CN115453867A - 一种鲁棒的自适应大规模气力输送控制方法 - Google Patents
一种鲁棒的自适应大规模气力输送控制方法 Download PDFInfo
- Publication number
- CN115453867A CN115453867A CN202211043546.6A CN202211043546A CN115453867A CN 115453867 A CN115453867 A CN 115453867A CN 202211043546 A CN202211043546 A CN 202211043546A CN 115453867 A CN115453867 A CN 115453867A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- node
- population
- optimization
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种鲁棒的自适应大规模气力输送控制方法,包括:接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;所述检测数据输送到深度学习网络中,经过所述深度学习网络的运算输出状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。本申请在气力输送系统中部署多个传感器,并使用神经网络分析传感器参数,从而得到管道本身状态,基于管道的状态,将群体优化算法中的种群作为节点构建蒙特卡洛树,保证在大规模的决策空间中搜索高质量的解,从而在保证气力输送系统能根据自身实时状态优化目标的同时,提高了解的鲁棒性。
Description
技术领域
本申请请求保护一种数据处理技术,尤其涉及一种鲁棒的自适应大规模气力输送控制方法。
背景技术
气力输送是一种利用气流在密闭管道内输送物料的技术,在物料输送领域应用极为广泛。气力输送的优点在于输送距离长、输送量大同时输送速度较高,但另一方面,也面临着气量大导致的能耗高,用气量波动高导致的输送压力大,管道频繁开关导致的系统安全性等问题。智能化的控制是解决此类问题的有效手段。
当前,气力输送系统的研究已经取得了较多进展,尤其随着智能制造的推进,诸如智能阀门等一系列新型方法和手段出现,使得气力输送系统的智能控制成为可能。但目前的气力输送系统尚未解决以下关键问题:首先是如何高效地检测输送系统的状态并据此计算优化气力输送系统的方案,其次是如何提升调度方案的鲁棒性,即保证多次解的稳健型。
气力输送系统的核心是如何保持管道内的最佳压力,过高和过低的压力要么导致能耗过高,物料和管道磨损过大;要么导致管道堵塞。然而如何保持最佳压力涉及两方面的问题:1.如何判断管道内的状态,即管道内部是“气相”还是“固相”;2.如何依据管道内部的状态来设计算法,综合考虑多方面因素来高效调整压力。
现有技术中,通过不同的传感器,例如压力、温度和湿度,结合深度学习算法可以提取出管道内部状态的特征,从而预测当前情况下管道内部的状态–处于“气相”还是“固相”。在此基础上,可以将高效的压力调整看作为一个多目标优化问题,从而到达多因素的统筹考虑,实现节能、安全生产和完成生产任务等多个目标。
基于群体智能的多目标优化算法是主流的解决方案。然而,气力输送问题的结构导致了搜索空间的巨大,使用群体智能多目标优化算法解决气力输送系统调度的存在一个主要问题,即群体智能算法作为启发式算法在优化过程中的随机性导致每次运行解的质量存在波动,即算法的鲁棒性较低。
不难发现,现有的技术存在的问题包括:
1.难以准确预测管道内部的状态。
2.难以求解大规模管道控制问题。
3.算法结果波动性大等问题。
对此,需要一种能在实际工业生产中投入使用的具有高响应性和高鲁棒性的气力输送系统控制的求解方法。
发明内容
为了解决上述现有技术中的问题,本申请提供一种鲁棒的自适应大规模气力输送控制方法。
本申请还提供一种鲁棒的自适应大规模气力输送控制方法,包括:
检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据,根据预设规则,将所述检测数据分割为多个输入数据集;
将所述输入数据集输入到到深度学习网络中,采用杂交算法对所述输入数据进行迭代,获得所述气力输送系统的状态参数;
对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;
基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
可选的,所述杂交算法的步骤包括:
步骤一:初始化种群;
步骤二:对种群进行快速非支配排序,得到每个个体的层数Fi;
步骤三:从第一层开始选择个体,直到放入第Fi+1层时个体数量恰好大于N,则只放入F1到Fi层的个体,记此时个体数量为n;
步骤四:对第Fi+1层的个体计算拥挤度距离,选择前N-n个Fi+1层个体放入种群,此时种群大小为N;
步骤五:选择、交叉、变异生成子代种群;
步骤六:是否满足优化停止条件,若否转到步骤二。
可选的,还包括对数据进行抽样处理,包括:
给定一个节点N,有n个解的种群P,每个解有d个决策变量,对于N的每个子节点,算法从d个决策变量中抽取dn个决策变量进行优化,其他未被采样决策变量保持不变以生成此子节点。
