[发明专利]一种利用改进遗传算法实现棉花加工过程智能控制的方法

权利要求书

1.一种利用改进遗传算法实现棉花加工过程智能控制的方法，包括如下步骤：

(1)将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型；

(2)建立棉花品级评判BP神经网络模型：利用大量人工分级后的标准棉样数据，建立6-15-1结构的棉花品级评判BP神经网络模型，实现由棉花特征参数到棉花品级的非线性映射；

(3)建立皮棉综合质量等级评判标准：皮棉综合质量等级由棉花类型、棉花品级和长度等级这三个因素决定，将棉花的综合质量等级与当时市场价格建立联系，得到皮棉的单产毛利润；

(4)建立棉花加工过程非线性多目标静态优化模型：根据棉花加工过程所要求的皮棉质量好、高效率和高产出的要求，建立优化模型为：

maxf(x)＝max[f₁(x₁…x_p…x₁₄) f₂(x₁…x_p…x₁₄) x₁)]^T

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤14

其中：

f₁(x)为加工设备相关的棉花综合质量指标，

f₂(x)为与加工设备相关的棉花衣分指标，

x₁…x_p…x₁₄为系统产量和加工设备的14个参数；

(5)利用线性加权和法建立单目标多变量优化模型：在棉花加工过程多目标优化模型中，皮棉的质量等级、棉花衣分及加工效率直接关系到皮棉的最终收益；利用线性加权和法建立基于棉花加工收益最大化的单目标优化数学模型：

$\max f\left(x\right)=max\left(P_{Rank}\right(R_{Quality}\left(x_1...x_p...x_{14}\right))\·M_{sc}\·\mathrm{\ψ}(x_1...x_p...x_{14})-\frac{M_{SC}\·C_{Time}}{x_1})$

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤14

式中：

x_p为各个加工设备参数，14个设计变量分别为x₁…x_p…x₁₄，

R_Quality为棉花综合质量等级，

P_Rank为棉花单价，

M_SC为籽棉重量，

ψ为棉花衣分，

C_Time为每小时的加工成本，

x₁为棉花单产量，

M_SC·ψ为合格皮棉产出量，

M_SC/x₁加工总用时；

(6)利用改进遗传算法实现棉花加工过程智能控制。

2.根据权利要求1所述的方法，其特征在于，所述步骤(6)利用改进遗传算法实现棉花加工过程智能控制，具体步骤为：

(6-1)基于基因组的混合实数编码：将各个加工设备抽象为基因组，将若干个按照加工顺序依次排列的加工设备基因组构成一条染色体，每个加工设备基因组包含该设备的变量参数和使用与否的离散变量0、1；

(6-2)将目标函数直接作为适应度函数：

适应度函数为：

$f\left(x\right)=P_{Rank}\left(R_{Quality}\right(x_1...x_p...x_{16}\left)\right)\·M_{sc}\·\mathrm{\ψ}(x_1...x_p...x_{16})-\frac{M_{SC}\·C_{Time}}{x_1}$

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤16

式中：x_p表示加工过程中各设备的16个参数；

(6-3)根据棉花轧花机加工后皮棉中不含有重杂的条件，利用惩罚函数法计算约束条件的满足情况；

如果不满足约束条件，跳过后续计算，直接将该方案的适应值置零，进行惩罚；

对个体适应度的调整方式为：

式中：f(x)为原适应度，F(x)为经惩罚函数法调整后的适应度；

(6-4)利用专家经验构造初始种群：

棉花加工过程中，以往的加工经验非常重要，选取5组经验方案加入遗传算法的初始种群中；因为待加工的棉花是在货场成堆存放，一批棉花的性状参数变化不大，所有将遗传算法迭代计算过程中的前2个周期的控制方案一并加入到初始种群中；为了发挥遗传算法的多方向搜索优点，利用随机方式生成遗传算法种群的剩余个体；

(6-5)基于适应度排序的改进遗传算法：

根据棉花加工系统自身的特点，构造两个染色体H_m(x)与H_n(x)的相似度系数S_mn：

$S_{mn}=\sqrt{\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}{\left(\frac{x_{pm}-x_{pn}}{x_{p\max }-x_{p\min }}\right)}^2}$

式中：P＝16；x_pm、x_pn分别为染色体H_m(x)与H_n(x)的各个基因位，且x_{p min}≤x_pm，x_pn≤x_{p max}；

在算法中，设N为种群中个体的数量，F(H_j(x))为染色体H_j(x)的原始适应度经惩罚函数法调整后的最终适应度值，则种群中个体的适应度平均值F_Mean为：

$F_{Mean}=\frac{\underset{j=1}{\overset{N}{\Σ}}F\left(H_j\right(x\left)\right)}{N}$

在群体中选取适应度大于F_Mean的个体两两进行相似度计算，设S_GA为相似度判断的一个阈值，当S_mn＜S_GA时，即认为这两个个体相似。