CN109506450B - 一种中药饮片自动干燥过程湿度神经网络预测控制方法 - Google Patents

Abstract

一种中药饮片自动干燥过程湿度神经网络预测控制方法，针对中药饮片干燥过程热风风速不能根据实际的药材流量和药材湿度调节热风风速的问题，采用Levenberg–Marquardt算法训练中药饮片自动干燥过程药材湿度与热风风速神经网络预测模型，通过差分进化算法极小化未来一段时间内的药材湿度跟踪偏差与热风风速变化量的一个累积函数，实时计算中药饮片自动干燥过程热风风速的大小，实现中药饮片自动干燥过程湿度跟踪设定值的优化自动控制。本发明提供一种理解直观、设计简单、易于实现的中药饮片自动干燥过程湿度神经网络预测控制方法。

Description

一种中药饮片自动干燥过程湿度神经网络预测控制方法

技术领域

本发明属于中药饮片生产过程自动控制领域，涉及一种中药饮片自动干燥过程湿度神经网络预测控制方法。

背景技术

中药饮片是中药材经过按中医药理论、中药炮制方法，经过加工炮制后可直接用于中医临床的中药，比服用西药在人体内产生的副作用更小，中药饮片在治疗慢性病、免疫性疾病以及养生保健、延年益寿等方面具有独特的疗效。由于不同品种和产地的中药，其采收时间、采收方法、预处理手段以及清洗时间、润药程度、切片形状的不同，不同的药材进行的工序不同，包括炒制、炙制和蒸煮等，干燥特性的不同，造成了最终干燥过程药材的湿度差异很大，在中药饮片制作过程中饮片成品湿度指数是影响中药饮片质量的一个重要因素。在中药饮片干燥过程中，调节热风干燥器中对流风速的大小，可以改变干燥箱中空气的水汽含量、药材的温度和药材中水分的蒸发速率，进而改变药材的湿度。通过对现有中药饮片自动干燥过程湿度控制方法的文献的检索发现，目前中药饮片干燥过程热风风速大多是固定不可控的，现有的各种干燥设备更多的注重设备结构设计，采用旋转干燥盘式或者滚筒搅拌式等结构设计对药材进行批量干燥，以及采用热风对流干燥结合真空冷冻、红外加热或者微波干燥的结构设计等，但是现有的各种干燥设备结构复杂多样，维护维修成本高，且不能随着中药饮片数量的变化及饮片药材湿度的变化自动调节热风风速，造成能源的浪费、干燥效率低和干燥质量不确定等问题，而且采用旋转干燥盘式、滚筒搅拌式以及热风干燥结合真空冷冻的结构设计都只能采用批量干燥的方式，在一定程度上会降低中药饮片干燥过程的效率，真空冷冻机价格昂贵且冷冻周期较长，采用滚筒搅拌式结构设计会对药材结构形状完整性造成破坏，导致中药饮片成品的卖相不佳以及存放过程中药效的流失，而红外干燥设备中的红外发射元件发射出的红外光频谱无法控制，不同药材对红外线区内的吸收带宽窄不一，造成干燥过程的热效率无法保证，而微波干燥会使药材中的矿物质、维生素减少，甚至可能变成为致癌物或者其他不能为身体所分解的合成物，长期摄入微波干燥的饮片，会使人体免疫系统出问题以及癌变的发生。在中药饮片干燥过程中，饮片数量以及饮片药材湿度并不是一成不变的，因此，中药饮片自动干燥过程湿度神经网络预测控制方法是针对中药饮片干燥过程提出的一种新的优化控制方法，可以满足在保证干燥质量的前提下实现低能耗的需要。

发明内容

为了克服现有中药饮片干燥设备不能自动根据实际情况优化热风风速、能源浪费和干燥质量不可控的不足，本发明提供一种理解直观、设计简单、易于实现的中药饮片自动干燥过程湿度神经网络预测控制方法。

本发明解决其技术问题所采用的技术方案是：

一种中药饮片自动干燥过程湿度神经网络预测控制方法，所述方法包括如下步骤：

1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；

2)、建立神经网络预测模型，采用两层的列文伯格-马夸特(Levenberg–Marquardt)神经网络模型，参见式(1)：

其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际热风风速，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际饮片药材湿度，输出量y_m(k)、y_m(k+1)、…、y_m(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的饮片药材湿度，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；

3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),y_m(k+j-1),…,y_m(k),y(k-1),…,y(k+j-n)]；