可选的,所述通过蒙特卡洛树搜索算法计算获得控制参数包括:
构建搜索树;
基于所述搜索树,采用Tree优化算法Policy阶段和Default优化算法Policy阶段进行数据的迭代;
采用蒙特卡洛树搜索提高所述气力输送系统控制的鲁棒性算法。
可选的,所述所述鲁棒性算法包括:
步骤一:初始化种群为根节点,根节点的评价Δ设为0。
步骤二:如果父节点有k个子节点,则选择具有最评估的节点,直到节点N的子节点数小于k。
步骤三:使用决策变量抽样进行优化构造一个新节点优化算法Nl。
步骤四:估计子节点优化算法Nl优化算法的超体积值作为评估优化算法Δ,然后反向传播优化算法Δ优化算法并更新优化算法UCB优化算法值。
步骤五:如果子节点优化算法Nl优化算法的超容量优于归档节点,则用新节点更新归档节点。
步骤六:重复步骤优化算法二,直到计算资源耗尽。
可选的,所述控制时间与最小化系统压力峰值和最小化压力峰值谷值产的表达式:
本申请提供一种鲁棒的自适应大规模气力输送控制设备,包括:
显示器;
存储器;
处理器,从存储器中调取鲁棒的自适应大规模气力输送控制方法的程序,执行如下步骤:接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;所述检测数据输送到深度学习网络中,经过所述深度学习网络的运算输出状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
可选的,还包括:算法库,用于存储所述蒙特卡洛树搜索算法。
本申请还提供一种鲁棒的自适应大规模气力输送控制装置,包括:
数据模块,用于接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;
分析模块,用于将所述检测数据输送到深度学习网络中,并经过所述深度学习网络的运算输出状态参数;
优化模块,用于对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;
结果模块,用于基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
本申请相较于现有技术的优点是:
本申请还提供一种鲁棒的自适应大规模气力输送控制方法,包括:检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据,根据预设规则,将所述检测数据分割为多个输入数据集;将所述输入数据集输入到到深度学习网络中,采用杂交算法对所述输入数据进行迭代,获得所述气力输送系统的状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。本申请在气力输送系统中部署多个传感器,并使用神经网络分析传感器参数,从而得到管道本身状态,基于管道的状态,将群体优化算法中的种群作为节点构建蒙特卡洛树,保证在大规模的决策空间中搜索高质量的解,从而在保证气力输送系统能根据自身实时状态优化目标的同时,提高了解的鲁棒性。
附图说明
图1是本申请中自适应大规模气力输送控制流程图。
图2是本申请中气力输送系统状态分析的深度神经网络示意图。
图3是本申请中优化的决策变量抽样示意图。
图4是本申请中UCT迭代的流程图。
图5是本申请中的数据处理流程图。
图6是本申请中收敛性分析示意图。
具体实施方式
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还可以采用不同于此的描述的其他方式实施,本领域技术人员可以在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
实施例1:
本申请还提供一种鲁棒的自适应大规模气力输送控制方法,包括:检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据,根据预设规则,将所述检测数据分割为多个输入数据集;将所述输入数据集输入到到深度学习网络中,采用杂交算法对所述输入数据进行迭代,获得所述气力输送系统的状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。本申请在气力输送系统中部署多个传感器,并使用神经网络分析传感器参数,从而得到管道本身状态,基于管道的状态,将群体优化算法中的种群作为节点构建蒙特卡洛树,保证在大规模的决策空间中搜索高质量的解,从而在保证气力输送系统能根据自身实时状态优化目标的同时,提高了解的鲁棒性。
图1是本申请中自适应大规模气力输送控制流程图。
请参照图1所示,S101检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据,根据预设规则,将所述检测数据分割为多个输入数据集。
在气力输送系统中部署多种且多个传感器,用于检测所述气力输送系统的参数,所述传感器至少包括有温度传感器、气压传感器、湿度传感器,空气流量传感器。
所述预设规则可以是根据预设的时间限制,根据预设的时间限制将每个所述传感器检测到的数据归纳到同一个数据集中,并将该数据集作为一个数据输入,所述数据输入表达式如下:
S={S1,S2,……,Sl}
其中,所述S表示所述数据输入,所述l表示传感器个数,所述S1,S2,……,Sl表示每个传感器的数据。
