CN109829244A - 算法优化深度网络和三代遗传算法的风机优化设计方法 - Google Patents
算法优化深度网络和三代遗传算法的风机优化设计方法 Download PDFInfo
- Publication number
- CN109829244A CN109829244A CN201910137224.XA CN201910137224A CN109829244A CN 109829244 A CN109829244 A CN 109829244A CN 201910137224 A CN201910137224 A CN 201910137224A CN 109829244 A CN109829244 A CN 109829244A
- Authority
- CN
- China
- Prior art keywords
- individual
- value
- population
- generations
- variable
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 title claims abstract description 46
- 238000013461 design Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims 1
- 239000012530 fluid Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种算法优化深度网络和三代遗传算法的风机优化设计方法，包括以下步骤:步骤一：获取对风机运行效率和成本影响较大的结构变量，而给定的风压和风量是约束条件，而效率和成本为目标变量；步骤二：建立算法优化深度网络模型，以结构变量为输入变量、目标变量为输出变量，采用数据样本进行训练，形成超强分类器；步骤三：建立三代遗传算法模型，采用非支配排序算子、精英策略设计算子和基于参考点算子；步骤四：通过所建立的深度网络模型进行风机运行效率和制造成本的预测，并将预测值用于三代遗传算法模型中目标函数值的求取，来获得pareto最优解，将最优解反归一化后的结构变量值，用于指导风机的实际设计。本发明精度较高、目标全面。
Description
技术领域
本发明属于风机的运行参数设计技术和工业过程的模拟仿真领域，特别涉及一种算法优化深度网络和三代遗传算法的风机优化设计方法。
技术背景
风机是通过输入的机械能，将进气压力提高并排出的流体机械。风机的运行过程是一个紊乱的流体流动过程和复杂的能量传递过程。
风机各结构变量的改变会对风机产生综合效应。即当结构变量发生改变时，风机各目标变量(一般选用效率和成本)的变化趋势并不一致。而我们不仅是对效率的优化，同时也是对成本的优化。所以，对于多目标优化而言，我们需要在满足实际工作的条件下，获得一组最优的设计变量组合。
传统的多目标计算实际是对单目标计算的加权计算，权值的取值与工作人员经验有很大关联，该方法精确度较低，效果较差。若通过CFD方法即计算流体力学，以电子计算机为工具，应用各种离散化的数学方法，对流体力学的问题进行模拟分析，其精确度不高，并不适用。而目前的智能优化算法包括遗传算法、粒子群算法等拥有快速的全局寻优能力，已广泛用于解决多目标优化问题。
在已选取合适算法的情况下，还需要建立的预测模型。其中，人工神经网络通过仿生学，对生物神经网络进行抽象并建立简单模型，其具有高度的非线性映射能力，自学习能力等已应用于很多领域。若将多目标遗传算法和神经网络结合，能够有效的提高算法收敛速度和变量参数的精确度，快速获得最优的设计变量数值。
获得目标全面且精度较高的风机结构变量数值，并广泛应用于的风机设计中，不仅对企业起着实际效用，而且有益于工业过程中的节能减排。
发明内容
为了克服已有风机多目标优化设计方法的精度较低、目标不够全面等不足之处，本发明提供一种精度较高、目标全面的基于算法优化深度网络和三代遗传算法的风机优化设计方法。
本发明解决其技术问题所采用的技术方案是：
一种算法优化深度网络和三代遗传算法的风机优化设计方法，包括以下步骤:
步骤一：获取对风机运行效率和成本影响较大的结构变量，而给定的风压和风量是约束条件，而效率和成本为目标变量，其中结构变量和目标变量的数据样本通过实验获得；
步骤二：建立算法优化深度网络模型。其中以结构变量为输入变量、目标变量为输出变量，采用数据样本进行训练，形成超强分类器；
步骤三：建立三代遗传算法模型，其中采用非支配排序算子、精英策略设计算子和基于参考点算子；
步骤四：通过所建立的算法优化的深度网络模型进行风机运行效率和制造成本的预测，并将预测值用于三代遗传算法模型中目标函数值的求取，来获得pareto最优解，将最优解反归一化后的结构变量值，用于指导风机的实际设计。
进一步，所述步骤一中，所述的输入变量选取如下：
结构变量：叶片出口安装角、叶片数、叶轮出口宽度、叶顶间隙；选择叶片出口安装角、叶片数、叶轮出口宽度作为结构变量，并令为神经网络模型的输入变量；将效率和成本这一组目标变量，令为神经网络模型的输出变量。
