[发明专利]一种基于加速广义既约梯度的数据协调方法

说明书

本发明提供了一种基于加速广义既约梯度的数据协调方法，属于信息技术领域。对真实工业的双线性金属平衡数据进行协调，首先根据约束方程进行最小代价求解，或使用罚函数法结合改进的粒子群算法进行求解，进行前期加速并得到初始可行解；在此基础上，应用改进的广义既约梯度算法，结合优化选取基变量、优化迭代步长等，进行加速求解，从而得到最终的数据协调结果。本发明能够在保证精度的前提下，快速有效求解双线性数据协调问题，能更好地辅助现场统计人员进行物料、资源以及生产过程的平衡优化工作。

技术领域

本发明属于信息技术领域，涉及到数据协调、智能优化算法等技术，是一种基于加速广义既约梯度算法的数据协调方法。本发明对真实工业的金属平衡数据进行协调，首先根据约束方程进行最小代价求解，或使用罚函数法结合改进的粒子群优化算法进行求解，进行前期加速并得到初始可行解；在此基础上，应用改进的广义既约梯度算法进行加速求解，从而得到最终的数据协调结果。这种数据协调方法可更好地辅助现场统计人员进行物料、资源以及生产过程的平衡优化工作。

背景技术

在有色金属、冶金等行业的实际生产中，每隔一段时间需要对全厂各物料及主要元素进行盘点计算，以确定生产状态及存余情况。理论上，厂内参与生产和流通的各物料应保证其主要元素平衡，即总投入约等于总产出。但由于测量精度不高、人为引入粗大误差、随机误差等因素，造成物料数量及元素品位测量值不准确的情况，进而导致期末盘点时各元素不能保持投入-产出平衡，两者偏差超出合理范围。

对于该类数据协调问题，通常建立基于最小二乘估计的数据协调模型，再对该模型进行求解，进而得到所需数据协调值。在其中核心的数据协调模型求解方面，常见手段包括采用解析的方法，其通过拉格朗日乘子求偏导，直接求解数据协调模型得到最优解；智能优化算法，常用算法有粒子群算法、遗传算法等，其通过罚函数法对数据协调模型进行迭代求解；梯度下降法，其中以投影梯度法(CROWE C M.“Reconciliation of Process FlowRates by Matrix Projection.Part II:The nonlinear case,”AIChE Journal,vol.32(4),pp.616-623,1986)及二次规划法(Tjoa I B,Biegler L T.“Simultaneousstrategies for data reconciliation and gross error detection of nonlinearsystems,”Computers and Chemical Engineering,vol.15(10),pp.679～690,1991)应用最为广泛。

以上方法存在如下不足：首先，解析的方法一般只针对单线性协调问题，而工业生产过程往往是不可降阶的双线性的问题，因而不适用于本发明专利应用场合；其次，虽然智能优化算法适用性较强，但当变量维数较高时，由于在整个变量空间的随机性分布不足，容易陷入局部最优值，无法继续进行收敛计算；再次，梯度下降法虽然可用于求解非线性问题，但其收敛速度较为缓慢，且包括迭代初始解必须为可行解等苛刻要求，难以直接实际应用。

发明内容

本发明主要解决有色金属、冶金等企业生产中的数据协调问题。方法使用采集自现场的真实工业数据，主要提出改进的广义既约梯度(Generalized Reduced Gradient，GRG)算法对数据进行协调，并综合利用最小代价求解、粒子群优化(Particle SwarmOptimization，PSO)算法、基变量的优化选取、优化迭代步长等多种方法对其进行加速。

本发明的技术方案如下：

一种基于加速广义既约梯度的数据协调方法，步骤如下：

(1)结合工业实际建立数据协调模型，根据数据特性选择使用最小代价求解或PSO算法进行计算，替代GRG算法前期计算过程，加速得出较为靠近最优解的初始可行解；

(2)将初始可行解代入GRG算法，基于最大下降速度及可线性求取基变量的原则，优化选取基变量，为GRG加速打下基础；