设神经网络连接权参数矢量w＝[w₁,w₂,…,w_m+n]^T，则第k+j时刻模型预测输出参见式(2)：

y_m(k+j)＝g[x(k+j)·w]，j＝1，2，…，p (2)

其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，

4)、训练神经网络预测模型，首先给定输入量u(k)，采集控制对象的阶跃响应y_r(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出y_m(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：

其中，第i个训练误差e_i＝y_m(k+i)-y_r(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：

w^l+1＝w^l+Δw^l，l＝1，2，…，L (4)

其中，l为当前迭代次数，L为迭代次数上限，Δw^l为修正增量，参见式(5)：

Δw^l＝[J^T(w^l)J(w^l)+μI]^-1J^T(w^l)e(w^l) (5)

其中，I为m+n维度单位矩阵，μ为学习率常数，J(w^l)为雅可比矩阵

连接权参数矢量w迭代规则：将计算式(5)得到的Δw^l代入式(4)得到w^l+1，将得到的w^l+1代入式(2)，再用式(3)计算E(w^l+1)，若E(w^l+1)<E(w^l)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E(w^l+1)>E(w^l)，则令μ＝μ÷β，重新用式(5)计算Δw^l，计算式(4)、(2)、(3)得到E(w^{l +1})并与E(w^l)比较，重复此计算，直至E(w^l+1)<E(w^l)，令l＝l+1，完成该次迭代；当E(w^l)＜ε或迭代次数达到设定上限L时迭代结束，保存当前连接权参数矢量w，得到神经网络预测模型(1)，其中，β为自适应因子常数；

5)、反馈校正：设预测模型输出与实际输出之间校正误差为d(k)＝y(k)-y_m(k)，修正后的输出参见式(6)：

y_c(k+j)＝y_m(k+j)+h·d(k)，j＝1，2，…p， (6)

其中，h为修正因子；

6)、滚动优化：设定饮片药材湿度的目标值y_s，设性能指标函数

其中，q_j为误差加权系数，r_i为控制增量加权系数，M为控制时域，p为预测时域，将性能指标函数写成矢量形式，参见式(7)：

C(k)＝[Y_c(k)-Y_s]^TQ[Y_c(k)-Y_s]+ΔU^T(k)RΔU(k) (7)

其中，Y_c(k)＝[y_c(k+1)，y_c(k+2)，…，y_c(k+P)]^T，Q和R分别称为误差加权矩阵和控制增量加权矩阵

采用差分进化算法对性能指标(7)进行优化计算，将性能指标函数(7)作为适应度函数，控制增量作为个体；

差分进化算法由初始化种群、变异、交叉和选择组成；

初始化过程：随机均匀产生N个个体构成种群，个体ΔU_a(0)＝[Δu_a,1(0),Δu_a,2(0),…,Δu_a,M(0)]，a＝1，2，…，N，第a个个体中的第b维取值参见式(8)：

Δu_a,b(0)＝Δu_min+rand(0,1)·(Δu_max-Δu_min) (8)

其中，序号b＝1，2，…，M，rand(0,1)为0～1之间的随机数，Δu_min为风速控制增量变化的最小幅值，Δu_max风速控制增量变化的最大幅值，M为控制时域；

变异过程：从种群中随机选择3个个体ΔU_p1(g),ΔU_p2(g),ΔU_p3(g)，且p1≠p2≠p3≠a，生成的变异向量参见式(9)：

其中，

称为子代实验个体，F为缩放因子；

交叉过程：子代个体ΔU_a(g+1)通过子代实验个体

与其父代个体ΔU_a(g)进行交叉操作得到，参见式(10)：

其中，CR为交叉因子，取值范围为0～1；

选择过程：子代与父代竞争，优者替代劣者，参见式(11)：

当进化代数达到最大进化代数G或当前代中的最优个体与最差个体的适应度之差小于设定最小差值eps时差分进化算法终止，最优个体作为最优控制增量序列，将最优控制增量序列的第1个元素作用于下一时刻，下一时刻控制输入参见式(12)：

u(k+1)＝u(k)+Δu(k) (12)

通过在下一时刻进行新一次的预测、输出采样、反馈校正和优化计算，即得到下一时刻的控制输入，周而复始，实现中药饮片自动干燥过程湿度的神经网络预测控制。

本发明的技术构思为：针对中药饮片干燥过程热风风速不能根据实际的饮片药材数量和药材湿度调节热风风速的问题，提出一种中药饮片自动干燥过程湿度神经网络预测控制方法，采用Levenberg–Marquardt算法训练中药饮片自动干燥过程药材湿度与热风风速神经网络预测模型，通过差分进化算法极小化未来一段时间内的饮片药材湿度跟踪偏差与热风风速变化量的一个累积函数，实时计算中药饮片自动干燥过程热风风速的大小，实现中药饮片自动干燥过程湿度跟踪设定值的优化控制。