再进一步，所述步骤二中，对算法优化的深度网络的建立、初始化、训练，过程如下：
先对样本数据进行处理；然后，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值，其中，每次训练完毕则形成一个弱分类器，将弱分类器组合成强分类器；最后，将强分类器组成超强分类器，算法优化的深度网络完成建模。
优选的，所述步骤二的包括以下步骤：
2.1数据处理
收集步骤一中相关参数即叶轮出口安装角、叶片数、叶轮出口宽度、效率、风压或风量，对叶轮出口安装角、叶片数、叶轮出口宽度、全压进行归一化处理，该方法归一化后的值再[-1,1]之间；
2.2数据的分类
将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；
2.3网络的初始化
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。本方法中隐含层层数为一层，节点数根据经验公式：得出，其中n,m为输入、输出节点数，s为常数取1～10，各层权值初始值取[-1,1]之间的随机数。其中，输入层到隐含层的权重wij，隐含层到输出层的权重为wjk，输入层到隐含层的阈值为aj，隐含层到输出层的阈值为bk，学习率η一般取0.1～0.2，规定误差取10-3～10-6，循环次数P>1000次，激励函数为g(x)，其中激励函数取双曲线正切函数，形式为：
2.4训练神经网络，过程如下：
2.4.1信号的正向传播
2.4.1.1隐含层的输出：
xi为输入层的输入的数据，Hj为隐含层结点的输出。
2.4.1.2输出层的输出:
Ok为输出层结点的输出。
2.4.1.3误差的计算：
ek＝(Yk-Ok)Ok(1-Ok)
以上公式中，i＝1...n，j＝1...l，k＝1...m，Yk为实际输出数据。
通过比较输出层的实际输出与期望输出，获得两者的误差。若误差未处于要求的误差范围内，则转入误差反向传播；
2.4.2信号(误差)的反向传播
2.4.2.1权重的更新：
根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk+ηHjek
2.4.2.2阈值的更新：
根据误差ek更新网络节点阈值a，b；
bk＝bk+ηek
2.5弱分类器的形成
重复步骤2.4.1-2.4.2重复训练若干次，根据数据样本的的每一次训练效果，对权重进行更新，方法是对分类过程中出现误差的样本个体赋予较大权重，来形成弱分类器，记录每次训练结果的误差ek；
2.6强分类器的形成
对训练效果差的弱分类器赋予较小权重，对训练效果好的弱分类器赋予较大权值，将弱分类器乘以对应权重并取合从而建立强分类器；建立强分类函数h1(x)，共选取N1个弱分类器进行合并建立一个强分类器；
2.6.1预测权重的计算公式如下：
作用是分配各弱分类器在强分类器中所占比重，其中et的计算如下式所示
其中，Dt为分布系数，下标t为训练次数，对于初始化的分布系数，其取值为D1＝1/m，m为训练输入向量数；
2.6.2归一化因子的计算公式如下：
其中，Bt为归一化因子，作用是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果；
2.6.3强分类器函数的计算公式如下：
其中，f(gt，at)为弱分类函数
2.7超强分类器的形成
重复2.4-2.6建立N2个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，共选取N2个弱分类器进行合并建立一个强分类器，最终该超强分类器即为最终所求的算法优化深度网络；
2.8数据测试
用测试集的数据对算法优化的深度网络进行测试。若误差低于规定误差，则对算法优化的深度网络完成建模，即神经网络模型的输入和输出满足映射关系。
再进一步，所述步骤三中，所述的三代遗传算法遗传算法的步骤如下：
3.1：生成父代种群Pt，种群大小为N；
3.2：对父代种群Pt进行选择、交叉和变异生产初代子群Qt，种群大小为N；
3.3：将初代子群Qt和父代种群Pt合并，生产种群Rt，种群大小为2N；
3.4.：计算种群Rt中个体的非支配级别并结合基于参考点的方法，首先生成种群St，再生成新父代种群Pt+1，种群大小为N；
3.5：判断进化代数是否小于最大代数G。若否，则输出Pt+1；若是，则t＝t+1，回到第三步继续进行循环。
进一步，所述3.1中，种群编码方式采用浮点数编码，种群规模设为N、进化代数设为t、交叉概叉概率设为18％～48％，变异概率设为2％～8％。
再进一步，所述3.2中，选择，是指对环境适应性强的物种将有更多的机会遗传给下一代，本方法采用轮盘赌选择法，个体适应度越大，被选择的概率也越大；
交叉，是指通过染色体的交叉组合，产生新的个体，本方法采用模拟二进制交叉；
变异，是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体，本方法采用多项式变异。；
