CN111475985B - 球磨机负荷参数集成模型尺寸控制方法、装置及设备 - Google Patents
球磨机负荷参数集成模型尺寸控制方法、装置及设备 Download PDFInfo
- Publication number
- CN111475985B CN111475985B CN202010139941.9A CN202010139941A CN111475985B CN 111475985 B CN111475985 B CN 111475985B CN 202010139941 A CN202010139941 A CN 202010139941A CN 111475985 B CN111475985 B CN 111475985B
- Authority
- CN
- China
- Prior art keywords
- model
- population
- models
- sub
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 82
- 238000004590 computer program Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种集成模型尺寸控制方法、装置、终端设备及存储介质，该方法包括：根据目标集成模型生成子模型和初始种群；对子模型进行组合，得到组合模型并计算适应度函数值，将最小适应度函数值设置为目标值；生成新种群进行子模型组合和适应度函数值的计算，将最小适应度函数值设置为当前值；若当前值等于目标值，将初始种群中的模型个数进行累加，根据模型个数重新进行目标值和当前值的设置；若设置后的当前值等于设置后的目标值，且设置后的目标值大于设置前的目标值，将设置前的目标值对应的组合模型输出为最优集成模型。本申请基于适应度函数值的计算，能自动判断组合模型是否为最优集成模型，提高了集成模型尺寸控制的准确性。
Description
技术领域
本申请属于集成模型领域，尤其涉及一种球磨机负荷参数集成模型尺寸控制方法、装置及设备。
背景技术
由于单一模型的不稳定，集成模型已经成为一个重要的研究方向。集成模型可以有效的提高模型的泛化性、有效性和可信度。但随着集成模型中模型个数的增加使得集成模型整体尺寸偏大，进而导致集成模型计算负荷大、模型精度低，因此，针对集成模型的尺寸控制问题越来越受人们所重视。
现有的集成模型尺寸控制过程中，均通过采用人工手动的方式进行子模型的选择和模型个数的选择，以达到对集成模型尺寸控制的效果，但由于采用人工手动的方式进行集成模型尺寸的控制，使得模型尺寸控制准确性低下。
发明内容
本申请实施例提供了一种球磨机负荷参数集成模型尺寸控制方法、装置及设备，旨在解决现有的模型集成过程中，由于采用人工手动的方式进行集成模型尺寸的控制所导致的模型尺寸控制准确性低下的问题。
第一方面，本申请实施例提供了一种集成模型尺寸控制方法，所述方法包括：
根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群；
对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
若所述当前值等于所述目标值，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则将设置前的所述目标值对应的所述组合模型输出为最优集成模型。
本申请实施例与现有技术相比存在的有益效果是：通过基于初始种群与新种群中组合模型之间适应度函数值的大小判断设计，以获取初始种群中子模型之间的最优组合，即若当前值等于目标值时，判定该当前值对应的组合模型为初始种群中的最优模型，通过基于设置后目标值与设置前目标值之间的大小判断设计，以判定设置前的目标值对应的组合模型是否为最优集成模型，使得本申请实施例能基于适应度函数值的计算，自动判断组合模型是否为最优集成模型，提高了集成模型尺寸控制的准确性。
更进一步的，所述将所述新种群中最小适应度函数值设置为当前值的步骤之后，还包括：
若所述当前值不等于所述目标值，根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异，并返回执行对所述新种群中的所述子模型进行组合，根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值。
更进一步的，所述若设置后的所述当前值等于设置后的所述目标值的步骤之后，还包括：
若设置后的所述目标值未大于设置前的所述目标值，则增加所述初始种群中的所述模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置。
更进一步的，所述对所述子模型进行编码生成初始种群，包括：
对所述子模型进行二进制编码获取遗传算法的染色体，并以编码后的染色体为个体生成所述初始种群。
更进一步的，所述根据所述初始种群生成新种群，包括：
根据遗传突变率和交叉概率对所述初始种群进行种群选择、种群交叉和种群变异，得到所述新种群。
更进一步的，计算所述适应度函数值所采用的计算公式为：
其中，ek为第k个子模型与第j个子模型所组成的所述组合模型对应的适应度函数值，ωk为第k个子模型的权值，Ek为第k个子模型的泛化误差，Dkj为第k个子模型和第j个子模型的分散度。
更进一步的，计算所述泛化误差和所述分散度所采用的计算公式为：
