CN112086135B - 状态分析方法、装置和设备 - Google Patents
状态分析方法、装置和设备 Download PDFInfo
- Publication number
- CN112086135B CN112086135B CN202010851303.XA CN202010851303A CN112086135B CN 112086135 B CN112086135 B CN 112086135B CN 202010851303 A CN202010851303 A CN 202010851303A CN 112086135 B CN112086135 B CN 112086135B
- Authority
- CN
- China
- Prior art keywords
- values
- variable parameter
- corresponding relation
- target object
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种状态分析方法、装置和设备。该方法包括:确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数;根据多后代遗传算法确定所述至少一个权重系数;根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;根据所述第二对应关系,确定所述目标对象的状态信息。本申请实施例确定的目标对象的多个可变参数的对应关系较为准确,进而能够准确的分析该目标对象的状态。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种状态分析方法、装置和设备。
背景技术
在物理学和热力学中,状态方程表达了热力学系统中若干个态函数参量之间的关系。状态方程描述了给定物理条件环境下物质的状态,例如其温度、压强、密度、体积等。状态方程最显著的作用是它可以通过已知条件来预测物质的状态。
目前构建状态方程的方法都需要大量的实验数据,对于实验条件较易达到的问题尚且可行,但对于宽压强、宽温度、强辐射等极端条件下,由于实验数据较难获得,因此无法准确分析物质的状态。
发明内容
本申请提供一种状态分析方法、装置和设备,以提高物质的状态分析的准确性。
第一方面,本申请提供一种状态分析方法,包括:
确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数;
根据多后代遗传算法确定所述至少一个权重系数;
根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;
根据所述第二对应关系,确定所述目标对象的状态信息。
第二方面,本申请提供一种状态分析装置,包括:
确定模块,用于确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数;
所述确定模块,还用于根据多后代遗传算法确定所述至少一个权重系数;
所述确定模块,还用于根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;
处理模块,用于根据所述第二对应关系,确定所述目标对象的状态信息。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面,本申请实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
本申请实施例提供的状态分析方法、装置和设备,确定目标对象的至少两个可变参数的第一对应关系,第一对应关系中还包括至少一个待确定的权重系数;根据多后代遗传算法确定至少一个权重系数,上述利用多后代遗传算法能够较为准确的确定出权重系数,进而得到目标对象的至少两个可变参数的对应关系,根据该对应关系,能够准确的确定目标对象的状态。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的系统架构示意图;
图2是本申请提供的状态分析方法一实施例的流程示意图;
图3是本申请提供的多后代遗传算法与传统遗传算法拟合范德瓦尔斯状态方程系数的适应度对比图;
图4是本申请提供的未分段拟合范德瓦尔斯状态方程系数的适应度图;
图5是本申请提供的压强低于180Gpa拟合范德瓦尔斯状态方程系数的适应度图;
图6是本申请提供的压强高于180Gpa拟合范德瓦尔斯状态方程系数的适应度图;
图7是本申请提供的真实物理实验数据的温度压强关系图;
图8是本申请提供的多后代遗传算法未分区域拟合的温度压强关系图;
图9是本申请提供的未分区域拟合温稠密物质状态方程系数的适应度图;
图10是本申请提供的针对第一区域拟合方程系数的适应度图;
图11是本申请提供的针对第24~31组密度数据拟合方程系数的适应度图;
图12是本申请提供的针对第二区域拟合方程系数的适应度图;
图13是本申请提供的针对第三区域拟合方程系数的适应度图;
图14是本申请提供的分区域拟合的温度压强关系图;
图15是本申请提供的状态分析装置一实施例的结构示意图;
图16是本申请提供的电子设备实施例的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,对本申请实施例涉及的部分词汇和应用场景进行介绍。
图1为本申请实施例提供的系统架构示意图。如图1所示,本申请实施例的系统架构中可以包括但不限于:至少两个电子设备。该至少两个电子设备可以形成一个集群。