更进一步，所述3.3中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和基于参考点算子进行选择，产生下一代种群，这有利于保持父代中的优良个体进入下一代，保证种群中的最优个体不会丢失。
再更进一步，所述3.4中，采用快速非支配排序算子，在本方法中将神经网络模型的预测值作为NSGA--III遗传算法中目标函数值得计算。其中，快速非支配排序的原理为：首先找出种群中非支配解集，记为第一非支配层F1，其非支配序数为irank＝1，并将F1除去再找出剩下的种群的非支配解集，记为F2。依次如此。非支配序数较高的个体优先被选取。假设最后取到第FL非支配层。
采用基于参考点算子。即第FL非支配层中个体的选择方式，不断选中个体放入St中，直到个体数目达到N个，则新父代种群Pt+1产生。作用是对St中个体进行更加全面的分析，从而选出优秀个体。过程如下：
①先计算理想点即求解这一代种群个体所有目标函数的最小值，再将种群中每个个体的目标值减去得到的理想点值；
②然后计算极值点和对应坐标轴上的截距，并对个体的目标在进行归一化；
以上公式中中，i＝1,2,....M M为总目标数。
③最后计算个体关联参考点并对个体进行选择
首先，在由极值点构成的空间内划分参考点j，并将参考点与原点相连构建参考向量；
然后，引入pj，它的数值就是被F1～FL-1层中个体关联参考点j的次数。关联是指个体到某参考向量的距离最近，就与该参考点关联；
最后，直到存在参考点j与FL层中的个体关联，此时，若点pj＝0，则在FL层中选取与参考点j距离最小的个体加入Pt+1中；否则在FL层中随机选取个体加入Pt+1中。
更进一步，所述步骤四中，先通过对数据样本的训练，完成算法优化的深度网络模型，该模型拟合出良好的输入和输出变量的映射关系。然后将神经网络的预测值用于三代遗传算法中目标函数值的求取。最后通过三代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点。由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的结构变量值进行反归一化处理，转化为真实值。其公式如下：x＝k·(xmax-xmin)+xmin。
本发明的有益效果主要表现在：建立算法优化的深度网络模型。实现快速而有效的学习收敛过程，高效的拟合出输入和输出之间的映射关系，解决了预测精度较低、预测结果不稳定等问题。
建立三代遗传算法模型。三代遗传算法中由于采用了基于参考点算子可以更加准确的获得优秀个体，其能够解决多个优化目标之间相互矛盾的关系，同时算法的收敛性较之前的二代遗传算法得到了提高。
通过将t算法优化的深度网络的局部寻优能力和三代遗传算法的全局寻优能力进行结合可以准确且高效的得到pareto前沿与对应设计变量的值即最佳的转速和动叶安装角，实现风机设计的高可靠性和高精度。
附图说明
图1是算法优化深度网络和三代遗传算法的风机优化设计方法的流程图。
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1，一种算法优化深度网络和三代遗传算法的风机优化设计方法，包括以下步骤:
步骤一：获取对风机运行效率和成本影响较大的结构变量，而给定的风压和风量是约束条件，而效率和成本为目标变量，其中结构变量和目标变量的数据样本通过实验获得；
步骤二：建立算法优化的深度网络模型。其中以结构变量为输入变量、目标变量为输出变量，采用数据样本进行训练，形成超强分类器；
步骤三：建立三代遗传算法模型，其中采用非支配排序算子、精英策略设计算子和基于参考点算子；
步骤四：通过所建立的算法优化的深度网络模型进行风机运行效率和制造成本的预测，并将预测值用于三代遗传算法模型中目标函数值的求取，来获得pareto最优解，将最优解反归一化后的结构变量值，用于指导风机的实际设计。
进一步，所述步骤一中，所述的输入变量选取如下：
结构变量：叶片出口安装角、叶片数、叶轮出口宽度、叶顶间隙；选择叶片出口安装角、叶片数、叶轮出口宽度作为结构变量，并令为神经网络模型的输入变量；将效率和成本这一组目标变量，令为神经网络模型的输出变量。
再进一步，所述步骤二中，对算法优化的深度网络的建立、初始化、训练，过程如下：
先对样本数据进行处理；然后，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值，其中，每次训练完毕则形成一个弱分类器，将弱分类器组合成强分类器；最后，将强分类器组成超强分类器，算法优化的深度网络完成建模。
优选的，所述步骤二的包括以下步骤：
2.1数据处理
收集步骤一中相关参数即叶轮出口安装角、叶片数、叶轮出口宽度、效率、风压或风量，对叶轮出口安装角、叶片数、叶轮出口宽度、全压进行归一化处理，该方法归一化后的值再[-1,1]之间；
2.2数据的分类
将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；
2.3网络的初始化
