次数FEs＝FEs+Popsize，然后转到步骤15；

步骤15，保存种群P_t中的最优个体Best^t，并令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，将训练好的支持向量机作为软测量模型，即可实现稀土矿区农田水体pH值的软测量。

本发明采用支持向量机作为稀土矿区农田水体pH值的软测量模型，并利用反向差分演化算法来优化支持向量机的训练参数。在优化过程中，反向差分演化算法在其搜索过程中执行差分演化的基本操作算子，并以一定的概率执行改进的反向学习策略产生一个反向种群，然后在当前种群和反向种群中选择出优秀个体进入下一代种群，以此提高算法的全局搜索能力。本发明能够提高稀土矿区农田水体pH值软测量的精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

步骤1，在需要软测量的稀土矿区农田内连续HD＝68天采集水体样本，并测量出水体样本的水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，将测量出来的水质指标数据作为样本数据集，并对样本数据集进行归一化处理；

步骤2，用户初始化软测量跨度天数HT＝2，种群大小Popsize＝100，反向学习率OP＝0.3，缩放因子F＝0.5，杂交率Cr＝0.9和最大评价次数MAX_FEs＝10000；

步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，支持向量机的优化设计参数个数D＝3；

步骤4，设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值，然后设置支持向量机D个优化设计参数的下界LB_j和上界UB_j，其中维度下标j＝1,2,3；

步骤5，随机产生初始种群其中：个体下标i＝1,2,...,Popsize，并且为种群P_t中的第i个个体，其随机初始化公式为：

其中j＝1,2,3，存储了支持向量机D个需要优化设计的参数，即是支持向量机的惩罚因子C，是支持向量机的径向基核参数g，是支持向量机的不敏感损失函数中参数ε；rand(0,1)为在[0,1]之间的随机实数产生函数；

步骤6，计算种群P_t中所有个体的适应值；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，在[0,1]之间随机产生一个实数rp；

步骤10，如果rp大于反向学习率OP则转到步骤11，否则转到步骤14；

步骤11，利用缩放因子F和杂交率Cr执行差分演化的操作算子；

步骤12，令当前评价次数FEs＝FEs+Popsize；

步骤13，转到步骤15；

步骤14，执行改进的反向学习策略得到反向种群DP_t，然后从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群，具体步骤如下：

步骤14.1，按以下公式计算种群P_t的搜索下界DLB^t和上界DUB^t：

其中i＝1,2,...,Popsize，j＝1,2,3；min表示取最小值函数，max表示取最大值函数；

步骤14.2，按以下公式产生种群P_t的反向种群DP_t：

DK＝rand(0,1),GK＝rand(0,1)

其中反向个体下标di＝1,2,...,Popsize，维度下标dj＝1,2,3；DK是组合因子，GK是反向因子，RD1是在[1,Popsize]之间随机产生的一个整数；是反向种群DP_t中的第di个反向个体；

步骤14.3，计算反向种群DP_t中所有反向个体的适应值；

步骤14.4，从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群；

步骤14.5，令当前评价次数FEs＝FEs+Popsize，然后转到步骤15；

步骤15，保存种群P_t中的最优个体Best^t，并令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，将训练好的支持向量机作为软测量模型，即可实现稀土矿区农田水体pH值的软测量。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种应用反向差分演化的稀土矿区农田水体pH值软测量方法，其特征在于，包括以下步骤：

步骤1，在需要软测量的稀土矿区农田内连续HD天采集水体样本，并测量出水体样本的水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，将测量出来的水质指标数据作为样本数据集，并对样本数据集进行归一化处理；

步骤2，用户初始化软测量跨度天数HT，种群大小Popsize，反向学习率OP，缩放因子F，杂交率Cr和最大评价次数MAX_FEs；

步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，支持向量机的优化设计参数个数D＝3；

步骤4，设置支持向量机的输入变量为归一化的一天的稀土矿区农田水体水质指标：氨氮、总氮、总磷、硫化物、水温、水深度、农田面积和pH值，支持向量机的输出为归一化的HT天后的稀土矿区农田水体pH值，然后设置支持向量机D个优化设计参数的下界LB_j和上界UB_j，其中维度下标j＝1,2,3；

步骤5，随机产生初始种群其中：个体下标i＝1,2,...,Popsize，并且为种群P_t中的第i个个体，其随机初始化公式为：

$B_{i,j}^t={\mathrm{LB}}_j+rand(0,1)\×({\mathrm{UB}}_j-{\mathrm{LB}}_j)$

其中j＝1,2,3，存储了支持向量机D个需要优化设计的参数，即是支持向量机的惩罚因子C，是支持向量机的径向基核参数g，是支持向量机的不敏感损失函数中参数ε；rand(0,1)为在[0,1]之间的随机实数产生函数；

步骤6，计算种群P_t中所有个体的适应值；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，在[0,1]之间随机产生一个实数rp；

步骤10，如果rp大于反向学习率OP则转到步骤11，否则转到步骤14；

步骤11，利用缩放因子F和杂交率Cr执行差分演化的操作算子；

步骤12，令当前评价次数FEs＝FEs+Popsize；

步骤13，转到步骤15；

步骤14，执行改进的反向学习策略得到反向种群DP_t，然后从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群，具体步骤如下：

步骤14.1，按以下公式计算种群P_t的搜索下界DLB^t和上界DUB^t：

${\mathrm{DLB}}_j^t=min\left(B_{i,j}^t\right)$

${\mathrm{DUB}}_j^t=max\left(B_{i,j}^t\right)$

其中i＝1,2,...,Popsize，j＝1,2,3；min表示取最小值函数，max表示取最大值函数；

步骤14.2，按以下公式产生种群P_t的反向种群DP_t：

${\mathrm{DP}}_t=\{A_1^t,A_2^t,...,A_{di}^t,...,A_{Popsize}^t\},$

$A_{di,dj}^t=DK\×\[({\mathrm{DLB}}_{dj}^t+{\mathrm{DUB}}_{di}^t)\×GK-B_{di,dj}^t\]+(1-DK)\×\[(B_{RD1,dj}^t+B_{dj}^t)\×GK-B_{di,dj}^t\],$

DK＝rand(0,1),GK＝rand(0,1)

其中反向个体下标di＝1,2,...,Popsize，维度下标dj＝1,2,3；DK是组合因子，GK是反向因子，RD1是在[1,Popsize]之间随机产生的一个整数；是反向种群DP_t中的第di个反向个体；

步骤14.3，计算反向种群DP_t中所有反向个体的适应值；

步骤14.4，从种群P_t和反向种群DP_t中选择出优秀个体进入下一代种群；

步骤14.5，令当前评价次数FEs＝FEs+Popsize，然后转到步骤15；

步骤15，保存种群P_t中的最优个体Best^t，并令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，将训练好的支持向量机作为软测量模型，即可实现稀土矿区农田水体pH值的软测量。