其中，
为第k个子模型关于第i个样本的预报值，yi为第i个样本的测量值。
第二方面，本申请实施例提供了一种集成模型尺寸控制装置，包括：
初始种群生成模块，用于根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群；
子模型组合模块，用于对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
适应度设置模块，用于将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
模型个数增加控制模块，用于若所述当前值等于所述目标值，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
模型输出模块，用于若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则将设置前的所述目标值对应的所述组合模型输出为最优集成模型。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的集成模型尺寸控制方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请第一实施例提供的集成模型尺寸控制方法的流程图；
图2是本申请第二实施例提供的集成模型尺寸控制方法的流程图；
图3是本申请第二实施例提供的球磨机磨矿浓度参数集成模型中适应度函数值随种群迭代数的变化曲线；
图4是本申请第二实施例提供的球磨机填充率参数集成模型中适应度函数值随种群迭代数的变化曲线；
图5是本申请第二实施例提供的球磨机料球比参数集成模型中适应度函数值随种群迭代数的变化曲线；
图6是本申请第二实施例提供的集成模型尺寸控制方法的具体实施步骤图；
图7是本申请第三实施例提供的集成模型尺寸控制装置的结构示意图；
图8是本申请第四实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一
请参阅图1，是本申请第一实施例提供的集成模型尺寸控制方法的流程图，包括步骤：
步骤S10，根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群；
其中，集成模型的类型多种多样，本实施例以球磨机负荷参数集成模型进行举例说明，即该步骤中通过对应获取球磨机负荷参数集成模型后，设置球磨机负荷参数集成模型中的训练集、校验集和测试集，并根据该训练集和该球磨机负荷参数集成模型生成预设个数的子模型，该预设个数可以根据用户的需求进行设置，例如4个、6个或8个等。
具体的，该步骤中，采用训练集
建立p个节点数为
的ELM磨机负荷子模型{ELM1,ELM2,…,ELMp}，优选的，该节点数
和数值p均可根据需求进行参数设置，此外，该步骤中，该初始种群的规模也同样可以根据需求进行设置，即该初始种群中子模型的个数可以进行主动设置，例如设置为3个、4个或5个等。
步骤S20，对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
其中，通过在所述初始种群中的子模型之间随机进行组合，以得到该组合模型，例如当该初始种群中的子模型个数为子模型A、子模型B和子模型C时，则组合得到的组合模型为：模型AB、模型AC、模型BC和模型ABC，并分别计算每个组合模型的适应度函数值，以对应得到适应度函数值eab、eac、ebc和eabc。
具体的，该步骤中，组合模型中包括所有子模型，即当初始种群中总的子模型个数为3个时，先将子模型进行两两组合，最后进行数量为3的组合个数的组合，例如当该初始种群中总的子模型个数为4个时，则先将子模型进行两两组合、再进行3个个数的组合，最终进行4个个数的组合。
优选的，该步骤中，由于在遗传算法中，适应度是描述个体性能的主要指标，根据适应度的大小，对个体进行优胜劣汰，适应度是驱动遗传算法的动力，适应度相当于“生存竞争、适者生存”的生物生存能力，在遗传过程中具有重要意义，因此，该步骤通过分别计算该初始种群中组合模型的适应度函数值，有效的方便后续针对该初始种群中最优组合模型的查找。
步骤S30，将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
其中，通过遍历该初始种群中所有适应度函数值的大小，将该初始种群中最小适应度函数值设置为目标值，例如当该e1＜e2＜e3＜e4时，则将该模型AB的适应度函数值e1设置为该目标值。
具体的，该步骤中，通过选择该初始种群中的父代，并基于该父代和遗传算法以根据该初始种群生成新种群，该新种群与初始种群中子模型的个数相等。
优选的，该步骤中，通过根据该初始种群生成新种群的设计，有效的对子模型达到了演绎进行的效果，且通过将所述新种群中最小适应度函数值设置为当前值的设计，以查询该新种群中组合模型最小的组合。
步骤S40，判断所述当前值是否等于所述目标值；
若所述当前值等于所述目标值，则执行步骤S50；
步骤S50，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
其中，当判断到该当前值等于该目标值时，则判定该目标值对应的组合模型为该初始种群中的最优组合，例如当判断到新种群中最小适应度函数值等于该适应度函数值e1时，则判定该初始种群中模型AB为最优组合。