本发明的有益效果主要表现在：1、中药饮片自动干燥过程湿度神经网络预测控制方法设计简单、容易理解、在线实施简便、实用性强；2、中药饮片自动干燥过程饮片药材湿度在偏离目标值时能实现热风风速的自动调节，从而可以适用更复杂多样的饮片药材情况，满足中药饮片干燥过程节约能源、提高生产效率与提高生产质量的需要，提升了中药饮片自动干燥过程干燥系统的控制水平。

附图说明

图1为中药饮片自动干燥过程干燥设备的组成原理结构图；

图2为中药饮片自动干燥过程饮片药材湿度控制结构图，其中虚线表示电信号的传输，实线表示物料的传输；

图3为中药饮片自动干燥过程药材湿度神经网络预测控制结构图；

图4为中药饮片自动干燥过程药材湿度神经网络预测控制算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种中药饮片自动干燥过程湿度神经网络预测控制方法，所述方法包括如下步骤：

1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；

2)、建立神经网络预测模型，采用两层的列文伯格-马夸特(Levenberg–Marquardt)神经网络模型，参见式(1)：

其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际热风风速，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际饮片药材湿度，输出量y_m(k)、y_m(k+1)、…、y_m(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的饮片药材湿度，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；

3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),y_m(k+j-1),…,y_m(k),y(k-1),…,y(k+j-n)]；

设神经网络连接权参数矢量w＝[w₁,w₂,…,w_m+n]^T，则第k+j时刻模型预测输出参见式(2)：

y_m(k+j)＝g[x(k+j)·w]，j＝1，2，…，p (2)

其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，

4)、训练神经网络预测模型，首先，给定输入量u(k)，采集控制对象的阶跃响应y_r(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出y_m(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：

其中，第i个训练误差e_i＝y_m(k+i)-y_r(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：

w^l+1＝w^l+Δw^l，l＝1，2，…，L (4)

其中，l为当前迭代次数，L为迭代次数上限，Δw^l为修正增量，参见式(5)：

Δw^l＝[J^T(w^l)J(w^l)+μI]^-1J^T(w^l)e(w^l) (5)

其中，I为m+n维度单位矩阵，μ为学习率常数，J(w^l)为雅可比矩阵

连接权参数矢量w迭代规则：将计算式(5)得到的Δw^l代入式(4)得到w^l+1，将得到的w^l+1代入式(2)，再用式(3)计算E(w^l+1)，若E(w^l+1)<E(w^l)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E(w^l+1)>E(w^l)，则令μ＝μ÷β，重新用式(5)计算Δw^l，计算式(4)、(2)、(3)得到E(w^{l +1})并与E(w^l)比较，重复此计算，直至E(w^l+1)<E(w^l)，令l＝l+1，完成该次迭代；当E(w^l)＜ε或迭代次数达到设定上限L时迭代结束，保存当前连接权参数矢量w，得到神经网络预测模型(1)，其中，β为自适应因子常数；

5)、反馈校正：设预测模型输出与实际输出之间校正误差为d(k)＝y(k)-y_m(k)，修正后的输出参见式(6)：

y_c(k+j)＝y_m(k+j)+h·d(k)，j＝1，2，…p， (6)

其中，h为修正因子；

6)、滚动优化：设定饮片药材湿度的目标值y_s，设性能指标函数

其中，q_j为误差加权系数，r_i为控制增量加权系数，M为控制时域，p为预测时域，将性能指标函数写成矢量形式，参见式(7)：

C(k)＝[Y_c(k)-Y_s]^TQ[Y_c(k)-Y_s]+ΔU^T(k)RΔU(k) (7)

其中，Y_c(k)＝[y_c(k+1)，y_c(k+2)，…，y_c(k+P)]^T，Q和R分别称为误差加权矩阵和控制增量加权矩阵

采用差分进化算法对性能指标(7)进行优化计算，将性能指标函数(7)作为适应度函数，控制增量作为个体；

差分进化算法由初始化种群、变异、交叉和选择组成；

初始化过程：随机均匀产生N个个体，构成种群，个体

ΔU_a(0)＝[Δu_a,1(0),Δu_a,2(0),…,Δu_a,M(0)]，a＝1，2，…，N，第a个个体中的第b维取值参见式(8)：

Δu_a,b(0)＝Δu_min+rand(0,1)·(Δu_max-Δu_min) (8)