其中,各个电子设备之间可以通过网络连接。各个电子设备之间通过SSH(SecureShell为创建在应用层和传输层基础上的安全协议)通信。
在一实施例中,任一电子设备可作为该集群的主节点,其他电子设备作为该集群的子节点,例如图1中示出了四个电子设备,分别作为集群的一个节点。
本申请实施例提供的方法可由一个电子设备如处理器执行相应的软件代码实现,也可由一个电子设备在执行相应的软件代码的同时,通过和控制设备进行数据交互来实现。
本申请实施例的方法,确定目标对象的至少两个可变参数的第一对应关系,第一对应关系中还包括至少一个待确定的权重系数;根据多后代遗传算法确定至少一个权重系数,无需大量的实验数据,利用多后代遗传算法也能够较为准确的确定出权重系数,进而得到目标对象的至少两个可变参数的对应关系,即使在极端条件下,根据该对应关系,也能够准确的确定目标对象的状态。
下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2是本申请提供的状态分析方法一实施例的流程示意图。如图2所示,本实施例提供的方法,包括:
步骤101、确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数。
具体的,为了进行状态分析首先建立该第一对象的多个可变参数的第一对象关系,其中第一对应关系例如通过状态方程的形式进行表示。
例如,通过多项式表示该第一对应关系:
t=a1p-2+a2p-1+a3+a4p+a5p2+a6p3
其中,t、p表示可变参数,ak(k=1,2,3,4,5,6)表示权重系数。
在一实施例中,第一对应关系可通过一个或多个第一可变参数的多项式表示第二可变参数。第二可变参数为至少两个可变参数中的任一个可变参数,其余为第一可变参数。
为了准确分析目标对象的状态,需要得出较为准确的权重系数。
在一实施例中,至少两个所述可变参数包括如下至少两种变量:
所述目标对象所在环境的温度;
所述目标对象所在环境的压强;
所述目标对象的密度。
在一实施例中,所述目标对象为混合物质或温稠密物质。
步骤102、根据多后代遗传算法确定至少一个权重系数。
具体的,利用多后代遗传算法生成初始的各个权重系数,利用少量已知的实验数据(预设的物理条件下)中多组可变参数的实际数值,得到第一对应关系对应的误差,即第二可变参数的误差,例如n表示有n组实验数据,ti表示实验数据中的t值,表示利用n组实验数据中的p,以及多后代遗传算法生成初始的各个权重系数的值计算得到的。
在使得误差尽可能小的条件下,利用多后代遗传算法进行迭代,直至误差小于预设阈值,得到第一对应关系中的权重系数。
步骤103、根据第一对应关系和至少一个权重系数,确定第二对应关系。
具体的,将确定出的各个所述权重系数代入第一对应关系中,得出第二对应关系,即各个可变参数的第二对应关系,例如通过状态方程表示。
本申请中,在一定物理条件下,利用多后代遗传算法能够较为准确的确定出权重系数,进而能够准确得到的目标对象的至少两个可变参数的对应关系,即能够准确确定出目标对象的对应关系的结构以及各个权重系数,例如目标对象的状态方程的结构以及方程参数信息。
步骤104、根据第二对应关系,确定目标对象的状态信息。
具体的,在预设的条件下,可根据第二对应关系,即该目标对象的各个可变参数的之间的关系,确定目标对象的状态,不同的物理条件下得到的对应关系可能不同。例如状态信息可以包括该目标对象的状态变化信息,即根据不同的物理条件下可以确定出不同的对应关系。
本实施例的方法,确定目标对象的至少两个可变参数的第一对应关系,第一对应关系中还包括至少一个待确定的权重系数;根据多后代遗传算法确定至少一个权重系数,上述利用多后代遗传算法能够较为准确的确定出权重系数,进而得到目标对象的至少两个可变参数的对应关系,根据该对应关系,能够准确的确定目标对象的状态。
在上述实施例的基础上,步骤102可以通过如下方式实现:
将至少两个可变参数中第一可变参数的第一数值范围,划分为多个第二数值范围;
根据所述多后代遗传算法以及在各个所述第二数值范围内所述第一对应关系对应的误差函数,得到每个所述第二数值范围对应的所述第一对应关系中的各个所述权重系数。
具体的,第一可变参数可以是至少两个可变参数中任意一个或多个可变参数,第一数值范围可以是根据已知实验数据得到的该第一可变参数对应的数值范围,即一定的物理条件下对应的数值范围,若改变第一数值范围,可能会得出不同的对应关系,即对应关系中的权重系数可能不同。
利用少量的实验数据,将第一可变参数的第一数值范围,划分为多个第二数值范围;例如至少一个第二数值范围对应的误差函数的值小于预设阈值,其余第二数值范围对应的误差函数的值不小于预设阈值。
针对第一可变参数的各个第二数值范围,利用多后代遗传算法生成初始的各个权重系数,利用少量已知的实验数据中多组可变参数在该第二数值范围内的实际数值,得到第一对应关系对应的误差函数的值,在使得误差函数的值尽可能小的条件下,利用多后代遗传算法进行迭代,直至误差函数的值小于预设阈值,得到第一对应关系中的权重系数。
在一实施例中,划分多个第二数值范围可通过如下方式实现:
根据所述第一可变参数在第一数值范围的不同范围内,所述第一对应关系对应的误差函数,确定所述第一可变参数在所述第一数值范围内的分界点;
根据所述第一可变参数在所述第一数值范围内的分界点,将所述第一数值范围分为多个第二数值范围。
具体的,遍历第一数值范围内的不同范围,例如第一可变参数包括n组数据,前1组数据计算一个误差函数,前2组数据计算一个误差函数,前3组数据计算一个误差函数,以此类推,查找误差函数的值小于预设数值,以及大于预设数值时第一可变参数的数值的分界点。