具体的，该步骤中，模型个数的增加可以采用累加的方式进行计算，即当该初始种群中模型个数为K时，则增加后的模型个数为K+M，该M为固定值，可以根据需求进行设置，例如该M可以设置为1、2或3等数值；
例如，本实施例中，K为3、M为1，则增加后的模型个数为4，因此，通过获取步骤S10中生成的预设个数的子模型中获取4个子模型，并根据获取到的4个子模型重新生成初始种群，并基于该初始种群重新执行步骤S20至步骤S50的操作。
例如，当该步骤中，重新生成后的初始种群(模型个数为4的种群)中最小适应度函数值为e5，基于该新初始种群生成后的新种群中最小适应度函数值为e6时，判断该e5是否等于e6，当判断到e5未等于e6时，则基于新初始种群重复执行步骤S30，即基于新初始种群再次重新生成新种群，并继续判断后续生成的新种群中最小的适应度函数值是否等于e5，直至重新设置后的当前值等于e5时，执行步骤S60。
步骤S60，判断设置后的所述目标值是否大于设置前的所述目标值；
其中，该设置后的所述目标值为模型个数为4的初始种群中的最小组合模型对应的适应度函数值，该设置前的模型个数为3的初始种群中最小组合模型对应的适应度函数值，即判断该e5是否大于该e1。
若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则执行步骤S70；
步骤S70，将设置前的所述目标值对应的所述组合模型输出为最优集成模型；
其中，当判断到设置后的所述当前值等于设置后的所述目标值条件下，设置后的所述目标值大于设置前的所述目标值时，则判定设置前的所述目标值对应的所述组合模型输出为最优集成模型；
即当判断到e5等于e6，且e5于该e1时，将e1对应的组合模型输出为该最优集成模型，该最优集成模型在子模型个数为3时组合得到的组合模型中模型尺寸最小。
本实施例中，通过基于初始种群与新种群中组合模型之间适应度函数值的大小判断设计，以获取初始种群中子模型之间的最优组合，即若当前值等于目标值时，判定该当前值对应的组合模型为初始种群中的最优模型，通过基于设置后目标值与设置前目标值之间的大小判断设计，以判定设置前的目标值对应的组合模型是否为最优集成模型，使得本申请实施例能基于适应度函数值的计算，能自动判断组合模型是否为最优集成模型，提高了集成模型尺寸控制的准确性。
实施例二
请参阅图2，是本申请第二实施例提供的集成模型尺寸控制方法的流程图，包括步骤：
步骤S11，根据目标集成模型生成预设个数的子模型，对所述子模型进行二进制编码获取遗传算法的染色体，并以编码后的染色体为个体生成所述初始种群；
其中，集成模型的类型多种多样，本实施例以球磨机负荷参数集成模型进行举例说明，即该步骤中通过对应获取球磨机负荷参数集成模型后，设置球磨机负荷参数集成模型中的训练集、校验集和测试集，并根据该训练集和该球磨机负荷参数集成模型生成预设个数的子模型，该预设个数可以根据用户的需求进行设置，例如4个、6个或8个等。
优选的，该步骤中，通过采用训练集
建立p个节点数为
的ELM磨机负荷子模型{ELM1,ELM2,…,ELMp}，该节点数
和数值p均可根据需求进行参数设置，该步骤中，通过对所有子模型进行二进制编码，并基于编码结果计算编码位数，该编码位数为n＝log2N。
具体的，该步骤中，通过设置初始种群中的子模型个数，并基于该子模型个数随机生成种群数为GAp长度为n×K的二进制染色体，其中每n位代表一个子模型。
步骤S21，对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
其中，计算所述适应度函数值所采用的计算公式为：
具体的，ek为第k个子模型与第j个子模型所组成的所述组合模型对应的适应度函数值，ωk为第k个子模型的权值，Ek为第k个子模型的泛化误差，Dkj为第k个子模型和第j个子模型的分散度。
优选的，计算所述泛化误差和所述分散度所采用的计算公式为：
其中，
为第k个子模型关于第i个样本的预报值，yi为第i个样本的测量值。
步骤S31，将所述初始种群中最小适应度函数值设置为目标值，根据遗传突变率和交叉概率对所述初始种群进行种群选择、种群交叉和种群变异，得到所述新种群；
步骤S41，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
步骤S51，判断所述当前值是否等于所述目标值；
若所述当前值不等于所述目标值，则执行步骤S61；
步骤S61，根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异，并返回执行步骤S41；
其中，当判断到所述当前值不等于所述目标值时，则判定该当前值对应的组合模型在所述初始种群中不是最优组合，因此，通过根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异的设计，以重新进行子模型的组合、适应度函数值的计算和当前值的设置，直至当判断到根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异后的，初始种群中最小适应度函数值等于新种群中的最小适应度函数值时，则执行步骤S71。
若所述当前值等于所述目标值，则执行步骤S71；
步骤S71，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
步骤S81，判断设置后的所述目标值是否大于设置前的所述目标值；