其中，序号b＝1，2，…，M，rand(0,1)为0～1之间的随机数，Δu_min为风速控制增量变化的最小幅值，Δu_max风速控制增量变化的最大幅值，M为控制时域；

变异过程：从种群中随机选择3个个体ΔU_p1(g),ΔU_p2(g),ΔU_p3(g)，且p1≠p2≠p3≠a，生成的变异向量参见式(9)：

其中，

称为子代实验个体，F为缩放因子；

交叉过程：子代个体ΔU_a(g+1)通过子代实验个体

与其父代个体ΔU_a(g)进行交叉操作得到，参见式(10)：

其中，CR为交叉因子，取值范围为0～1；

选择过程：子代与父代竞争，优者替代劣者，参见式(11)：

当进化代数达到最大进化代数G或当前代中的最优个体与最差个体的适应度之差小于设定最小差值eps时差分进化算法终止，最优个体作为最优控制增量序列，将最优控制增量序列的第1个元素作用于下一时刻，下一时刻控制输入参见式(12)：

u(k+1)＝u(k)+Δu(k) (12)

通过在下一时刻进行新一次的预测、输出采样、反馈校正和优化计算，即得到下下一时刻的控制输入，周而复始，实现中药饮片自动干燥过程湿度神经网络预测控制。

如图1所示，中药饮片自动干燥设备由药材自动干燥机控制器、喂料电机、送料网带、送风风机、电加热棒和干燥箱构成，当启动药材自动干燥机时，药材自动干燥机控制器控制喂料电机运转带动送料网带，将需要干燥的湿药材经进料口送入干燥箱，同时，药材自动干燥机控制器控制送风风机运转和电加热棒加热，送风风机吹出的风经过电加热棒加热后由干燥箱进风口送入干燥箱，送入干燥箱的热风与干燥箱内送料网带上的湿药材接触，提高湿饮片药材的温度使其中的水分蒸发，热风从干燥箱出风口排出，并带走干燥箱中的水分，完成对干燥箱内湿药材的干燥。

如图2所示，中药饮片自动干燥机控制器发送控制信号给喂料电机，喂料电机带动送料网带将需要干燥的湿药材经进料口送入干燥箱，同时，药材自动干燥机控制器控制送风风机运转和电加热棒加热，送风风机吹出的风经过电加热棒加热后由干燥箱进风口送入干燥箱，在干燥箱进风口出的风力监测器将实时监测到的热风风速信号传递给药材自动干燥机控制器，送入干燥箱的热风对干燥箱内的湿药材进行干燥，干燥后的药材从干燥箱的出料口送出，在干燥箱出料口处的湿度监测器对送出的药材进行湿度监测，并将出料湿度信号传递给药材自动干燥机控制器，药材自动干燥机控制器根据收到的热风风速信号和出料湿度信号，使用神经网络预测模型对未来预测时域的出料湿度进行预测并加以校正，再使用差分进化算法对未来控制时域的送风风机控制信号进行优化计算，得到下一时刻的热风风机控制信号，并作用于系统。

如图3所示，中药饮片自动干燥过程湿度神经网络预测模型使用当前控制对象的控制输入u(k)和输出y(k)进行预测得预测输出y_m(k+j)，j＝1，2，…，p，使用当前时刻实际输出y(k)跟上一时刻预测输出y_m(k)之间的差值对当前预测输出y_m(k+j)进行反馈校正，将校正后的预测输出y_c(k+j)与湿度目标值y_s比较，使用差分进化算法对性能指标函数进行优化求解，得到新的控制输入u(k+1)，作用于送风风机，实现中药饮片中药材自动干燥过程湿度神经网络预测控制方法。

如图4所示，本实施例的中药饮片自动干燥过程湿度神经网络预测控制方法，首先是使用记录的历史数据和采样的阶跃响应序列对神经网络预测模型进行离线学习，学习后的神经网络预测模型根据系统当前实际送风风机控制输入预测未来p个时刻的湿度输出，采样系统当前实际出料湿度信号对预测湿度输出进行反馈校正，将校正后的湿度输出通过差分进化算法优化求解得到控制增量序列，取控制增量序列第一个值计算得到下一时刻的控制输入作用于系统，周而复始循环操作，实现中药饮片自动干燥过程湿度神经网络预测控制方法。

Claims (1)

1.一种中药饮片自动干燥过程湿度神经网络预测控制方法，其特征在于，所述方法包括如下步骤：

1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；

2)、建立神经网络预测模型，采用两层的列文伯格-马夸特神经网络模型，参见式(1)：

其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际热风风速，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际饮片药材湿度，输出量y_m(k)、y_m(k+1)、…、y_m(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的饮片药材湿度，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；

