CN109871953B - fpRNA遗传算法的重油裂解过程小波神经网络建模方法 - Google Patents

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

fpRNA遗传算法的重油裂解过程小波神经网络建模方法

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u_i和输出数据y_i，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P_t，转位和换位交叉执行概率分别为为P_c和(1-P_c)；自适应变异概率P_mh和P_ml；花授粉局部搜索和全局搜索执行的概率分别为P_L和P_G；最大进化代数为G_max；

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Pop_n，剩余(Size/2)个体定义为“有害个体”种群Pop_w；

步骤6.4：只针对“中性个体”种群Pop_n进行交叉操作，操作步骤如下：

1)当r1＜P_t时执行置换操作，得到新种群Pop₁，随机数r1∈rand(0,1)；

2)当_r2＜P_c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Pop_n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Pop_m＝[Pop₁；Pop₂；Pop_w]。

步骤6.5：根据自适应变异概率P_mh和P_ml对Pop_m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G_max，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),y_i(t-1),y_i(t-2),…,y_i(t-m)]

其中i∈(1,2,3)，u_i(t)为第i个输入数据u_i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，CV_i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，p_best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u_i和输出数据y_i，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),y_i(t-1),y_i(t-2),…,y_i(t-m)]

其中i∈(1,2,3)，u_i(t)为第i个输入数据u_i在t时刻的采样数据，同理y_i(t-1)为第i个输出数据y_i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(u_i(t)))，

为数据集中第i条输入数据的实际输出，CV_i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P_t，转位和换位交叉执行概率分别为为P_c和(1-P_c)；自适应变异概率P_mh和P_ml；花授粉局部搜索和全局搜索执行的概率分别为P_L和P_G；最大进化代数为G_max；

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Pop_n，剩余(Size/2)个体定义为“有害个体”种群Pop_w；

步骤6.4：只针对“中性个体”种群Pop_n进行交叉操作，操作步骤如下：

1)当r1＜P_t时执行置换操作，得到新种群Pop₁，随机数r1∈rand(0,1)；

2)当r2＜P_c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Pop_n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Pop_m＝[Pop₁；Pop₂；Pop_w]。

步骤6.5：根据自适应变异概率P_mh和P_ml对Pop_m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p_mh、p_ml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G_max，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，p_best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y_i(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),y_i(t-1),y_i(t-2),…,y_i(t-m)]

其中i∈(1,2,3)，u_i(t)为第i个输入数据u_i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(u_i(t)))，

为数据集中第i条输入数据的实际输出，CV_i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P_t＝0.8，转位和换位交叉执行概率分别为P_c＝0.5和(1-P_c)；自适应变异概率P_mh和P_ml；花授粉局部搜索和全局搜索执行的概率为P_L＝0.2和P_G＝0.5；最大进化代数为G_max＝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Pop_n，剩余(Size/2)个体定义为“有害个体”种群Pop_w。

步骤6.4：交叉操作只针对“中性个体”种群Pop_n，操作步骤如下：

(1)当r1＜P_t时执行置换操作，得到新种群Pop₁，r1∈rand(0,1)。

(2)当_r2＜P_c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Pop_n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Pop_m＝[Pop₁；Pop₂；Pop_w]。

步骤6.5：根据自适应变异概率P_mh和P_ml对Pop_m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p_mh、p_ml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，p_best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G_max，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u_i和输出数据y_i，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P_t，转位和换位交叉执行概率分别为为P_c和1-P_c；自适应变异概率P_mh和P_ml；花授粉局部搜索和全局搜索执行的概率分别为P_L和P_G；最大进化代数为G_max；

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Pop_n，剩余Size/2个体定义为“有害个体”种群Pop_w；

步骤6.4：只针对“中性个体”种群Pop_n进行交叉操作，操作步骤如下：

1)当r1<P_t时执行置换操作，得到新种群Pop₁，随机数r1∈rand(0,1)；

2)当r2<P_c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Pop_n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Pop_m＝[Pop₁；Pop₂；Pop_w]；

步骤6.5：根据自适应变异概率P_mh和P_ml对Pop_m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G_max，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),y_i(t-1),y_i(t-2),…,y_i(t-m)]

其中i∈(1,2,3)，u_i(t)为第i个输入数据u_i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，CV_i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，p_best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：

Images