CN109871953A - fpRNA遗传算法的重油裂解过程小波神经网络建模方法 - Google Patents
fpRNA遗传算法的重油裂解过程小波神经网络建模方法 Download PDFInfo
- Publication number
- CN109871953A CN109871953A CN201910075832.2A CN201910075832A CN109871953A CN 109871953 A CN109871953 A CN 109871953A CN 201910075832 A CN201910075832 A CN 201910075832A CN 109871953 A CN109871953 A CN 109871953A
- Authority
- CN
- China
- Prior art keywords
- population
- neural network
- heavy oil
- pop
- wavelet neural
- 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
Landscapes
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明提供一种fpRNA遗传算法的重油裂解过程小波神经网络建模方法,利用花授粉算法的全局搜索算子和局部搜索算子来提高RNA遗传算法的种群多样性和局部搜索能力。重油裂解过程通常呈现复杂非线性等特点,通常拥有众多需要调整的参数,利用小波神经网络来对重油裂解过程动态过程建模,通过混合花授粉策略RNA遗传算法来调整多小波神经网络建模参数,获得重油裂解动态系统模型。建模结果表明通过该方法建立的重油裂解动态系统模型能够很好的反映多变量系统特性。
Description
技术领域
本发明涉及智能优化建模方法,尤其涉及fpRNA遗传算法的重油裂解过程小波神经网络建模方法。
背景技术
近年来,原油质量日趋劣化,而市场队轻质燃料有的需求不断增长,因此重油催化裂化发展迅速。要实现对重油催化裂化过程的优化控制,首先要对重油催化裂化的过程进行研究分析,因此精确的过程模型对于重油裂解过程是非常重要的。重油裂解是一种非线性复杂过程模型,通过神经网络来建立重油裂解过程模型可以很大程度提高建模精度,有利于对重油裂解过程的研究。利用智能优化算法来调节神经网络参数可以提高建模的速率和准确度。
遗传算法是1975年由Holland教授提出来的,具有突出的全局寻优能力,适用性广,广泛用于组合优化、机器学习、信号处理等各个领域。但是基本的遗传算法利用二进制进行编码,存在海明悬崖问题,在寻优过程中易于陷入局部最优、出现早熟等现象。
受RNA分子操作的启发,陶吉利等人将RNA分子操作和编码方式引入遗传算法中,使遗传算法性能得到改善。RNA遗传算法(RNA-GA)不仅寻优精度高,同时也保持了种群的多样性。
花授粉算法是由杨新社提出的一种仿生类优化算法,花授粉算法模仿自然界花授粉的过程,因此具有较好的搜索性能。本发明将花授粉算法的全局搜索过程和局部搜索过程与RNA遗传算法结合提出一种混合花授粉策略RNA遗传算法(Hybrid flowerpollination RNA genetic algorithm,fpRNA),将其应用于重油裂解过程小波神经网络建模的参数寻优,获得的重油裂解过程小波神经网络(Wavelet neural network,小波神经网络)模型能够很好的反映重油裂解过程的输入输出特性。
发明内容
本发明针对重油裂解过程复杂非线性的特点,提出了一种混合花授粉策略RNA遗传算法的重油裂解过程小波神经网络建模方法,利用混合花授粉策略RNA遗传算法来调节小波神经网络的权值,建立的重油裂解过程小波神经网络能够较好的反映重油裂解过程的特性。
本发明所采用的具体技术方案如下:
fpRNA遗传算法的重油裂解过程小波神经网络建模方法,它包括以下步骤:
步骤1:获取重油裂解过程的输入数据ui和输出数据yi,i=1,2,3;
步骤2:建立重油裂解过程模型,模型中利用三个小波神经网络分别为y1、y2和y3建模;每个小波神经网络拥有三层结构,包括输入层、隐含层和输出层;每个小波神经网络中,设定输入层节点个数为Num,隐含层节点个数为D,输出层节点为1;
步骤3:将获得的输入数据和输出数据样本分为两部分,一部分作为训练样本用来训练小波神经网络,另一部分作为测试数据用来测试所训练好的小波神经网络;