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。本方法中隐含层层数为一层，节点数根据经验公式：得出，其中n,m为输入、输出节点数，s为常数取1～10，各层权值初始值取[-1,1]之间的随机数。其中，输入层到隐含层的权重wij，隐含层到输出层的权重为wjk，输入层到隐含层的阈值为aj，隐含层到输出层的阈值为bk，学习率η一般取0.1～0.2，规定误差一般取10-3～10-6，循环次数P(P>200)次，激励函数为g(x)，其中激励函数取双曲线正切函数，形式为：
2.4训练神经网络，过程如下：
2.4.1信号的正向传播
2.4.1.1隐含层的输出：
xi为输入层的输入的数据，Hj为隐含层结点的输出。
2.4.1.2输出层的输出:
Ok为输出层结点的输出。
2.4.1.3误差的计算：
ek＝(Yk-Ok)Ok(1-Ok)
以上公式中，i＝1...n，j＝1...l，k＝1...m，Yk为实际输出数据。
通过比较输出层的实际输出与期望输出，获得两者的误差。若误差未处于要求的误差范围内，则转入误差反向传播；
2.4.2信号(误差)的反向传播
2.4.2.1权重的更新：
根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk+ηHjek
2.4.2.2阈值的更新：
根据误差ek更新网络节点阈值a，b；
bk＝bk+ηek
2.5弱分类器的形成
重复步骤2.4.1-2.4.2重复训练若干次，根据数据样本的的每一次训练效果，对权重井下更新，方法是对分类过程中出现误差的样本个体赋予较大权重，来形成弱分类器，记录每次训练结果的误差ek；
2.6强分类器的形成
对训练效果差的弱分类器赋予较小权重，对训练效果好的弱分类器赋予较大权值，将弱分类器乘以对应权重并取合从而建立强分类器；建立强分类函数h1(x)，共选取N1个弱分类器进行合并建立一个强分类器；
2.6.1预测权重的计算公式如下：
作用是分配各弱分类器在强分类器中所占比重，其中et的计算如下式所示
其中，Dt为分布系数，下标t为训练次数，对于初始化的分布系数，其取值为D1＝1/m，m为训练输入向量数；
2.6.2归一化因子的计算公式如下：
其中，Bt为归一化因子，作用是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果；
2.6.3强分类器函数的计算公式如下：
其中，f(gt，at)为弱分类函数
2.7超强分类器的形成
重复2.4-2.6建立N2个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，共选取N2个弱分类器进行合并建立一个强分类器，最终该超强分类器即为最终所求的算法优化的深度网络；
2.8数据测试
用测试集的数据对算法优化的深度网络进行测试。若误差低于规定误差，则对算法优化的深度神经网络完成建模，即神经网络模型的输入和输出满足映射关系。
再进一步，所述步骤三中，所述的三代遗传算法遗传算法的步骤如下：
3.1：生成父代种群Pt，种群大小为N；
3.2：对父代种群Pt进行选择、交叉和变异生产初代子群Qt，种群大小为N；
3.3：将初代子群Qt和父代种群Pt合并，生产种群Rt，种群大小为2N；
3.4.：计算种群Rt中个体的非支配级别并结合基于参考点的方法，首先生成种群St，再生成新父代种群Pt+1，种群大小为N；
3.5：判断进化代数是否小于最大代数G。若否，则输出Pt+1；若是，则t＝t+1，回到第三步继续进行循环。
进一步，所述3.1中，种群编码方式采用浮点数编码，种群规模设为N、进化代数设为t、交叉概叉概率设为18％～48％，变异概率设为2％～8％。
再进一步，
，选择，是指对环境适应性强的物种将有更多的机会遗传给下一代，本方法采用轮盘赌选择法，个体适应度越大，被选择的概率也越大；
交叉，是指通过染色体的交叉组合，产生新的个体，本方法采用模拟二进制交叉；
变异，是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体，本方法采用多项式变异。
更进一步，所述3.3中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和基于参考点算子进行选择，产生下一代种群，这有利于保持父代中的优良个体进入下一代，保证种群中的最优个体不会丢失。
再更进一步，所述3.4中，采用快速非支配排序算子，在本方法中将神经网络模型的预测值作为NSGA--III遗传算法中目标函数值得计算。其中，快速非支配排序的原理为：首先找出种群中非支配解集，记为第一非支配层F1，其非支配序数为irank＝1，并将F1除去再找出剩下的种群的非支配解集，记为F2。依次如此。非支配序数较高的个体优先被选取。假设最后取到第FL非支配层。
采用基于参考点算子。即第FL非支配层中个体的选择方式，不断选中个体放入St中，直到个体数目达到N个，则新父代种群Pt+1产生。作用是对St中个体进行更加全面的分析，从而选出优秀个体。过程如下：
①先计算理想点即求解这一代种群个体所有目标函数的最小值，再将种群中每个个体的目标值减去得到的理想点值；
