[发明专利]一种具有重构操作的RNA遗传算法的化工过程建模方法

说明书

技术领域

本发明涉及一种具有重构操作的RNA遗传算法的化工过程建模方法。 

背景技术

化工过程的建模与控制一直是企业和科研机构重点研究的领域之一，它是现代化学工业生产的必不可少环节，而现代工业控制都是以模型为基础，也就是说化工过程的数学模型是控制的核心。研究者根据化工过程的反应机理提出了相应的化工过程模型结构。然而，在这些已知模型结构的化工过程模型中存在很多无法通过直接测量得到的参数，需要使用参数估计方法来估计得到这些未知参数的值，并将这些参数的估计值代入相应的化工过程模型中，从而得到化工过程的数学模型。这些未知参数的估计值对得到的化工过程数学模型的准确性有着重要影响。通过将参数估计问题转化为优化问题，很多传统优化算法被用来估计复杂化工过程的参数，如最小二乘法等。尽管这些传统优化算法的速度较快，但是由于模型的复杂性和非线性等原因，传统优化算法的全局搜索性能不高，容易陷入局部最优点，不宜用于复杂非线性模型的参数估计中。遗传算法(GA)作为一种适应面广，鲁棒性强的随机搜索方法，具有较强的全局搜索能力，特别适合于解决此类问题。然而常规遗传算法(Simple Geneticalgorithm，SGA)是完全以随机性的概率转换机制来代替确定性的机理转换机制，算法搜索效率较低，局部搜索能力差，易早熟。 

为了克服SGA的缺点，研究者将遗传算法与优化算法相结合，形成混合遗传算法来改进SGA的搜索性能。在这些混合遗传算法中，结合DNA计算的DNA遗传算法，继承了DNA计算的并行计算能力和海量的信息存储能力，逐渐得到人们的青睐。DNA遗传算法本质上是一种改进的遗传算法，通过改进遗传算法的操作算子和个体的编码方式来提高遗传算法的搜索性能。由于DNA的双链结构不易于与遗传算法的单个染色体结合，因而出现了使用RNA单链来编码的基于DNA计算的RNA遗传算法。研究证明，基于DNA计算的RNA遗传算法可以提高传统遗传算法的寻优速度，增加种群的多样性。但是这类算法的研究工作处于初期，仍有很多问题有待解决。如：在高维环境下寻优性能较差；在具有高度欺骗性问题上，无法克服模式欺骗，容易陷入局部最优解。 

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于具有重构操作的 RNA遗传算法的化工过程建模方法。 

方法的步骤如下： 

1)通过现场操作或实验获得实际输入输出采样数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为RNA遗传算法寻优搜索时的目标函数； 

2)设定算法运行的最大代数为1000，每个参数编码长度为20，个体编码长度为每个参数编码长度乘参数个数，种群数N为个体编码长度的1.2倍，变异概率为0.02，重构概率为1，重构操作控制参数为10以及算法的终止准则； 

3)运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数，得到化工过程模型中未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。 

所述的算法的终止准则为：算法的运行代数达到最大代数或者算法得到的目标函数值小于0.0001。 

所述的运行具有重构操作的RNA遗传算法对化工过程模型中的未知参数进行估计步骤： 

(a)随机生成包含N个RNA序列的初始种群，每一个RNA序列代表化工过程模型的一组未知参数的可能解，其中每一个未知参数均由字符集{0，1，2，3}编码为一个长度为20的RNA子序列，若有n个未知参数，则一个RNA序列的编码长度为20n，并设置记录种群连续代数的变量β＝0； 

(b)将种群中每一个RNA序列解码为化工过程模型的一组未知参数，并计算这组参数所对应的目标函数值，并将目标函数值转化为对应的适应度值，适应度值最大的个体定义为该代的最优个体，并根据适应度值的大小将种群分为两类，适应度值最大的一半个体组成SuG集合，另一半组成InG集合，同时将最优个体与上一代的最优个体进行比较，如果二者相同，将记录种群连续代数的变量β加1，否则，记录种群连续代数的变量β为0； 

(c)记录种群连续代数的变量β与重构操作控制参数λ进行比较，当β＜λ，进行选择操作、交叉操作和变异操作，生成下一代种群；当β≥λ，进行重构操作，生成下一代种群； 

(d)重复步骤(b)和(c)进行算法迭代，直至满足终止准则；