步骤4:对样本数据进行归一化处理;
步骤5:初始化三个小波神经神经网络的权值;
步骤6:利用混合花授粉策略RNA遗传算法优化三个小波神经网络的权值,训练过程中将小波神经网络的模型输出与重油裂解过程实际输出之间差值的绝对值之和,作为混合花授粉策略RNA遗传算法的评价函数;
所述混合花授粉策略RNA遗传算法的具体步骤为:
步骤6.1:初始化参数,包括:种群大小Size,变量编码长度L,求解问题维数Dim;设定置换交叉执行概率Pt,转位和换位交叉执行概率分别为为Pc和(1-Pc);自适应变异概率Pmh和Pml;花授粉局部搜索和全局搜索执行的概率分别为PL和PG;最大进化代数为Gmax;
步骤6.2:将需要求解的Dim个小波神经网络权值编码为RNA遗传算法的种群个体,随机生成大小为Size,编码长度为Dim×L的种群;
步骤6.3:根据评价函数计算每个种群的个体的评价函数值,将种群根据评价函数值优劣进行排序;根据比例选择策略选取Size个个体作为交叉操作的初始个体,并从当前种群中选择评价函数值优劣排序中靠前的一半种群(Size/2)个体定义为“中性个体”种群Popn,剩余(Size/2)个体定义为“有害个体”种群Popw;
步骤6.4:只针对“中性个体”种群Popn进行交叉操作,操作步骤如下:
1)当r1<Pt时执行置换操作,得到新种群Pop1,随机数r1∈rand(0,1);
2)当r2<Pc时执行转位交叉操作,否则执行换位交叉操作,得到新种群Pop2,随机数r2∈rand(0,1);
其中Pop1、Pop2的种群大小与Popn相同,均为Size/2;
通过交叉操作产生Size个种群个体,得到变异操作的初始种群为Popm=[Pop1;Pop2;Popw]。
步骤6.5:根据自适应变异概率Pmh和Pml对Popm中所有个体执行变异操作,得到新种群Pop3;
步骤6.6:根据评价函数计算Pop3的种群评价函数值,根据评价函数值优劣将种群排序,将当前种群中评价函数值优劣排序中靠前的一半种群定义为“中性个体”种群,剩余个体定义为“有害个体”种群;将本步骤中的“中性个体”种群执行花授粉局部搜索得到新种群Pop4;将本步骤中的“有害个体”种群执行花授粉全局搜索操作得到新种群Pop5;
步骤6.7:计算Pop4和Pop5的评价函数值;然后判断是否满足终止条件,即达到最大进化代数Gmax,如果满足终止条件输出获得的最优小波神经网络参数解;否则,跳转至步骤6.3,执行步骤6.3至6.7直至满足终止条件;
步骤7:将步骤6获得的最优权值输入到各小波神经网络中,获得重油裂解过程模型;然后将测试数据输入到重油裂解过程模型中,得到重油裂解过程的输出数据。
在上述方案中,重油裂解过程的输入数据u1、u2、u3分别为重油裂解过程中的蒸汽流量、馏出物流量、侧线产物流量,而输出数据y1、y2、y3分别为塔顶温度、塔底温度和侧线产物的温度。因此,上述步骤7获得的重油裂解过程模型在测试结果达标后,就可以用于根据三个输入数据预测其对应的三个输出数据,用于重油裂解过程的优化和指导。
作为优选,所述的步骤2中,每个小波神经网络中每一条数据输入形式为:
[u1(t),u1(t-1),…,u1(t-n1),u2(t),u2(t-1),…,u2(t-n2),u3(t),u3(t-1),…,u3(t-n3),yi(t-1),yi(t-2),…,yi(t-m)]
其中i∈(1,2,3),ui(t)为第i个输入数据ui在t时刻的采样数据,Num=n1+n2+n3+m+3。
作为优选,所述步骤6中的评价函数表示为:
其中:n为模型输入的数据集中输入数据的长度,为数据集中第i条输入数据的实际输出,CVi小波神经网络的预测输出。
作为优选,所述步骤6中采用的小波神经网络的小波函数为Mexican Hat小波,其表达式为:
式中x表示小波函数的输入数据。
作为优选,所述步骤6.6中花授粉局部搜索操作如下:
其中是第g代种群中的第j个个体,是第g代当前种群中的两个随机个体,∈为[0,1]的平均分布。
作为优选,所述步骤6.6中花授粉全局搜索操作如下:
其中是第g代种群中的第j个个体,γ为比例因子,pbest是当前种群中的最优解,L(λ)是步长参数,描述如下:
其中Γ(λ)是以λ为变量的标准Gamma函数,s0为接近0的常数,步长大小s计算如下:
其中,U~N(0,δ2)表示均值为0,方差为δ2的高斯分布,δ2计算如下:
本发明提供一种fpRNA遗传算法的重油裂解过程小波神经网络建模方法,利用花授粉算法的全局搜索算子和局部搜索算子来提高RNA遗传算法的种群多样性和局部搜索能力。重油裂解过程通常呈现复杂非线性等特点,通常拥有众多需要调整的参数,利用小波神经网络来对重油裂解过程动态过程建模,通过混合花授粉策略RNA遗传算法来调整多小波神经网络建模参数,获得重油裂解动态系统模型。建模结果表明通过该方法建立的重油裂解动态系统模型能够很好的反映多变量系统特性,可用于准确模拟重油裂解过程。
附图说明
图1混和花授粉策略RNA遗传算法重油裂解过程小波神经网络建模方法流程图;
图2重油裂解原理图;
图3小波神经网络模型;
图4输出y1的混和花授粉策略RNA遗传算法小波神经网络模型预测输出与实验实际输出比较及误差;
图5输出y2的混和花授粉策略RNA遗传算法小波神经网络模型预测输出与实验实际输出比较及误差;
图6输出y3的混和花授粉策略RNA遗传算法小波神经网络模型预测输出与实验实际输出比较及误差。
具体实施方式
以下结合附图混合花授粉策略RNA遗传算法的重油裂解过程小波神经网络建模方法进行详细描述和讨论。
本发明中,fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其步骤如下:
步骤1:获取重油裂解过程的输入数据ui和输出数据yi,i=1,2,3;
步骤2:建立重油裂解过程模型,由于重油裂解是拥有3输入3输出的模型,为方便建立模型,模型中利用三个小波神经网络分别为y1、y2和y3建模;每个小波神经网络拥有三层结构,包括输入层、隐含层和输出层;每个小波神经网络中,设定输入层节点个数为Num,隐含层节点个数为D,输出层节点为1;
本步骤中,每个小波神经网络中每一条数据输入形式为:
[u1(t),u1(t-1),…,u1(t-n1),u2(t),u2(t-1),…,u2(t-n2),u3(t),u3(t-1),…,u3(t-n3),yi(t-1),yi(t-2),…,yi(t-m)]
其中i∈(1,2,3),ui(t)为第i个输入数据ui在t时刻的采样数据,同理yi(t-1)为第i个输出数据yi在t时刻的采样数据。设Num=n1+n2+n3+m+3。
步骤3:将获得的输入数据和输出数据样本分为两部分,一部分作为训练样本用来训练小波神经网络,另一部分作为测试数据用来测试所训练好的小波神经网络;
步骤4:对样本数据进行归一化处理;
步骤5:初始化三个小波神经神经网络的权值;
步骤6:利用混合花授粉策略RNA遗传算法优化三个小波神经网络的权值,训练过程中将小波神经网络的模型输出与重油裂解过程实际输出之间差值的绝对值之和,作为混合花授粉策略RNA遗传算法的评价函数;
评价函数表示为:
其中:n为模型输入的数据集中输入数据的长度(即length(ui(t))),为数据集中第i条输入数据的实际输出,CVi小波神经网络的预测输出。
上述混合花授粉策略RNA遗传算法的具体步骤为:
步骤6.1:初始化参数,包括:种群大小Size,变量编码长度L,求解问题维数Dim;设定置换交叉执行概率Pt,转位和换位交叉执行概率分别为为Pc和(1-Pc);自适应变异概率Pmh和Pml;花授粉局部搜索和全局搜索执行的概率分别为PL和PG;最大进化代数为Gmax;
步骤6.2:将需要求解的Dim个小波神经网络权值编码为RNA遗传算法的种群个体,随机生成大小为Size,编码长度为Dim×L的种群;
步骤6.3:根据评价函数计算每个种群的个体的评价函数值,将种群根据评价函数值优劣进行排序;根据比例选择策略选取Size个个体作为交叉操作的初始个体,并从当前种群中选择评价函数值优劣排序中靠前的一半种群(Size/2)个体定义为“中性个体”种群Popn,剩余(Size/2)个体定义为“有害个体”种群Popw;
步骤6.4:只针对“中性个体”种群Popn进行交叉操作,操作步骤如下:
1)当r1<Pt时执行置换操作,得到新种群Pop1,随机数r1∈rand(0,1);
2)当r2<Pc时执行转位交叉操作,否则执行换位交叉操作,得到新种群Pop2,随机数
r2∈rand(0,1);
其中Pop1、Pop2的种群大小与Popn相同,均为Size/2;
通过交叉操作产生Size个种群个体,得到变异操作的初始种群为Popm=[Pop1;Pop2;Popw]。
步骤6.5:根据自适应变异概率Pmh和Pml对Popm中所有个体执行变异操作,得到新种群Pop3;