②然后计算极值点和对应坐标轴上的截距，并对个体的目标在进行归一化；
以上公式中中，i＝1,2,....M M为总目标数。
③最后计算个体关联参考点并对个体进行选择
首先，在由极值点构成的空间内划分参考点j，并将参考点与原点相连构建参考向量；
然后，引入pj，它的数值就是被F1～FL-1层中个体关联参考点j的次数。关联是指个体到某参考向量的距离最近，就与该参考点关联；
最后，直到存在参考点j与FL层中的个体关联，此时，若点pj＝0，则在FL层中选取与参考点j距离最小的个体加入Pt+1中；否则在FL层中随机选取个体加入Pt+1中。
更进一步，所述步骤四中，先通过对数据样本的训练，完成算法优化的深度网络模型，该模型拟合出良好的输入和输出变量的映射关系。然后将神经网络的预测值用于三代遗传算法中目标函数值的求取。最后通过三代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点。由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的结构变量值进行反归一化处理，转化为真实值。其公式如下：x＝k·(xmax-xmin)+xmin。
Claims (10)
1.一种算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述方法包括以下步骤：
步骤一：获取对风机运行效率和成本影响较大的结构变量，而给定的风压和风量是约束条件，而效率和成本为目标变量，其中结构变量和目标变量的数据样本通过实验获得；
步骤二：建立Adaboost算法优化的深度BP网络模型，其中以结构变量为输入变量、目标变量为输出变量，采用数据样本进行训练，形成超强分类器；
步骤三：建立NSGA三代遗传算法模型，其中采用非支配排序算子、精英策略设计算子和基于参考点算子；
步骤四：通过所建立的Adaboost算法优化的深度BP网络模型进行风机运行效率和制造成本的预测，并将预测值用于NSGA三代遗传算法模型中目标函数值的求取，来获得pareto最优解，将最优解反归一化后的结构变量值，用于指导风机的实际设计。
2.如权利要求1所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在，所述步骤一中，所述的输入变量选取如下：
结构变量：叶片出口安装角、叶片数、叶轮出口宽度、叶顶间隙；选择叶片出口安装角、叶片数、叶轮出口宽度作为结构变量，并令为神经网络模型的输入变量；将效率和成本这一组目标变量，令为神经网络模型的输出变量。
3.如权利要求1或2所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在，所述步骤二中，对Adaboost算法优化的深度BP网络的建立、初始化、训练，过程如下：
先对样本数据进行处理；然后，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值，其中，每次训练完毕则形成一个弱分类器，将弱分类器组合成强分类器；最后，将强分类器组成超强分类器，Adaboost算法优化的深度BP网络完成建模。
4.权利要求3所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在，所述步骤二的包括以下步骤：
2.1 数据处理
收集步骤一中相关参数即叶轮出口安装角、叶片数、叶轮出口宽度、效率、风压或风量，对叶轮出口安装角、叶片数、叶轮出口宽度、全压进行归一化处理，该方法归一化后的值再[-1,1]之间；
2.2 数据的分类
将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；
2.3 网络的初始化
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m，隐含层层数为一层，节点数根据经验公式：得出，其中n,m为输入、输出节点数，s为常数取1～10，各层权值初始值取[-1,1]之间的随机数，其中，输入层到隐含层的权重wij，隐含层到输出层的权重为wjk，输入层到隐含层的阈值为aj，隐含层到输出层的阈值为bk，学习率η取0.1～0.2，规定误差取10-3～10-6，循环次数P>200次，激励函数为g(x)，其中激励函数取双曲线正切函数，形式为：
2.4 训练神经网络，过程如下：
2.4.1 信号的正向传播
2.4.1.1 隐含层的输出：
xi为输入层的输入的数据，Hj为隐含层结点的输出；
2.4.1.2 输出层的输出:
Ok为输出层结点的输出；
2.4.1.3 误差的计算：
ek＝Ok-Yk
以上公式中，i＝1...n，j＝1...l，k＝1...m，Yk为实际输出数据；
通过比较输出层的实际输出与期望输出，获得两者的误差，若误差未处于要求的误差范围内，则转入误差反向传播；
2.4.2 信号的反向传播
2.4.2.1 权重的更新：
根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk-ηHjek