若设置后的所述目标值未大于设置前的所述目标值，则执行步骤S91；
步骤S91，返回执行所述模型个数的增加，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
其中，当判断到设置后的所述目标值未大于设置前的所述目标值时，则判定设置前的目标值对应的组合模型并不是最优集成模型，因此，通过重新增加模型个数的设计，以增大集成模型中子模型的总体个数，并基于增大后的模型个数重新进行所述目标值和所述当前值的设置，直至判断到设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值时，执行步骤S101。
若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则执行步骤S101；
步骤S101，将设置前的所述目标值对应的所述组合模型输出为最优集成模型；
具体的，请参阅图3至图5，为本实施例中，球磨机负荷参数集成模型中适应度函数值随种群迭代数的变化曲线，其中，图3至图5分别为，球磨机磨矿浓度参数集成模型、球磨机填充率参数集成模型和球磨机料球比参数集成模型中适应度函数值随种群迭代数的变化曲线。
请参阅图6，为本实施例中集成模型尺寸控制方法的具体实施步骤图，图6中的判断步骤“终止准则是否满足”时用于判断当前值是否等于目标值，且该图中的EK为子模型个数为K的初始种群中最小的适应度函数值，该EK+1为子模型个数为K+1的初始种群中最小的适应度函数值，以判断初始种群中适应度函数值EK对应的组合模型是否为最优集成模型，此外，当完成球磨机负荷参数集成模型的尺寸控制之后，通过测试集对该集成模型进行测试，以判定输出的最优集成模型是否满足测试合格条件。
本实施例中，通过基于初始种群与新种群中组合模型之间适应度函数值的大小判断设计，以获取初始种群中子模型之间的最优组合，即若当前值等于目标值时，判定该当前值对应的组合模型为初始种群中的最优模型，通过基于设置后目标值与设置前目标值之间的大小判断设计，以判定设置前的目标值对应的组合模型是否为最优集成模型，使得本申请实施例能基于适应度函数值的计算，能自动判断组合模型是否为最优集成模型，提高了集成模型尺寸控制的准确性。
实施例三
对应于上文实施例所述的集成模型尺寸控制方法方法，图7示出了本申请第三实施例提供的集成模型尺寸控制装置100的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：初始种群生成模块10、子模型组合模块11、适应度设置模块12、模型个数增加控制模块13和模型输出模块14，其中：
初始种群生成模块10，用于根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群。
其中，所述初始种群生成模块10还用于：对所述子模型进行二进制编码获取遗传算法的染色体，并以编码后的染色体为个体生成所述初始种群。
子模型组合模块11，用于对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值。
其中，计算所述适应度函数值所采用的计算公式为：
具体的，ek为第k个子模型与第j个子模型所组成的所述组合模型对应的适应度函数值，ωk为第k个子模型的权值，Ek为第k个子模型的泛化误差，Dkj为第k个子模型和第j个子模型的分散度。
优选的，计算所述泛化误差和所述分散度所采用的计算公式为：
其中，
为第k个子模型关于第i个样本的预报值，yi为第i个样本的测量值。
适应度设置模块12，用于将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值。
其中，所述适应度设置模块12还用于：根据遗传突变率和交叉概率对所述初始种群进行种群选择、种群交叉和种群变异，得到所述新种群。
模型个数增加控制模块13，用于若所述当前值等于所述目标值，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置。
其中，所述模型个数增加控制模块13还用于若设置后的所述目标值未大于设置前的所述目标值，则增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置。
模型输出模块14，用于若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则将设置前的所述目标值对应的所述组合模型输出为最优集成模型。
优选的，所述集成模型尺寸控制装置100还包括：
种群遗传迭代模块15，用于若所述当前值不等于所述目标值，根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异，并返回执行对所述新种群中的所述子模型进行组合，根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值。