假设针对第一可变参数p找到一个分界点,将该第一可变参数p的数值范围划分为两个第二数值范围。例如通过第一可变参数将n组数据分为1-23,24-n两个范围。
进一步的,针对第一可变参数处于分界点之后的第二数值范围,利用多后代遗传算法分别进行迭代,最终得到该第二数值范围对应的误差函数的值大于预设阈值,则继续对其他的第一可变参数的第一数值范围进行划分,首先查找分界点,与前述方案类似此处不再赘述。
上述实施方式中,针对宽温度、宽密度、宽压强等物理条件下状态方程的拟合问题,多后代遗传算法可以自动搜索到方程系数发生变化的分界点和区域,可以较快拟合,而且得到的结果较为准确。
在一实施例中,分界点可以通过如下方式得到:
利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的初始值;
根据各个所述权重系数的初始值以及各个所述可变参数的实际数值,获取所述第一可变参数在第一数值范围的不同范围内所述第一对应关系的误差函数的值;
根据所述第一可变参数在第一数值范围的不同范围内所述第一对应关系的误差函数的值以及预设阈值,获取所述第一可变参数在所述第一数值范围内的分界点。
具体的,第一对应关系可表示为:第二可变参数基于第一可变参数的多项式表示,则第一对应关系的误差函数表示为关于第二可变参数的误差,即第二可变参数的实际数值与拟合数值之间的误差;其中,拟合数值为通过各个所述权重系数的初始值以及第一可变参数的实际数值利用第一对应关系计算得到的。
利用多后代遗传算法,计算第一可变参数在不同范围内的误差函数的值,与预设阈值进行比较,查找误差函数的值小于预设数值,以及大于预设数值时第一可变参数的数值的分界点。
在一实施例中,可以通过如下方式实现:
针对任一所述第二数值范围,利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的多组初始值;
确定每组所述初始值对应的所述第一对应关系的误差函数的值;
根据所述误差函数的值,利用多后代遗传算法对所述权重系数进行迭代,直至所述误差函数的值小于或等于所述预设阈值,得到各个所述权重系数的目标值。
对于第一可变参数的每个第二数值范围,分别利用多后代遗传算法拟合确定权重系数。
针对任一第二数值范围来说,利用多后代遗传算法生成第一对应关系中各个权重系数的多组初始值;
针对任一组初始值,根据该组初始值以及各个可变参数的实际数值计算误差函数的值,误差函数表示为关于第二可变参数的误差,即第二可变参数的实际数值与拟合数值之间的误差;其中,拟合数值为通过该组初始值中各个所述权重系数的初始值以及第一可变参数的实际数值利用第一对应关系计算得到的。
即每一组初始值,对应一个误差函数的值,利用多后代遗传算法对所述权重系数进行迭代,直至所述误差函数的值小于或等于所述预设阈值,得到各个所述权重系数的目标值。
对于极端条件的目标对象的可变参数的对应关系(即状态方程)构建问题,仅通过实验获得数据来拟合将花费高额成本且实验难度很大,本申请实施例的方法可以通过一定量实验数据利用多后代遗传算法来构建并拟合其系数,节约了成本。
本申请实施例中,针对多后代遗传算法在对系数进行迭代时,通过多个节点设备实现了并行操作,提高了运行效率,可以较快收敛得到最终的系数,节约了时间成本。
例如,对于不同第二数值范围进行迭代,可在不同的设备上并行操作,主节点可以对结果进行分析。
其中,多后代遗传算法和传统遗传算法的区别主要在于交叉操作和变异操作,在传统遗传算法中,父代和子代个体数量相同,而在多后代遗传算法中,生成子代数量是父代数量一倍甚至几倍,本申请实施例中设置生成一倍父代个体数量进行交叉操作和变异操作。在交叉操作时,染色体是否进行交叉操作由交叉概率hc决定,被选出来的染色体交换自己的部分基因,再根据变异概率hu判断是否进行变异,在一实施例中,多后代遗传算法的步骤如下:
(1)生成初始种群,种群个体数量为L,例如每一个个体即一组权重系数组;
(2)计算种群中个体适应度,并从小到大排序(L个个体,每个个体(即每组权重系数)对应一个适应度,进行排序);
(3)从初始种群中选择s个精英个体,依据交叉概率hc进行交叉操作,生成2L个后代;s是把L个个体依据适应度排序,选出适应度较好的前s个。
(4)再对生成的2L个后代依据变异概率hu进行变异操作,生成2Lhu个个体;
(5)把s个精英个体、2Lhu个变异的个体和未变异的2L(1-hu)个个体组成新的群体;
(6)再对步骤(5)的新群体计算适应度,从中选择出L个适应度较小的个体作为下一次迭代的初始种群;
(7)如果满足截止条件则输出全局最优解,否则返回到步骤(2),开始下一次迭代;
在一实施例中,遗传算法的交叉概率hc为0.80,变异概率hu为0.2。
本申请实施例中,使用多后代遗传算法,通过改变遗传操作增加子代数量,减少收敛到全局最优解的迭代次数、丰富了遗传多样性,在一定程度上避免了陷入局部最优解的可能性。
范德瓦尔斯状态方程形式如下:
式中,P表示压强,T表示温度,V表示摩尔体积,R表示摩尔常数,其值为8.3144J/(mol×K),气体物质的量为1mol,a,b为需要拟合的范德瓦尔斯状态方程的系数。
实验所选气体是氧气,则范德瓦尔斯状态方程真实系数a=0.138(J·m3·mol-2),b=0.0000319(m3/mol),拟合系数a,b的整体思想是:首先采用控制变量的方法生成n组实验数据(P,V,T),即在a、b为上述a=0.138(J·m3·mol-2),b=0.0000319(m3/mol)条件下得出n组实验数据(P,V,T);再构造出多后代遗传算法的适应度函数,通过适应度判定所拟合系数a,b的准确度,最后经过多次迭代找到一组a,b其与真实值误差很小。下面介绍范德瓦尔斯状态方程的适应度函数。