2.4.2.2 阈值的更新：
根据误差ek更新网络节点阈值a，b；
Bk＝Bk-ek
2.5 弱分类器的形成
重复步骤2.4.1-2.4.2重复训练若干次，根据数据样本的的每一次训练效果，对权重进行更新，方法是对分类过程中出现误差的样本个体赋予较大权重，来形成弱分类器，记录每次训练结果的误差ek；
2.6 强分类器的形成
对训练效果差的弱分类器赋予较小权重，对训练效果好的弱分类器赋予较大权值，将弱分类器乘以对应权重并取合从而建立强分类器；建立强分类函数h1(x)，共选取N1个弱分类器进行合并建立一个强分类器；
2.6.1 预测权重的计算公式如下：
作用是分配各弱分类器在强分类器中所占比重，其中et的计算如下式所示
其中，Dt为分布系数，下标t为训练次数，对于初始化的分布系数，其取值为D1＝1/m，m为训练输入向量数；
2.6.2 归一化因子的计算公式如下：
其中，Bt为归一化因子，作用是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果；
2.6.3 强分类器函数的计算公式如下：
其中，f(gt，at)为弱分类函数
2.7 超强分类器的形成
重复2.4-2.6建立N2个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，共选取N2个弱分类器进行合并建立一个强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络；
2.8 数据测试
用测试集的数据对Adaboost算法优化的深度BP网络进行测试，若误差低于规定误差，则对Adaboost算法优化的深度BP神经网络完成建模，即神经网络模型的输入和输出满足映射关系。
5.如权利要求1或2所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述步骤三中，所述的NSGA三代遗传算法遗传算法的步骤如下：
3.1：生成父代种群Pt，种群大小为N；
3.2：对父代种群Pt进行选择、交叉和变异生产初代子群Qt，种群大小为N；
3.3：将初代子群Qt和父代种群Pt合并，生产种群Rt，种群大小为2N；
3.4.：计算种群Rt中个体的非支配级别并结合基于参考点的方法，首先生成种群St，再生成新父代种群Pt+1，种群大小为N；
3.5：判断进化代数是否小于最大代数G，若否，则输出Pt+1；若是，则t＝t+1，回到第三步继续进行循环。
6.如权利要求5所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述3.1中，种群编码方式采用浮点数编码，种群规模设为N、进化代数设为t、交叉概叉概率设为18％～48％，变异概率设为2％～8％。
7.如权利要求5所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述3.2中，选择是指对环境适应性强的物种将有更多的机会遗传给下一代择；
交叉，是指通过染色体的交叉组合，产生新的个体；
变异，是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体，采用实数交叉法进行交叉操作。
8.如权利要求5所述的深度BP网络和NSGA三代遗传算法的风机多目标优化设计方法，其特征在于，所述3.3中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和基于参考点算子进行选择，产生下一代种群，这有利于保持父代中的优良个体进入下一代，保证种群中的最优个体不会丢失。
9.如权利要求5所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述3.4中，采用快速非支配排序算子，将神经网络模型的预测值作为NSGA--III遗传算法中目标函数值得计算，其中，快速非支配排序的原理为：首先找出种群中非支配解集，记为第一非支配层F1，其非支配序数为irank＝1，并将F1除去再找出剩下的种群的非支配解集，记为F2，依次如此；非支配序数较高的个体优先被选取，假设最后取到第FL非支配层；
采用基于参考点算子，即第FL非支配层中个体的选择方式，不断选中个体放入St中，直到个体数目达到N个，则新父代种群Pt+1产生，作用是对St中个体进行更加全面的分析，从而选出优秀个体，过程如下：
①先计算理想点即求解这一代种群个体所有目标函数的最小值，再将种群中每个个体的目标值减去得到的理想点值；
②然后计算极值点和对应坐标轴上的截距，并对个体的目标在进行归一化；
以上公式中中，i＝1,2,....M M为总目标数。
③最后计算个体关联参考点并对个体进行选择
首先，在由极值点构成的空间内划分参考点j，并将参考点与原点相连构建参考向量；
然后，引入pj，它的数值就是被F1～FL-1层中个体关联参考点j的次数。关联是指个体到某参考向量的距离最近，就与该参考点关联；