本实施例中，通过基于初始种群与新种群中组合模型之间适应度函数值的大小判断设计，以获取初始种群中子模型之间的最优组合，即若当前值等于目标值时，判定该当前值对应的组合模型为初始种群中的最优模型，通过基于设置后目标值与设置前目标值之间的大小判断设计，以判定设置前的目标值对应的组合模型是否为最优集成模型，使得本申请实施例能基于适应度函数值的计算，能自动判断组合模型是否为最优集成模型，提高了集成模型尺寸控制的准确性。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请第四实施例提供的终端设备2的结构示意图。如图8所示，该实施例的终端设备2包括：至少一个处理器20(图8中仅示出一个处理器)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。
所述终端设备2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图8仅仅是终端设备2的举例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种球磨机负荷参数集成模型尺寸控制方法，其特征在于，所述方法包括：
根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群，所述目标集成模型为球磨机磨矿浓度参数集成模型、球磨机填充率参数集成模型和球磨机料球比参数集成模型；
对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
若所述当前值等于所述目标值，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则将设置前的所述目标值对应的所述组合模型输出为最优集成模型；
其中，计算所述适应度函数值所采用的计算公式为：
其中，ek为第k个子模型与第j个子模型所组成的所述组合模型对应的适应度函数值，ωk为第k个子模型的权值，Ek为第k个子模型的泛化误差，Dkj为第k个子模型和第j个子模型的分散度；
其中，计算所述泛化误差和所述分散度所采用的计算公式为：
其中，
为第k个子模型关于第i个样本的预报值，yi为第i个样本的测量值。
2.如权利要求1所述的球磨机负荷参数集成模型尺寸控制方法，其特征在于，所述将所述新种群中最小适应度函数值设置为当前值的步骤之后，还包括：
若所述当前值不等于所述目标值，根据遗传突变率和交叉概率对所述新种群进行种群选择、种群交叉和种群变异，并返回执行对所述新种群中的所述子模型进行组合，根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值。
3.如权利要求1所述的球磨机负荷参数集成模型尺寸控制方法，其特征在于，所述若设置后的所述当前值等于设置后的所述目标值的步骤之后，还包括：
若设置后的所述目标值未大于设置前的所述目标值，则增加所述初始种群中的所述模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置。
4.如权利要求1所述的球磨机负荷参数集成模型尺寸控制方法，其特征在于，所述对所述子模型进行编码生成初始种群，包括：
对所述子模型进行二进制编码获取遗传算法的染色体，并以编码后的染色体为个体生成所述初始种群。
5.如权利要求1所述的球磨机负荷参数集成模型尺寸控制方法，其特征在于，所述根据所述初始种群生成新种群，包括：
根据遗传突变率和交叉概率对所述初始种群进行种群选择、种群交叉和种群变异，得到所述新种群。
6.一种球磨机负荷参数集成模型尺寸控制装置，其特征在于，包括：
初始种群生成模块，用于根据目标集成模型生成预设个数的子模型，并对所述子模型进行编码生成初始种群，所述目标集成模型为球磨机磨矿浓度参数集成模型、球磨机填充率参数集成模型和球磨机料球比参数集成模型；
子模型组合模块，用于对所述子模型进行组合，得到至少2个组合模型，并计算每个所述组合模型的适应度函数值；
适应度设置模块，用于将所述初始种群中最小适应度函数值设置为目标值，根据所述初始种群生成新种群，对所述新种群中的所述子模型进行组合，并根据组合结果计算每个所述组合模型的适应度函数值，将所述新种群中最小适应度函数值设置为当前值；
模型个数增加控制模块，用于若所述当前值等于所述目标值，增加所述初始种群中的模型个数，并根据增加后的所述模型个数在所述初始种群和所述新种群中重新进行所述目标值和所述当前值的设置；
模型输出模块，用于若设置后的所述当前值等于设置后的所述目标值，且设置后的所述目标值大于设置前的所述目标值，则将设置前的所述目标值对应的所述组合模型输出为最优集成模型；
其中，计算所述适应度函数值所采用的计算公式为：
其中，ek为第k个子模型与第j个子模型所组成的所述组合模型对应的适应度函数值，ωk为第k个子模型的权值，Ek为第k个子模型的泛化误差，Dkj为第k个子模型和第j个子模型的分散度；
其中，计算所述泛化误差和所述分散度所采用的计算公式为：
其中，
为第k个子模型关于第i个样本的预报值，yi为第i个样本的测量值。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139941.9A CN111475985B (zh) | 2020-03-03 | 2020-03-03 | 球磨机负荷参数集成模型尺寸控制方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139941.9A CN111475985B (zh) | 2020-03-03 | 2020-03-03 | 球磨机负荷参数集成模型尺寸控制方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111475985A CN111475985A (zh) | 2020-07-31 |