请参照图1所示,S102将所述输入数据集输入到到深度学习网络中,采用杂交算法对所述输入数据进行迭代,获得所述气力输送系统的状态参数。
搭建深度神经网络,将所述输入数据输入到所述深度神经学习网络中进行运算,获取所述气力输送系统的运行状态。
所述深度神经网络模型是根据根据传感器数量、气力输送系统规模等设计而成的,如图2所示。
所述深度神经网络的训练样本,可以通过试运行气力输送系统并采集的传感器数据,样本的标签为管道的运行状态,所述标签包括:气相或固相。
所述运行状态可以表述为:保证管道处于最适温度、最适适度,同时最小化气力输送系统能耗、最小化气力输送系统的运行压力峰值(最小化高压)、最小化气力输送系统的压力峰值谷值差(最小化高低压差)、最大化气力输送系统流速等,上述优化问题满足下述表达式:
minimizeF(x)=<f1(x),f2(x),…,fM(x)>subjecttox∈X
其中,x是管道运行可调节的参数,即该优化问题的决策变量,X是决策变量的搜索空间,fm(x)是管道需要优化的第m个优化目标。这其中,大规模多目标优化问题主要指决策变量的维度大于100,即x的维度大于100。
在气力输送系统控制中,有m个管道具有生产周期T(单位:s)。对于第i个管道,有运行时间要求ti。
例如:优化以最小化气力输送系统压力峰值,最小化压力峰值谷值差,则这两个目标的表达式为:
基于上述染色体编码,进行优化算法的过程如下:
步骤一:初始化种群;
步骤二:对种群进行快速非支配排序,得到每个个体的层数Fi;
步骤三:从第一层开始选择个体,直到放入第Fi+1层时个体数量恰好大于N,则只放入F1到Fi层的个体,记此时个体数量为n;
步骤四:对第Fi+1层的个体计算拥挤度距离,选择前N-n个Fi+1层个体放入种群,此时种群大小为N;
步骤五:选择、交叉、变异生成子代种群;
步骤六:是否满足优化停止条件,若否转到步骤二。
请参照图1所示,S103对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据。
上述常规杂交转发适用于数据量较小的情况,若数据量较大,则需要对数据进行抽样处理。
图3是本申请中优化的决策变量抽样示意图。
请参照图3所示,每个圆角框都是一个解,其中的圆圈是决策变量。优化算法首先对决策变量的子集进行随机抽样,然后对每个解进行降维,然后使用进化算法对这些决策变量进行优化。最后,根据采样的决策变量,将所有解还原为完整种群,构成子节点。
具体的,给定一个节点N,有n个解的种群P,每个解有d个决策变量,对于N的每个子节点,算法从d个决策变量中抽取dn个决策变量进行优化,其他未被采样决策变量保持不变以生成此子节点。
基于抽样决策变量,每个子节点将根据父种群优化不同的决策变量。
在获得采样的dn决策变量后,使用传统的多目标优化算法对这些决策变量进行进化搜索。其中,父种群的每个解首先根据采样的决策变量降为dn维。
该算法根据使用的优化算法对减少的种群执行进化策略,然后恢复为d维解。
请参照图1所示,S104基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
包括:
评估后代并进行环境选择;
在几次迭代之后,最终种群被用于构造子节点Nl。
经过上述处理,将数据构建为多层级的数据集,接下来将进行进一步的数据处理。
图5是本申请中的数据处理流程图。
请参照图5所示,S501构建搜索树,本申请使用UCT方法。UCT(UpperConfidenceBoundApplytoTree)是对搜索树的UpperConfidenceBound(UCB)的扩展实现。UCT的总体思路是将搜索树中的每个节点都视为一个代理。在选择节点时,我们根据UCB值进行选择,如图3所示,选择UCB值最高且未完全展开的节点;扩展节点;使用默认策略评估节点;将评估传播到所有父节点以更新UCB值。
S502迭代,迭代过程分为两个阶段:Tree优化算法Policy阶段和Default优化算法Policy阶段。在Tree优化算法Policy阶段,从根节点开始,每次选择UCB值最大的子节点,除非节点完全展开;然后从该节点扩展一个新节点。在优化算法Default优化算法Policy优化算法阶段,对已扩展的新节点进行模拟(也称为优化算法roll-out);然后将模拟值不断地向后传播,以更新路径上每个节点的值。反复迭代,直到达到计算资源的预算,最后返回根节点下价值最高的子节点。
在S502步骤中,TreePolicy是第一部分所述的大规模多目标优化部分。DefaultPolicy的目的是评估节点对进一步搜索的适用性。种群的好坏可以通过人口的超体积(HV)值来衡量。所述HV是一个来指导搜索过程的指标。该指标给出了目标空间的主导部分的超体积,并且目前代表了唯一严格单调的集合质量度量类型。每当一个帕累托集逼近支配另一个帕累托集逼近时,前者的指标值将大于后者的指标值。此属性使其非常适合作为蒙特卡洛树搜索框架中的评估策略。
S503鲁棒性算法,本申请中采用蒙特卡洛树搜索提高气力输送系统控制鲁棒性算法,该算法在本申请中的步骤如下:
步骤一:初始化种群为根节点,根节点的评价Δ设为0。
步骤二:如果父节点有k个子节点,则选择具有最评估的节点,直到节点N的子节点数小于k。
步骤三:使用决策变量抽样进行优化构造一个新节点优化算法Nl。