最后，直到存在参考点j与FL层中的个体关联，此时，若点pj＝0，则在FL层中选取与参考点j距离最小的个体加入Pt+1中；否则在FL层中随机选取个体加入Pt+1中。
10.如权利要求1或2所述的算法优化深度网络和三代遗传算法的风机优化设计方法，其特征在于，所述步骤四中，先通过对数据样本的训练，完成Adaboost算法优化的深度BP网络模型，该模型拟合出良好的输入和输出变量的映射关系；然后将神经网络的预测值用于NSGA三代遗传算法中目标函数值的求取；最后通过NSGA三代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点；由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的结构变量值进行反归一化处理，转化为真实值；其公式如下：x＝k·(xmax-xmin)+xmin。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137224.XA CN109829244A (zh) | 2019-02-25 | 2019-02-25 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137224.XA CN109829244A (zh) | 2019-02-25 | 2019-02-25 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829244A true CN109829244A (zh) | 2019-05-31 |
Family
ID=66864385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910137224.XA Pending CN109829244A (zh) | 2019-02-25 | 2019-02-25 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829244A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110474338A (zh) * | 2019-08-06 | 2019-11-19 | 广东工业大学 | 一种交直流混合微电网优化配置方法 |
| CN111797469A (zh) * | 2020-06-24 | 2020-10-20 | 华中科技大学无锡研究院 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
| CN112417769A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 一种基于数据驱动的高增压发动机气道结构优化设计方法 |
| CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
| CN113988396A (zh) * | 2021-10-21 | 2022-01-28 | 天津大学 | 一种基于nsga-iii算法的工序排序多目标优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN106960217A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法 |
-
2019
- 2019-02-25 CN CN201910137224.XA patent/CN109829244A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN106960217A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周云峰: "SWMM排水管网模型灵敏参数识别与多目标优化率定研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110474338A (zh) * | 2019-08-06 | 2019-11-19 | 广东工业大学 | 一种交直流混合微电网优化配置方法 |
| CN111797469A (zh) * | 2020-06-24 | 2020-10-20 | 华中科技大学无锡研究院 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
| CN111797469B (zh) * | 2020-06-24 | 2023-10-17 | 华中科技大学无锡研究院 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
| CN112417769A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 一种基于数据驱动的高增压发动机气道结构优化设计方法 |