因为状态方程中的系数均为实数,所以本申请采用实数编码的方式,多后代遗传算法初始种群中个体G编码格式如下:
G(a,b)
通过多后代遗传算法随机生成a、b。
对公式(1-1)变形为:
把n组实验数据(Pi,Vi,Ti)1≤i≤n中的(Vi,Ti)和多后代遗传算法初始种群的个体G(a,b)代入公式(1-2)得:
则适应度函数f可表示为:
图3是两种算法拟合范德瓦尔斯状态方程系数的适应度图,表1是多后代遗传算法拟合范德瓦尔斯状态方程系数的结果,可以看出两种算法均可以找到准确的a、b,多后代遗传算法的精度有所提升,迭代次数有所减少。
表1
循环迭代数 | 适应度值 | a | b |
100 | 2.7524e-07 | 0.1380 | 3.1900e-05 |
101 | 2.7524e-07 | 0.1380 | 3.1900e-05 |
102 | 2.7524e-07 | 0.1380 | 3.1900e-05 |
103 | 2.7524e-07 | 0.1380 | 3.1900e-05 |
104 | 2.7524e-07 | 0.1380 | 3.1900e-05 |
在另一实施例中,随着物理条件的改变,状态方程或其系数也可能会改变,即物质的状态也可能会改变,由此考虑分段范德瓦尔斯状态方程的构建问题。拟合分段范德瓦尔斯状态方程系数a,b的整体思想是:首先不分段拟合一组系数a,b,通过适应度判断系数是否准确,此拟合方法与上文方法相同。因其适应度高于预设阈值ε=10-6,所以找压强分界点分段拟合系数,或者在其他实施例中也可以找温度分界点分段拟合系数,本申请实施例对此并不限定。
对公式(1-1)变形:
把n组实验数据(Pj,Vj,Tj)1≤j≤n中(Vj,Pj)和多后代遗传算法初始种群的个体G(a,b)代入公式((1-6)得:
则n组实验数据的适应度函数fz可表示为:
经过多次迭代,拟合出一组适应度相对较小的参系数,图4是拟合一组系数的范德瓦尔斯状态方程的适应度图,适应度稳定在46附近,远远高于算法的阈值ε=10-6,说明状态方程系数发生了变化,多后代遗传算法并没有收敛到全局最优解,所以接下来尝试按照压强分段拟合范德瓦尔斯状态方程系数。
把前k0组实验数据(Pj,Vj,Tj)1≤j≤k0中(Vj,Pj)和算法初始种群的个体G(a1,b1)代入公式(1-10)得:
前k0组实验数据的适应度函数f1可表示为:
把剩余n-k0组实验数据的(Pj,Vj,Tj)k0+1≤j≤n中(Vj,Pj)和算法初始种群的个体G(a2,b2)代入公式(1-10)得:
剩余n-k0组实验数据的适应度函数f2可表示为:
图4是一组系数拟合范德瓦尔斯状态方程的适应度图,适应度在46附近,远远高于阈值。由此使用多后代遗传算法自动搜索压强分界点分段拟合系数,算法搜索结果为:当压强以180Gpa为界线分段拟合两段状态方程系数时,其适应度均不高于阈值ε=10-2。
图5、图6分别是压强不高于/高于180Gpa时,多后代遗传算法拟合范德瓦尔斯状态方程系数的适应度图;表2、表3是压强低于/高于180Gpa拟合范德瓦尔斯状态方程的系数结果,两组系数适应度均小于阈值,所以针对此组数据分为两段拟合系数即可。
表2
循环迭代数 | 压强分界点 | 适应度值 | a<sub>1</sub> | b<sub>1</sub> |
257 | 180.0029 | 0.0093 | 0.0199 | 0.0437 |
258 | 180.0029 | 0.0093 | 0.0199 | 0.0437 |
259 | 180.0029 | 0.0093 | 0.0199 | 0.0437 |
260 | 180.0029 | 0.0093 | 0.0199 | 0.0437 |
261 | 180.0029 | 0.0093 | 0.0199 | 0.0437 |
表3
循环迭代数 | 压强分界点 | 适应度值 | a<sub>2</sub> | b<sub>2</sub> |
237 | 180.0029 | 0.0081 | 69.7608 | 1.9027 |
238 | 180.0029 | 0.0081 | 69.7608 | 1.9027 |
239 | 180.0029 | 0.0081 | 69.7608 | 1.9027 |
240 | 180.0029 | 0.0081 | 69.7608 | 1.9027 |
241 | 180.0029 | 0.0081 | 69.7608 | 1.9027 |
在另一实施例中,使用多后代遗传算法拟合未分区域的温稠密物质的状态方程及其系数。
基于数据库中共31组密度数据,令正整数i的取值范围为[1,31]。再将实际压强值和实际温度值取对数(由于数值较大因此取对数方便计算),并分别记为pi,j(i=1,2,…,31;j=1,2,…,qi),ti,j(i=1,2,…,31;j=1,2,…,qi),其中qi表示每一组密度ρi下温度压强的总数据组数,qi例如为15,相应的,我们再做变量代换,T为温度,P为压强,ρ为密度,令:
设温稠密物质状态方程可表示为如下形式:
t=a1p-2+a2p-1+a3+a4p+a5p2+a6p3 (2-2)
公式(2-2)中ak(k=1,2,3,4,5,6)是关于ρ的函数,当密度ρi(i=1,2,…,31)固定时,t是p的函数,则令:
t=ai,1p-2+ai,2p-1+ai,3+ai,4p+ai,5p2+ai,6p3 (2-3)
把每组密度下压强值pi,j(i=1,2,…,31;j=1,2,…,qi)和多后代遗传算法初始种群的个体G(ai,k(i=1,2,…,31,k=1,2,3,4,5,6))(即各个系数的初始值)代入公式(2-3)得:
对于不同材质的温稠密物质,公式(2-2)-(2-4)中的正负次幂可以自动调整,直到给出较好拟合形式,例如将各个可变参数的次幂也作为待确定的系数,通过多后代遗传算法进行迭代。
接下来,确定未分区域拟合温稠密物质状态方程的适应度函数,设置ak(k=1,2,3,4,5,6)与ρ的函数关系为:
将公式(2-6)代入公式(2-2)得:
t=(b1,1ρ-1+b1,2+b1,3ρ+b1,4ρ2+b1,5ρ3+b1,6ρ4)p-2+(b2,1ρ-1+b2,2+b2,3ρ+b2,4ρ2+b2,5ρ3+b2,6ρ4)p-1+b3,1ρ-1+b3,2+b3,3ρ+b3,4ρ2+b3,5ρ3+b3,6ρ4+(b4,1ρ-1+b4,2+b4,3ρ+b4,4ρ2+b4,5ρ3+b4,6ρ4)p+(b5,1ρ-1+b5,2+b5,3ρ+b5,4ρ2+b5,5ρ3+b5,6ρ4)p2+(b6,1ρ-1+b6,2+b6,3ρ+b6,4ρ2+b6,5ρ3+b6,6ρ4)p3 (2-7)
公式(2-7)是温稠密物质状态方程结构,含有36个系数,对于不同的温稠密物质,其结构与(2-7)式相似,但次幂可进行调整。
把密度值ρ=ρi(i=1,2,…,31)、压强值pi,j(i=1,2,…,31,j=1,2,…,qi)和算法初始种群的个体G(bmn(m=1,2,3,4,5,6;n=1,2,3,4,5,6))代入公式(2-7)得:
图7是真实物理实验数据每组密度的温度和压强关系,此图是衡量多后代遗传算法拟合温稠密物质状态方程系数准确度的依据。如果多后代遗传算法拟合每组密度下的温度压强关系图与图7几乎吻合,则温稠密物质状态方程系数较准确,否则拟合的系数并没有收敛到全局最优解。
图8是未分区域拟合出的温度压强关系图,显然图8与图7存在较大误差,图9是未分区域拟合温稠密物质状态方程的适应度图,其适应度均高于阈值,例如阈值ε=5×10-2,由此先尝试按照密度分区域拟合系数。
本实施例中,因其适应度高于阈值进而分区域拟合系数。首先,利用多后代遗传算法自动搜索到密度分界点ρi0,算法搜索结果为:当拟合前23组密度数据的适应度不高于阈值;当拟合前24组密度数据的适应度高于阈值且有数量级上的改变,且当i取此后数据其适应度均逐渐高于阈值,所以第一个密度分界点为ρ23=7.8545g/cm3。
此时温稠密物质状态方程被分为两个区域,第一区域为前23组密度数据,第一区域适应度函数如下:
图10是拟合第一区域温稠密物质状态方程系数的适应度图,表4是多后代遗传算法拟合第一区域温稠密物质状态方程系数,其适应度不高于阈值。
接下来研究ρi>ρ23区域的分区域情况,先把ρi>ρ23区域的密度数据拟合出一组温稠密物质状态方程系数,密度ρi>ρ23区域的适应度函数为:
图11是多后代遗传算法拟合ρi>ρ23区域的温稠密物质状态方程系数的适应度图,其适应度值高于阈值,所以ρi>ρ23区域按照压强分区域拟合系数。
上述实施例中,按照密度把温稠密物质状态方程分为两个区域拟合,仍有一个区域适应度高于阈值。然后,按照压强继续划分适应度高于阈值的区域,直到所分区域的适应度均小于阈值为止。
在其他实施例中,也可以先按照压强划分区域(即数值范围),然后再按照密度划分,本申请实施例对此并不限定。
下面使用类似寻找分段范德瓦尔斯状态方程压强分界点的方法寻找ρi>ρ23区域每组密度的压强分界点将ρi>ρ23区域又按照压强的分界点划分为两个区域,加之已经拟合好的ρi≤ρ23区域,温稠密物质状态方程已经被分为三个区域。
第二区域的适应度函数为:
其中ki表示第二区域每一组密度ρi下温度压强总数据组数,第三区域的适应度函数为:
表5是多后代遗传算法拟合第二区域温稠密物质状态方程系数,表6是多后代遗传算法拟合第三区域温稠密物质状态方程系数。图12是多后代遗传算法拟合第二区域温稠密物质状态方程的适应度图,图13是多后代遗传算法拟合第三区域温稠密物质状态方程的适应度图。其每个区域的适应度均不高于多后代遗传算法的阈值。
图14是分区域拟合出的温度压强关系图,图14与图7对比已经极为吻合,图14与图8对比有了明显的改善。本申请利用较少的实验数据准确的拟合出宽温度、宽压强、宽密度的温稠密物质状态方程及其系数。
表4
表5
表6
上述适应度函数即误差函数。
本申请实施例中,针对宽温度、宽密度、宽压强等物理条件下状态方程的拟合问题,多后代遗传算法可以自动搜索到方程系数发生变化的分界点和区域,可以较快拟合。
上述实施例中通过结构已知的范德瓦尔斯状态方程验证了该方法的适应性,而且可以适用于结构未知的状态方程,例如结构未知的温稠密物质状态方程,具有较强的适应性。
进一步的,在此基础上可以对宽压强、宽温度、强辐射等极端条件下的温稠密物质状态方程或混合物质状态方程建立数据库,基于实验不断完善数据库,使之能在化学工程,武器物理等领域得到广泛应用,便于后续的状态分析。
图15为本申请提供的状态分析装置一实施例的结构图,如图15所示,本实施例的状态分析装置,包括:
确定模块501,用于确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数;
所述确定模块501,还用于根据多后代遗传算法确定所述至少一个权重系数;
所述确定模块501,还用于根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;
处理模块502,用于根据所述第二对应关系,确定所述目标对象的状态信息。
在一种可能的实现方式中,确定模块501具体用于:
将至少两个所述可变参数中第一可变参数的第一数值范围,划分为多个第二数值范围;