步骤四:估计子节点优化算法Nl优化算法的超体积值作为评估优化算法Δ,然后反向传播优化算法Δ优化算法并更新优化算法UCB优化算法值。
步骤五:如果子节点优化算法Nl优化算法的超容量优于归档节点,则用新节点更新归档节点。
步骤六:重复步骤优化算法二,直到计算资源耗尽。
最后,根据更新的UCB值得出控制参数。
实施例2:
在气力输送系统的各个节点上部署传感器,根据需要部署一类或多类下列传感器:温度传感器、湿度传感器、气压传感器。
试运行并采集样本和数据,训练神经网络。
优化目标:
本申请设置两种流程分别对应小规模数据和大规模数据,算法流程1对应小规模数据;算法流程2对应大规模数据。
算法流程1:
步骤一:初始化种群为根节点,根节点的评价Δ设为0;
步骤二:如果父节点有k个子节点,则选择具有最评估的节点,直到节点N的子节点数小于k;
步骤三:使用决策变量抽样进行优化构造一个新节点Nl;
步骤四:估计子节点Nl的超体积值作为评估Δ,然后反向传播Δ并更新UCB值;
步骤五:如果子节点Nl的超容量优于归档节点,则用新节点更新归档节点;
步骤六:重复步骤2,直到计算资源耗尽。
算法流程2:
步骤一:随机采样部分决策变量;
步骤二:在采样的决策变量上进行选择、交叉、变异生成子代种群,其余决策变量保持不变;
步骤三:对种群进行快速非支配排序,得到每个个体的层数Fi;
步骤三:从第一层开始选择个体,直到放入第Fi+1层时个体数量恰好大于N,则只放入F1到Fi层的个体,记此时个体数量为n;
步骤四:对第Fi+1层的个体计算拥挤度距离,选择前N-n个Fi+1层个体放入种群,此时种群大小为N;
步骤五:生成子节点
停止条件:
设定进化计算的代数作为停止条件。同时可以使用统计分析方法,判断是否达到收敛。
本申请还提供一种鲁棒的自适应大规模气力输送控制设备,包括:
显示器;
存储器;
处理器,从存储器中调取鲁棒的自适应大规模气力输送控制方法的程序,执行如下步骤:接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;所述检测数据输送到深度学习网络中,经过所述深度学习网络的运算输出状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
本申请还还包括:算法库,用于存储所述蒙特卡洛树搜索算法。
本申请还提供一种鲁棒的自适应大规模气力输送控制装置,包括:
数据模块,用于接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;
分析模块,用于将所述检测数据输送到深度学习网络中,并经过所述深度学习网络的运算输出状态参数;
优化模块,用于对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;
结果模块,用于基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
实施例3:
请参照图5所示,基于实施例1或者2运算20次,其结果与现有主流技术运算对比,运算结果如下:
表1多种比较算法在LSMOP测试的54个测试实例上获得的IGD
表1分别显示了20次运行的平均IGD值的统计结果。总体而言,求解方法的表现优于七个最先进的算法。
表1列出了八种算法的IGD值。LMOMCTS在54个测试用例中获得了20个最佳结果,优于其他七种比较方法。MOEA/DVA和MOEA/PSL分别达到10和6个主导案例,其他算法获得的最佳结果少于5个。
在测试中,所提出的LMOMCTS的收敛性能也优于其他七种对比算法。LMOMCTS在54个最佳结果中获得了18个。其他算法在HV指数上的结果只有4个或更少的结果,明显劣于本申请的结果。
上述实验结果表明,对于大多数测试问题,本申请是一种具有良好收敛性和多样性的方法。可以看出,所提出的算法在LSMOP测试问题上能够获得有竞争力的表现,这也证实了算法在解决大规模决策变量问题上的有效性。
表2多种竞争算法运行20次后IGD的方差
本申请在表2中展示了所有竞争算法运行20次后IGD的方差。总体而言,本申请在IGD上的方差很好,验证了所设计的方法提高了算法优化结果的鲁棒性。
本申请总共获得了17个最佳结果,这意味着在18个方差最小的实例上运行了20次,并且比其他算法具有更好的鲁棒性。结合表1,本申请不仅在性能上有优势,而且算法的鲁棒性要好得多。MOEA/DVA在表1中比LMOMCTS有9个更好的实例,在表2中只有4个显着优于本申请的算法,并且在求解LSMOP3、LSMOP6和LSMOP7时,方差更差。其他算法在其结果中的鲁棒性也较差,例如用于求解LSMOP9的CCGDE3、用于求解LSMOP3的LMEA、用于求解LSMOP9的LMOCSO以及用于求解LSMOP2、LSMOP3和LSMOP9的GMOEA,在这些提到的实例中,方差大于1,甚至大于10,这在现实世界的实践中是不可接受的。本申请的算法在所有测试实例上的方差都保持在一个很小的数量级,保证了算法在实际应用中的鲁棒性。
鲁棒性的另一个重要方面是在算法在意外情况下停止时保持良好的结果。在这方面,所有比较算法在具有三目标的LSMOP1-LSMOP9问题上实现的IGD值的变化如图5所示。从这些图中可以看出,所提出的算法并不总是占主导地位,但它表现出更高的稳定性和鲁棒性。例如,LMEA在求解LSMOP1、LSMOP2和LSMOP3时出现了明显的波动,MOEA/DVA在求解LSMOP6时出现了严重的性能波动,CCGDE3在求解LSMOP9时也出现了LSMOP8和MOEA/PSL的波动。