自适应变异概率表达式可以采用如下形式:
其中a1为pmh、pml的初始变异概率,b1是变异概率的变化范围,g为当前进化代数,g0是转折点,aa为变化率;
步骤6.6:根据评价函数计算Pop3的种群评价函数值,根据评价函数值优劣将种群排序,将当前种群中评价函数值优劣排序中靠前的一半种群定义为“中性个体”种群,剩余个体定义为“有害个体”种群;将本步骤中的“中性个体”种群执行花授粉局部搜索得到新种群Pop4;将本步骤中的“有害个体”种群执行花授粉全局搜索操作得到新种群Pop5;
步骤6.7:计算Pop4和Pop5的评价函数值;然后判断是否满足终止条件,即达到最大进化代数Gmax,如果满足终止条件输出获得的最优小波神经网络参数解;否则,跳转至步骤6.3,执行步骤6.3至6.7直至满足终止条件;
步骤7:将步骤6获得的最优权值输入到各小波神经网络中,获得重油裂解过程模型;然后将测试数据输入到重油裂解过程模型中,得到重油裂解过程的输出数据。
另外,在上述步骤6中采用的小波神经网络的小波函数为Mexican Hat小波,其表达式为:
式中x表示小波函数的输入数据。
步骤6.6中花授粉局部搜索操作如下:
其中是第g代种群中的第j个个体,是第g代当前种群中的两个随机个体,∈为[0,1]的平均分布。
步骤6.6中花授粉全局搜索操作如下:
其中是第g代种群中的第j个个体,γ为比例因子,pbest是当前种群中的最优解,L(λ)
是步长参数,描述如下:
其中Γ(λ)是以λ为变量的标准Gamma函数,s0为接近0的常数,步长大小s计算如下:
其中,U~N(0,δ2)表示均值为0,方差为δ2的高斯分布,δ2计算如下:
下面基于上述建模方法,通过一个实施例来展示本发明所能达到的技术效果。
实施例
本实施例中,fpRNA遗传算法的重油裂解过程小波神经网络建模方法,包括以下步骤:
步骤1:根据重油裂解过程的传递函数模型,利用simulink进行仿真获得当输入阶跃响应u1=0.07、u2=0.07、u3=0.05时的输出数据yi(i=1,2,3),采集2组数据,数据长度为500。其中,重油裂解过程的输入数据u1、u2、u3分别为重油裂解过程中的蒸汽流量、馏出物流量、侧线产物流量,而输出数据y1、y2、y3分别为塔顶温度、塔底温度和侧线产物的温度。
步骤2:建立重油裂解过程模型,由于重油裂解是拥有3输入3输出的模型,重油裂解简化原理图见图2,为方便建立模型,利用3个小波神经网络分别为y1、y2和y3建模。每个小波神经网络拥有三层结构,输入层、隐含层和输出层,小波神经网络模型图见图3。每个小波神经网络设定输入层节点个数为Num=8,隐含层节点个数为D=16,输出层节点为1。
本步骤中,每个小波神经网络中每一条数据输入形式为:
[u1(t),u1(t-1),…,u1(t-n1),u2(t),u2(t-1),…,u2(t-n2),u3(t),u3(t-1),…,u3(t-n3),yi(t-1),yi(t-2),…,yi(t-m)]
其中i∈(1,2,3),ui(t)为第i个输入数据ui在t时刻的采样数据,Num=n1+n2+n3+m+3。
步骤3:将获得的输入输出数据样本分为两部分。其中从每组数据中随机抽取400条数据作为训练样本用来训练小波神经网络,剩余100条数据作为测试数据用来测试所训练好的小波神经网络;
步骤4:对样本数据进行归一化处理;
步骤5:初始化三个小波神经神经网络的权值;
步骤6:利用混合花授粉策略RNA遗传算法来优化三个小波神经网络的权值,训练过程中将三个小波神经网络的模型输出与重油裂解过程实际输出(即步骤1中的实际输出数据)之间差值的绝对值之和,作为混合花授粉策略RNA遗传算法的评价函数。
本步骤中的评价函数(即适应度)表示为:
其中:n为模型输入的数据集中输入数据的长度(即length(ui(t))),为数据集中第i条输入数据的实际输出,CVi小波神经网络的预测输出。
本实施例中采用的小波神经网络的小波函数为Mexican Hat小波,其表达式为:
式中x表示小波函数的输入数据。
本实施例中,上述混合花授粉与RNA遗传算法的具体步骤参见图1,具体为:
步骤6.1:初始化参数,包括:种群大小Size=100,变量编码长度为L=40的个体,求解问题维数Dim=Num+1+Num×(D+1);设定置换交叉执行概率Pt=0.8,转位和换位交叉执行概率分别为Pc=0.5和(1-Pc);自适应变异概率Pmh和Pml;花授粉局部搜索和全局搜索执行的概率为PL=0.2和PG=0.5;最大进化代数为Gmax=1000。