| CN111475985B true CN111475985B (zh) | 2023-04-28 |
Family
ID=71748120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010139941.9A Active CN111475985B (zh) | 2020-03-03 | 2020-03-03 | 球磨机负荷参数集成模型尺寸控制方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111475985B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106773700A (zh) * | 2016-12-30 | 2017-05-31 | 杭州电子科技大学 | 遗传算法优化的多模型预测控制方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
| CN110532614A (zh) * | 2019-07-26 | 2019-12-03 | 上海机电工程研究所 | 一种旋转导弹转速特性气动优化方法 |
-
2020
- 2020-03-03 CN CN202010139941.9A patent/CN111475985B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106773700A (zh) * | 2016-12-30 | 2017-05-31 | 杭州电子科技大学 | 遗传算法优化的多模型预测控制方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| CN110532614A (zh) * | 2019-07-26 | 2019-12-03 | 上海机电工程研究所 | 一种旋转导弹转速特性气动优化方法 |
| CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
Non-Patent Citations (1)
| Title |
|---|
| 自适应粒子群支持向量机风速组合预测模型;柏丹丹等;《太阳能学报》;第36卷(第4期);第792-797页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111475985A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN116307745A (zh) | 一种工程项目智能风险监管预警方法及系统 | |
| CN111475985B (zh) | 球磨机负荷参数集成模型尺寸控制方法、装置及设备 | |
| CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
| CN109800138B (zh) | 一种cpu测试方法、电子装置及存储介质 | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN111159828A (zh) | 电池箱散热优化设计方法及其装置、设备及存储介质 | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN114707414A (zh) | 一种机器人健康状态评估方法、装置、设备及存储介质 | |
| CN114595627A (zh) | 模型量化方法、装置、设备及存储介质 | |
| CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
| CN114913008A (zh) | 基于决策树的债券价值分析方法、装置、设备及存储介质 | |
| CN109948800B (zh) | 风险控制方法及其系统 | |
| CN109598644B (zh) | 基于高斯分布的窃电用户识别方法及终端设备 | |
| CN113435058B (zh) | 配网自愈测试模型的数据降维方法、系统、终端及介质 | |
| CN117891760B (zh) | 一种dma稀疏化访存方法、智能计算子系统及智能计算平台 | |
| CN111353675B (zh) | 一种作业调度方法和装置 | |
| CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
| CN112259239B (zh) | 一种参数处理方法、装置、电子设备及存储介质 | |
| CN114841242A (zh) | 一种电网数据的质量治理方法及装置 | |
| CN111325024B (zh) | 一种风险项目统计方法 | |
| CN114330690A (zh) | 卷积神经网络压缩方法、装置及电子设备 | |
| CN109800981B (zh) | 阈值设定方法及装置、存储介质、电子设备 | |
| CN113157538A (zh) | Spark运行参数的确定方法、装置、设备和存储介质 |
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 |