除了鲁棒性,算法的运行时间在实际应用中也很关键。本申请中LSMOP1-LSMOP9上所有比较算法的平均运行时间,决策变量从100到5,000不等。本申请提出的LMOMCTS具有相对较短的计算时间。其中,在IGD度量比较中表现良好的MOEA/PSL和MOEA/DVA的时间复杂度非常高,并且由于决策变量数量的增加而急剧增加。然而,本申请的算法在不同维度上保持相对较低的时间复杂度。
以上内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还可以采用不同于此的描述的其他方式实施,本领域技术人员可以在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
Claims (10)
1.一种鲁棒的自适应大规模气力输送控制方法,其特征在于,
检测气力输送系统中每个节点处的温度、湿度、气压和空气流量的检测数据,根据预设规则,将所述检测数据分割为多个输入数据集;
将所述输入数据集输入到到深度学习网络中,采用杂交算法对所述输入数据进行迭代,获得所述气力输送系统的状态参数;
对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;
基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
2.根据权利要求1所述鲁棒的自适应大规模气力输送控制方法,其特征在于,所述杂交算法的步骤包括:
步骤一:初始化种群;
步骤二:对种群进行快速非支配排序,得到每个个体的层数Fi;
步骤三:从第一层开始选择个体,直到放入第Fi+1层时个体数量恰好大于N,则只放入F1到Fi层的个体,记此时个体数量为n;
步骤四:对第Fi+1层的个体计算拥挤度距离,选择前N-n个Fi+1层个体放入种群,此时种群大小为N;
步骤五:选择、交叉、变异生成子代种群;
步骤六:是否满足优化停止条件,若否转到步骤二。
3.根据权利要求2所述鲁棒的自适应大规模气力输送控制方法,其特征在于,还包括对数据进行抽样处理,包括:
给定一个节点N,有n个解的种群P,每个解有d个决策变量,对于N的每个子节点,算法从d个决策变量中抽取dn个决策变量进行优化,其他未被采样决策变量保持不变以生成此子节点。
4.根据权利要求1所述鲁棒的自适应大规模气力输送控制方法,其特征在于,所述通过蒙特卡洛树搜索算法计算获得控制参数包括:
构建搜索树;
基于所述搜索树,采用Tree优化算法Policy阶段和Default优化算法Policy阶段进行数据的迭代;
采用蒙特卡洛树搜索提高所述气力输送系统控制的鲁棒性算法。
5.根据权利要求3所述鲁棒的自适应大规模气力输送控制方法,其特征在于,所述所述鲁棒性算法包括:
步骤一:初始化种群为根节点,根节点的评价Δ设为0。
步骤二:如果父节点有k个子节点,则选择具有最评估的节点,直到节点N的子节点数小于k。
步骤三:使用决策变量抽样进行优化构造一个新节点优化算法Nl。
步骤四:估计子节点优化算法Nl优化算法的超体积值作为评估优化算法Δ,然后反向传播优化算法Δ优化算法并更新优化算法UCB优化算法值。
步骤五:如果子节点优化算法Nl优化算法的超容量优于归档节点,则用新节点更新归档节点。
步骤六:重复步骤优化算法二,直到计算资源耗尽。
8.一种鲁棒的自适应大规模气力输送控制设备,其特征在于,包括:
显示器;
存储器;
处理器,从存储器中调取鲁棒的自适应大规模气力输送控制方法的程序,执行如下步骤:接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;所述检测数据输送到深度学习网络中,经过所述深度学习网络的运算输出状态参数;对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
9.根据权利要求8所述鲁棒的自适应大规模气力输送控制设备,其特征在于,还包括:算法库,用于存储所述蒙特卡洛树搜索算法。
10.一种鲁棒的自适应大规模气力输送控制装置,其特征在于,包括:
数据模块,用于接收气力输送系统中包括温度、湿度、气压和空气流量的检测数据;
分析模块,用于将所述检测数据输送到深度学习网络中,并经过所述深度学习网络的运算输出状态参数;
优化模块,用于对所述状态参数,以及决策变量和优化目标进行采样,并通过进化算法获得完整种群数据;
结果模块,用于基于所述完整种群数据,通过蒙特卡洛树搜索算法计算获得控制参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381196 | 2022-04-08 | ||
CN2022103811968 | 2022-04-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115453867A true CN115453867A (zh) | 2022-12-09 |
Family