步骤6.2:将需要求解的Dim个小波神经网络权值为RNA遗传算法的种群个体,随机生成大小为Size,编码长度为Dim×L的种群。
步骤6.3:根据评价函数计算每个种群的个体的评价函数值,将种群根据评价函数值优劣进行排序。根据比列选择策略选取Size个个体作为交叉操作的初始个体,并从当前种群中选择评价函数值较好的一半种群(Size/2)个体定义为“中性个体”种群Popn,剩余(Size/2)个体定义为“有害个体”种群Popw。
步骤6.4:交叉操作只针对“中性个体”种群Popn,操作步骤如下:
(1)当r1<Pt时执行置换操作,得到新种群Pop1,r1∈rand(0,1)。
(2)当r2<Pc时执行转位交叉操作,否则执行换位交叉操作,得到新种群Pop2,r2∈rand(0,1)。
其中Pop1、Pop2的种群大小与Popn相同,均为Size/2,因此通过交叉操作产生Size个种群个体。得到变异操作的初始种群为Popm=[Pop1;Pop2;Popw]。
步骤6.5:根据自适应变异概率Pmh和Pml对Popm中所有个体执行变异操作,得到新种群Pop3。自适应变异概率表达式为:
其中a1=0.02为pmh、pml的初始变异概率,b1=0.2是变异概率的变化范围,g为当前进化代数,g0是转折点,aa为变化率;
步骤6.6:根据评价函数计算Pop3的种群评价函数值,根据评价函数值优劣将种群排序,将当前种群中具有较好评价函数值的一半种群(评价函数值优劣排序中靠前的一半种群)定义为“中性个体”种群,剩余个体定义为“有害个体”种群。将“中性个体”种群执行花授粉局部搜索得到新种群Pop4;将“有害个体”种群执行花授粉全局搜索操作得到新种群Pop5。
其中,混合花授粉局部搜索操作如下:
其中是第g代种群中的第j个个体,是第g代当前种群中的两个随机个体,∈为[0,1]的平均分布。
其中,混合花授粉全局搜索操作如下:
其中是第g代种群中的第j个个体,γ为比例因子,pbest是当前种群中的最优解,L(λ)
是步长参数,描述如下:
其中Γ(λ)是以λ为变量的标准Gamma函数,s0为接近0的常数,步长大小s计算如下:
其中,U~N(0,δ2)表示均值为0,方差为δ2的高斯分布,δ2计算如下:
步骤6.7:计算Pop4和Pop5的评价函数值。判断是否满足终止条件,即达到最大进化代数Gmax,如果满足终止条件输出获得的最优小波神经网络参数解;否则,跳转至步骤6.3,执行步骤6.3至6.7直至满足终止条件。
步骤7:将步骤6获得的最优权值输入到各小波神经网络中,就获得了重油裂解过程模型。后续模型可以向该模型中输入重油裂解过程的输入数据u1、u2、u3,由模型输出对应的输出数据。
本实施例中,将步骤3中的测试数据输入到重油裂解过程模型中,得到重油裂解过程的三个小波神经网络输出数据。输出结果如图4~6所示,从图4~6的输出结果与实际输出结果曲线可以看出,本发明提出的混合花授粉策略RNA遗传算法的重油裂解过程小波神经网络建模方法能够很好的反映非线性系统的实际特性,适用于其他复杂非线性系统建模。
Claims (6)
1.一种fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其特征在于包括以下步骤:
步骤1:获取重油裂解过程的输入数据ui和输出数据yi,i=1,2,3;
步骤2:建立重油裂解过程模型,模型中利用三个小波神经网络分别为y1、y2和y3建模;每个小波神经网络拥有三层结构,包括输入层、隐含层和输出层;每个小波神经网络中,设定输入层节点个数为Num,隐含层节点个数为D,输出层节点为1;
步骤3:将获得的输入数据和输出数据样本分为两部分,一部分作为训练样本用来训练小波神经网络,另一部分作为测试数据用来测试所训练好的小波神经网络;
步骤4:对样本数据进行归一化处理;
步骤5:初始化三个小波神经神经网络的权值;
步骤6:利用混合花授粉策略RNA遗传算法优化三个小波神经网络的权值,训练过程中将小波神经网络的模型输出与重油裂解过程实际输出之间差值的绝对值之和,作为混合花授粉策略RNA遗传算法的评价函数;
所述混合花授粉策略RNA遗传算法的具体步骤为:
步骤6.1:初始化参数,包括:种群大小Size,变量编码长度L,求解问题维数Dim;设定置换交叉执行概率Pt,转位和换位交叉执行概率分别为为Pc和(1-Pc);自适应变异概率Pmh和Pml;花授粉局部搜索和全局搜索执行的概率分别为PL和PG;最大进化代数为Gmax;