3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),y_m(k+j-1),…,y_m(k),y(k-1),…,y(k+j-n)]；

设神经网络连接权参数矢量w＝[w₁,w₂,…,w_m+n]^T，则第k+j时刻模型预测输出参见式(2)：

y_m(k+j)＝g[x(k+j)·w]，j＝1，2，…，p (2)

其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，

4)、训练神经网络预测模型，首先给定输入量u(k)，采集控制对象的阶跃响应y_r(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出y_m(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：

其中，第i个训练误差e_i＝y_m(k+i)-y_r(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：

w^l+1＝w^l+Δw^l，l＝1，2，…，L (4)

其中，l为当前迭代次数，L为迭代次数上限，Δw^l为修正增量，参见式(5)：

Δw^l＝[J^T(w^l)J(w^l)+μI]^-1J^T(w^l)e(w^l) (5)

其中，I为m+n维度单位矩阵，μ为学习率常数，J(w^l)为雅可比矩阵

连接权参数矢量w迭代规则：将计算式(5)得到的Δw^l代入式(4)得到w^l+1，将得到的w^l+1代入式(2)，再用式(3)计算E(w^l+1)，若E(w^l+1)<E(w^l)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E(w^l+1)>E(w^l)，则令μ＝μ÷β，重新用式(5)计算Δw^l，计算式(4)、(2)、(3)得到E(w^l+1)并与E(w^l)比较，重复此计算，直至E(w^l+1)<E(w^l)，令l＝l+1，完成该次迭代；当E(w^l)＜ε或迭代次数达到设定上限L时迭代结束，保存当前连接权参数矢量w，得到神经网络预测模型式(1)，其中，β为自适应因子常数；

5)、反馈校正：设预测模型输出与实际输出之间校正误差为d(k)＝y(k)-y_m(k)，修正后的输出参见式(6)：

y_c(k+j)＝y_m(k+j)+h·d(k)，j＝1，2，…p， (6)

其中，h为修正因子；

6)、滚动优化：设定饮片药材湿度的目标值y_s，设性能指标函数

其中，q_j为误差加权系数，r_i为控制增量加权系数，M为控制时域，p为预测时域，将性能指标函数写成矢量形式，参见式(7)：

C(k)＝[Y_c(k)-Y_s]^TQ[Y_c(k)-Y_s]+ΔU^T(k)RΔU(k) (7)

其中，Y_c(k)＝[y_c(k+1)，y_c(k+2)，…，y_c(k+P)]^T，Q和R分别称为误差加权矩阵和控制增量加权矩阵

采用差分进化算法对性能指标(7)进行优化计算，将性能指标函数(7)作为适应度函数，控制增量作为个体；

差分进化算法由初始化种群、变异、交叉和选择组成；

初始化过程：随机均匀产生N个个体构成种群，个体ΔU_a(0)＝[Δu_a,1(0),Δu_a,2(0),…,Δu_a,M(0)]，a＝1，2，…，N，第a个个体中的第b维取值参见式(8)：

Δu_a,b(0)＝Δu_min+rand(0,1)·(Δu_max-Δu_min) (8)

其中，序号b＝1，2，…，M，rand(0,1)为0～1之间的随机数，Δu_min为风速控制增量变化的最小幅值，Δu_max风速控制增量变化的最大幅值，M为控制时域；

变异过程：从种群中随机选择3个个体ΔU_p1(g),ΔU_p2(g),ΔU_p3(g)，且p1≠p2≠p3≠a，生成的变异向量参见式(9)：

其中，

称为子代实验个体，F为缩放因子；

交叉过程：子代个体ΔU_a(g+1)通过子代实验个体

与其父代个体ΔU_a(g)进行交叉操作得到，参见式(10)：

其中，CR为交叉因子，取值范围为0～1；

选择过程：子代与父代竞争，优者替代劣者，参见式(11)：

当进化代数达到最大进化代数G或当前代中的最优个体与最差个体的适应度之差小于设定最小差值eps时差分进化算法终止，最优个体作为最优控制增量序列，将最优控制增量序列的第1个元素作用于下一时刻，下一时刻控制输入参见式(12)：

u(k+1)＝u(k)+Δu(k) (12)

通过在下一时刻进行新一次的预测、输出采样、反馈校正和优化计算，即得到下一时刻的控制输入，周而复始，实现中药饮片自动干燥过程湿度的神经网络预测控制。

Images