| CN112417769B (zh) * | 2020-12-08 | 2024-03-19 | 江苏科技大学 | 一种基于数据驱动的高增压发动机气道结构优化设计方法 |
| CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
| CN113988396A (zh) * | 2021-10-21 | 2022-01-28 | 天津大学 | 一种基于nsga-iii算法的工序排序多目标优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
| Andersson | A survey of multiobjective optimization in engineering design | |
| CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| CN112069656B (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| CN102708047B (zh) | 数据流测试用例生成方法 | |
| CN112016244A (zh) | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 | |
| 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 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| Kiran et al. | Tree-seed programming for modelling of Turkey electricity energy demand | |
| Sánchez | Interval-valued GA-P algorithms | |
| CN108734349B (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
| De Moraes et al. | A random forest-assisted decomposition-based evolutionary algorithm for multi-objective combinatorial optimization problems | |
| Büche | Multi-objective evolutionary optimization of gas turbine components | |
| Smith et al. | Multi-objective evolutionary recurrent neural network ensemble for prediction of computational fluid dynamic simulations | |
| CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 | |
| Jalalvand et al. | A multi-objective risk-averse workforce planning under uncertainty | |
| Hashemi Borzabadi et al. | Approximate Pareto optimal solutions of multi objective optimal control problems by evolutionary algorithms | |
| Fedorchenko et al. | Modified genetic algorithm to determine the location of the distribution power supply networks in the city | |
| CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
| Feng et al. | Model predictive control of nonlinear dynamical systems based on genetic programming | |
| Abd Samad | Evolutionary computation in system identification: review and recommendations | |
| Rao et al. | Optimization of machinery noise in a bauxite mine using Genetic Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
| RJ01 | Rejection of invention patent application after publication |