步骤6.2:将需要求解的Dim个小波神经网络权值编码为RNA遗传算法的种群个体,随机生成大小为Size,编码长度为Dim×L的种群;
步骤6.3:根据评价函数计算每个种群的个体的评价函数值,将种群根据评价函数值优劣进行排序;根据比例选择策略选取Size个个体作为交叉操作的初始个体,并从当前种群中选择评价函数值优劣排序中靠前的一半种群(Size/2)个体定义为“中性个体”种群Popn,剩余(Size/2)个体定义为“有害个体”种群Popw;
步骤6.4:只针对“中性个体”种群Popn进行交叉操作,操作步骤如下:
1)当r1<Pt时执行置换操作,得到新种群Pop1,随机数r1∈rand(0,1);
2)当r2<Pc时执行转位交叉操作,否则执行换位交叉操作,得到新种群Pop2,随机数r2∈rand(0,1);
其中Pop1、Pop2的种群大小与Popn相同,均为Size/2;
通过交叉操作产生Size个种群个体,得到变异操作的初始种群为Popm=[Pop1;Pop2;Popw]。
步骤6.5:根据自适应变异概率Pmh和Pml对Popm中所有个体执行变异操作,得到新种群Pop3;
步骤6.6:根据评价函数计算Pop3的种群评价函数值,根据评价函数值优劣将种群排序,将当前种群中评价函数值优劣排序中靠前的一半种群定义为“中性个体”种群,剩余个体定义为“有害个体”种群;将本步骤中的“中性个体”种群执行花授粉局部搜索得到新种群Pop4;将本步骤中的“有害个体”种群执行花授粉全局搜索操作得到新种群Pop5;
步骤6.7:计算Pop4和Pop5的评价函数值;然后判断是否满足终止条件,即达到最大进化代数Gmax,如果满足终止条件输出获得的最优小波神经网络参数解;否则,跳转至步骤6.3,执行步骤6.3至6.7直至满足终止条件;
步骤7:将步骤6获得的最优权值输入到各小波神经网络中,获得重油裂解过程模型;然后将测试数据输入到重油裂解过程模型中,得到重油裂解过程的输出数据。
2.根据权利要求1所述的fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其特征在于所述的步骤2中,每个小波神经网络中每一条数据输入形式为:
[u1(t),u1(t-1),…,u1(t-n1),u2(t),u2(t-1),…,u2(t-n2),u3(t),u3(t-1),…,u3(t-n3),yi(t-1),yi(t-2),…,yi(t-m)]
其中i∈(1,2,3),ui(t)为第i个输入数据ui在t时刻的采样数据,Num=n1+n2+n3+m+3。
3.根据权利要求1所述的fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其特征在于所述步骤6中的评价函数表示为:
其中:n为模型输入的数据集中输入数据的长度,为数据集中第i条输入数据的实际输出,CVi小波神经网络的预测输出。
4.根据权利要求1所述的fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其特征在于所述步骤6中采用的小波神经网络的小波函数为Mexican Hat小波,其表达式为:
式中x表示小波函数的输入数据。
5.根据权利要求1所述混合花授粉与RNA遗传算法重油裂解过程小波神经网络建模方法,其特征在于所述步骤6.6中花授粉局部搜索操作如下:
其中是第g代种群中的第j个个体,是第g代当前种群中的两个随机个体,∈为[0,1]的平均分布。
6.根据权利要求1所述的fpRNA遗传算法的重油裂解过程小波神经网络建模方法,其特征在于所述步骤6.6中花授粉全局搜索操作如下:
其中是第g代种群中的第j个个体,γ为比例因子,pbest是当前种群中的最优解,L(λ)是步长参数,描述如下:
其中Γ(λ)是以λ为变量的标准Gamma函数,s0为接近0的常数,步长大小s计算如下:
U~N(0,δ2),V~N(0,1)