根据所述多后代遗传算法以及在各个所述第二数值范围内所述第一对应关系对应的误差函数,得到每个所述第二数值范围对应的所述第一对应关系中的各个所述权重系数。
在一种可能的实现方式中,确定模块501具体用于:
根据所述第一可变参数在第一数值范围的不同范围内,所述第一对应关系对应的误差函数,确定所述第一可变参数在所述第一数值范围内的分界点;
根据所述第一可变参数在所述第一数值范围内的分界点,将所述第一数值范围分为多个第二数值范围。
在一种可能的实现方式中,确定模块501具体用于:
利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的初始值;
根据各个所述权重系数的初始值以及各个所述可变参数的实际数值,获取所述第一可变参数在第一数值范围的不同范围内所述第一对应关系的误差函数的值;
根据所述第一可变参数在第一数值范围的不同范围内的误差函数的值以及预设阈值,获取所述第一可变参数在所述第一数值范围内的分界点。
在一种可能的实现方式中,确定模块501具体用于:
针对任一所述第二数值范围,利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的多组初始值;
确定每组所述初始值对应的所述第一对应关系的误差函数的值;
根据所述误差函数的值,利用多后代遗传算法对所述权重系数进行迭代,直至所述误差函数的值小于或等于所述预设阈值,得到各个所述权重系数的目标值。
在一种可能的实现方式中,至少两个所述可变参数包括如下至少两种:
所述目标对象所在环境的温度;
所述目标对象所在环境的压强;
所述目标对象的密度;
所述目标对象的体积。
在一种可能的实现方式中,所述目标对象为温稠密物质。
在一种可能的实现方式中,所述对应关系表示为:第二可变参数基于至少一个第一可变参数的多项式表示;第二可变参数为至少两个所述可变参数中的任一个可变参数,所述第一可变参数为至少两个所述可变参数中除所述第二可变参数外的可变参数。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图16为本申请提供的电子设备实施例的结构图,如图16所示,该电子设备包括:
处理器601,以及,用于存储处理器601的可执行指令的存储器602。
可选的,还可以包括:通信接口603,用于实现与其他设备的通信。
上述部件可以通过一条或多条总线进行通信。
其中,处理器601配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,此处不再赘述。
本申请实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (5)
1.一种状态分析方法,其特征在于,包括:
确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数,所述第一对应关系为表示状态方程的对应关系,所述第一对应关系表示为:第二可变参数基于至少一个第一可变参数的多项式表示;第二可变参数为至少两个所述可变参数中的任一个可变参数,所述目标对象为温稠密物质;
根据第一可变参数在第一数值范围的不同范围内,所述第一对应关系对应的误差函数,确定所述第一可变参数在所述第一数值范围内的分界点,所述第一对应关系对应的误差函数为适应度函数;
根据所述第一可变参数在所述第一数值范围内的分界点,将所述第一数值范围分为多个第二数值范围;
针对任一所述第二数值范围,利用多后代遗传算法生成所述第一对应关系中各个所述权重系数的多组初始值;
确定每组所述初始值对应的所述第一对应关系的误差函数的值;
根据所述误差函数的值,利用多后代遗传算法对所述权重系数进行迭代,直至所述误差函数的值小于或等于预设阈值,得到各个所述权重系数的目标值;
根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;
根据所述第二对应关系,确定所述目标对象的状态信息;
所述确定所述第一可变参数在所述第一数值范围内的分界点,包括:
利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的初始值;
根据各个所述权重系数的初始值以及各个所述可变参数的实际数值,获取所述第一可变参数在第一数值范围的不同范围内所述第一对应关系的误差函数的值;
根据所述第一可变参数在第一数值范围的不同范围内的误差函数的值以及预设阈值,获取所述第一可变参数在所述第一数值范围内的分界点。
2.根据权利要求1所述的方法,其特征在于,
至少两个所述可变参数包括如下至少两种:
所述目标对象所在环境的温度;
所述目标对象所在环境的压强;
所述目标对象的密度;
所述目标对象的体积。
3.根据权利要求1所述的方法,其特征在于,
所述第一可变参数为至少两个所述可变参数中除所述第二可变参数外的可变参数。
4.一种状态分析装置,其特征在于,包括:
确定模块,用于确定目标对象的至少两个可变参数的第一对应关系,所述第一对应关系中还包括至少一个待确定的权重系数,所述第一对应关系为表示状态方程的对应关系,所述第一对应关系表示为:第二可变参数基于至少一个第一可变参数的多项式表示;第二可变参数为至少两个所述可变参数中的任一个可变参数,所述目标对象为温稠密物质;
所述确定模块,具体用于根据第一可变参数在第一数值范围的不同范围内,所述第一对应关系对应的误差函数,确定所述第一可变参数在所述第一数值范围内的分界点,所述第一对应关系对应的误差函数为适应度函数;
根据所述第一可变参数在所述第一数值范围内的分界点,将所述第一数值范围分为多个第二数值范围;
针对任一所述第二数值范围,利用多后代遗传算法生成所述第一对应关系中各个所述权重系数的多组初始值;
确定每组所述初始值对应的所述第一对应关系的误差函数的值;
根据所述误差函数的值,利用多后代遗传算法对所述权重系数进行迭代,直至所述误差函数的值小于或等于预设阈值,得到各个所述权重系数的目标值;
所述确定模块,还用于根据所述第一对应关系和所述至少一个权重系数,确定第二对应关系;
处理模块,用于根据所述第二对应关系,确定所述目标对象的状态信息;
所述确定模块,具体用于利用所述多后代遗传算法生成所述第一对应关系中各个所述权重系数的初始值;
根据各个所述权重系数的初始值以及各个所述可变参数的实际数值,获取所述第一可变参数在第一数值范围的不同范围内所述第一对应关系的误差函数的值;
根据所述第一可变参数在第一数值范围的不同范围内的误差函数的值以及预设阈值,获取所述第一可变参数在所述第一数值范围内的分界点。
5.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851303.XA CN112086135B (zh) | 2020-08-21 | 2020-08-21 | 状态分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851303.XA CN112086135B (zh) | 2020-08-21 | 2020-08-21 | 状态分析方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112086135A CN112086135A (zh) | 2020-12-15 |
CN112086135B true CN112086135B (zh) | 2021-12-28 |
Family
ID=73728577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010851303.XA Active CN112086135B (zh) | 2020-08-21 | 2020-08-21 | 状态分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112086135B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
US7860584B2 (en) * | 2007-06-19 | 2010-12-28 | Ono Sokki Co., Ltd. | Method, computer, and recording medium storing a program for computing an optimal solution to engine design variables |
CN102387045A (zh) * | 2011-09-30 | 2012-03-21 | 北京信息科技大学 | 嵌入式p2p流量监控系统及方法 |
CN104102144A (zh) * | 2014-06-20 | 2014-10-15 | 杭州电子科技大学 | 基于遗传算法优化的批次过程的预测函数控制方法 |
CN108169682A (zh) * | 2017-12-14 | 2018-06-15 | 江苏大学 | 一种基于气液动力学模型的锂离子电池soc精确估算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
CN105094140B (zh) * | 2015-08-21 | 2017-12-19 | 北京控制工程研究所 | 一种基于基因遗传算法的结构滤波器参数优化方法 |
CN105912505B (zh) * | 2016-04-28 | 2018-05-11 | 河海大学 | 一种基于幂律函数的气体状态描述方法 |
-
2020
- 2020-08-21 CN CN202010851303.XA patent/CN112086135B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860584B2 (en) * | 2007-06-19 | 2010-12-28 | Ono Sokki Co., Ltd. | Method, computer, and recording medium storing a program for computing an optimal solution to engine design variables |
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN102387045A (zh) * | 2011-09-30 | 2012-03-21 | 北京信息科技大学 | 嵌入式p2p流量监控系统及方法 |
CN104102144A (zh) * | 2014-06-20 | 2014-10-15 | 杭州电子科技大学 | 基于遗传算法优化的批次过程的预测函数控制方法 |
CN108169682A (zh) * | 2017-12-14 | 2018-06-15 | 江苏大学 | 一种基于气液动力学模型的锂离子电池soc精确估算方法 |
Non-Patent Citations (3)
Title |
---|
A new genetic algorithm for solving optimization problems;Saber M et.al;《Engineering Applications of Artificial Intelligence》;20140131;第27卷;第57-69页 * |
基于Spark的并行遗传算法在温稠密物质状态方程构建中的应用;李媛媛 等;《北京信息科技大学学报》;20190415;第34卷(第2期);第52-57页 * |
基于多子代遗传算法优化BP神经网络;付晓明 等;《计算机仿真》;20160315;第33卷(第3期);第258-263页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112086135A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vihola | Robust adaptive Metropolis algorithm with coerced acceptance rate | |
Dinh et al. | Probabilistic path hamiltonian monte carlo | |
Fan et al. | Locally optimal reach set over-approximation for nonlinear systems | |
Yu et al. | Zinb-based graph embedding autoencoder for single-cell rna-seq interpretations | |
CN111738477B (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
Singh et al. | Teaching–learning-based optimization algorithm for parameter identification in the design of IIR filters | |
Makalic et al. | Review of modern logistic regression methods with application to small and medium sample size problems | |
Nair et al. | Improving gene regulatory network inference using network topology information | |
CN109767034B (zh) | 继电保护的定值优化方法、装置、计算机设备和存储介质 | |
Burger et al. | Neural networks for self-adjusting mutation rate estimation when the recombination rate is unknown | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
CN112086135B (zh) | 状态分析方法、装置和设备 | |
Malek et al. | Imputation of time series data via Kohonen self organizing maps in the presence of missing data | |
Ehlers et al. | Bayesian analysis of order uncertainty in ARIMA models | |
Li et al. | Degree distribution of large networks generated by the partial duplication model | |
Du et al. | Combining quantum-behaved PSO and K2 algorithm for enhancing gene network construction | |
Rosato et al. | Finite precision implementation of random vector functional-link networks | |
Lai et al. | Performance analysis of evolutionary algorithms for steiner tree problems | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
CN113688424A (zh) | 基于权重社会网络的个性化差分隐私保护方法 | |
Paszyńska | Volume and neighbors algorithm for finding elimination trees for three dimensional h-adaptive grids | |
Konini et al. | Mean field analysis of algorithms for scale-free networks in molecular biology | |
van Leeuwen et al. | A Boltzmann generator for the isobaric-isothermal ensemble | |
Hong et al. | Parameter estimation based on stacked regression and evolutionary algorithms |
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 |