ID=84301954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211043546.6A Pending CN115453867A (zh) | 2022-04-08 | 2022-08-29 | 一种鲁棒的自适应大规模气力输送控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115453867A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
-
2022
- 2022-08-29 CN CN202211043546.6A patent/CN115453867A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN117094528B (zh) * | 2023-10-16 | 2024-01-26 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural networks | |
Gaxiola et al. | Optimization of type-2 fuzzy weights in backpropagation learning for neural networks using GAs and PSO | |
US8700548B2 (en) | Optimization technique using evolutionary algorithms | |
Kumar et al. | Genetic algorithms | |
Örkcü | Subset selection in multiple linear regression models: A hybrid of genetic and simulated annealing algorithms | |
US10387777B2 (en) | Iterative feature selection methods | |
CN104969216B (zh) | 分级潜在变量模型估计设备 | |
Jalali et al. | An advanced short-term wind power forecasting framework based on the optimized deep neural network models | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
Soltanian et al. | Artificial neural networks generation using grammatical evolution | |
Pencheva et al. | Modelling of a stochastic universal sampling selection operator in genetic algorithms using generalized nets | |
Al-Salt | A Comparsion between Genetic Algorithms and Sequential Quadratic Programming in Solving Constrained Optimization Problems | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Zhao et al. | A GA-ANN model for air quality predicting | |
CN115453867A (zh) | 一种鲁棒的自适应大规模气力输送控制方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
AU2021100592A4 (en) | Quantum seeded hybrid evolutionary computational process for constrained optimization | |
Bouaziz et al. | Extended immune programming and opposite-based PSO for evolving flexible beta basis function neural tree | |
Spieth et al. | Feedback memetic algorithms for modeling gene regulatory networks | |
US20200143256A1 (en) | Iterative feature selection methods | |
Qasem et al. | Radial basis function network based on multi-objective particle swarm optimization | |
Farzi | The design of self-organizing evolved polynomial neural networks based on learnable evolution model 3. |
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 |