其中,U~N(0,δ2)表示均值为0,方差为δ2的高斯分布,δ2计算如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075832.2A CN109871953B (zh) | 2019-01-25 | 2019-01-25 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075832.2A CN109871953B (zh) | 2019-01-25 | 2019-01-25 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871953A true CN109871953A (zh) | 2019-06-11 |
CN109871953B CN109871953B (zh) | 2020-09-15 |
Family
ID=66918111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075832.2A Active CN109871953B (zh) | 2019-01-25 | 2019-01-25 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871953B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507422A (zh) * | 2020-04-24 | 2020-08-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339628A (zh) * | 2008-07-11 | 2009-01-07 | 浙江大学 | 一种具有重构操作的rna遗传算法的化工过程建模方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN104778315A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 |
CN106339754A (zh) * | 2016-08-23 | 2017-01-18 | 深圳市伊欧乐科技有限公司 | 遗传算法改进的神经网络建模用于人体成分分析的方法 |
CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
CN107357267A (zh) * | 2017-06-09 | 2017-11-17 | 百色学院 | 基于离散花朵授粉算法求解混合流水线调度问题的方法 |
CN207418669U (zh) * | 2017-11-20 | 2018-05-29 | 河南隆正生物能源有限公司 | 重油裂解制备轻质裂解油装置 |
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 |
CN108341342A (zh) * | 2018-01-23 | 2018-07-31 | 浙江大学 | 突环交叉操作rna-ga的桥式吊车支持向量机建模方法 |
-
2019
- 2019-01-25 CN CN201910075832.2A patent/CN109871953B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339628A (zh) * | 2008-07-11 | 2009-01-07 | 浙江大学 | 一种具有重构操作的rna遗传算法的化工过程建模方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN104778315A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 |
CN106339754A (zh) * | 2016-08-23 | 2017-01-18 | 深圳市伊欧乐科技有限公司 | 遗传算法改进的神经网络建模用于人体成分分析的方法 |
CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
CN107357267A (zh) * | 2017-06-09 | 2017-11-17 | 百色学院 | 基于离散花朵授粉算法求解混合流水线调度问题的方法 |
CN207418669U (zh) * | 2017-11-20 | 2018-05-29 | 河南隆正生物能源有限公司 | 重油裂解制备轻质裂解油装置 |
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 |
CN108341342A (zh) * | 2018-01-23 | 2018-07-31 | 浙江大学 | 突环交叉操作rna-ga的桥式吊车支持向量机建模方法 |
Non-Patent Citations (3)
Title |
---|
JILI TAO: "Genetic Algorithm Based Recurrent Fuzzy Neural Network Modeling of Chemical Processes", 《JOURNAL OF UNIVERSAL COMPUTER SCIENCE》 * |
XIU LIU: "RNA-GA with Whale Search based LSSVMs for Modeling Multivariable Systems", 《IEEE》 * |
许树辉: "改进型花朵授粉优化算法原理及工程应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507422A (zh) * | 2020-04-24 | 2020-08-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
CN111507422B (zh) * | 2020-04-24 | 2023-04-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871953B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Collective behavior of a small-world recurrent neural system with scale-free distribution | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN103971160B (zh) | 基于复杂网络的粒子群优化方法 | |
CN108573303A (zh) | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN110515303A (zh) | 一种基于ddqn的自适应动态路径规划方法 | |
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 | |
CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
CN102129259A (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法 | |
CN105978732A (zh) | 一种基于粒子群优化最简回声状态网络参数的方法和系统 | |
CN110211684A (zh) | 基于遗传算法优化的bp神经网络的心电图分类方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN105976029B (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
CN109871953A (zh) | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 | |
CN106896724A (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
CN102663493A (zh) | 一种用于时间序列预测的迟滞神经网络 | |
CN107145934A (zh) | 一种基于增强局部搜索能力的人工蜂群优化方法 | |
CN101893852A (zh) | 一种复杂工业过程的多目标建模方法 | |
CN108803343A (zh) | 甲醇制烯烃反应器的控制方法及装置 | |
Panda et al. | Model reduction of linear systems by conventional and evolutionary techniques | |
CN116054144A (zh) | 分布式光伏接入的配电网重构方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |