[发明专利]一种基于GA-LS方法的软测量建模辅助变量选择方法

说明书

本发明公开了一种基于GA‑LS方法的软测量建模辅助变量选择方法。该方法对基于混合整数非线性规划的辅助变量选择方法的改进，该方法将MINLP分成内外两层结构，外层采用遗传算法GA对二元整数变量进行寻优，内层在整数变量固定之后退化成了较易于求解的非线性规划问题NLP，在此基础上经过进一步分析提出了基于GA和最小二乘LS的辅助变量选择方法GA‑LS。与传统的基于MINLP的方法进行比较，本发明能极大降低辅助变量选择的时间，以及寻找更好的辅助变量子集，提高模型的预测性能，降低模型的复杂度。

技术领域

本发明涉及工业建模领域，尤其涉及工业过程中难以在线测量的关键过程变量的预测模型建立。

背景技术

近年来，在现代生产过程中，对产品质量的要求越来越高，必须对与产品质量密切相关的关键变量进行实时检测。但是，在线分析仪表价格昂贵、维护保养复杂；而通过离线实验室分析结果存在滞后大等原因，将导致控制质量的性能下降，难以满足生产要求。为了解决这个问题，以推断控制为基础的软测量建模方法及其应用技术取得了广泛的关注。

软测量建模的基本思想就是根据某种最优准则，选择一组与主导变量相关的且易测量的辅助变量，并构造关于辅助变量和主导变量的数学模型，实现对主导变量的在线估计。对于著名国际过程控制专家McaVoy将软测量建模列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。

而辅助变量选择正是软测量建模中关键的一步，近年来，国内外对辅助变量选择进行了大量的研究。2006年，Emet提出直接优化AIC准则，将变量选择描述成一个混合整数非线性规划问题(Mixed Integer Nonlinear Programming,MINLP)，并且通过分支界定法对其进行求解[Emet S.A model identification approach using MINLP techniques[J].WSEAS TRANSACTIONS ON MATHE-MATICS,2006,5(7):347-350]；2017年，Jian等人在MINLP优化问题的基础上，进一步简化，提出了一种嵌套式MIQP的变量选择方法，并且通过分枝切割法对其进行求解[Jian W,Zhu L,Xu Z,Chen X.A variable selection methodfor soft sensor development through mixed integer quadraticprogramming.Chemometrics and Intelligent Laboratory Systems,2017,167:85–95]。上述两种方法都能够找到较优的辅助变量子集，从而建立预测性能良好的预测模型，不过当处理候选变量数量过大的数据集时，两种方法都需要大量的求解时间，前者甚至将难以找到最优解。

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GA-LS方法的软测量建模辅助变量选择方法。

本发明的目的是通过以下技术方案来实现的：一种基于GA-LS方法的软测量建模辅助变量选择方法，包括以下步骤：

步骤一：数据预处理，对数据集进行归一化处理；

步骤二：随机生成种群，即等概率0、1编码的标准化矩阵，矩阵中行向量代表候选变量个数m，列向量代表遗传算法种群大小N。

步骤三：对于一组给定的有m个候选辅助变量的训练集，通过遗传算法种群个体固定了一个有p个辅助变量的子集时，将MINLP优化问题进一步简化为一个NLP问题。由于p已知，故该NLP问题实质为均方误差最小化问题，即最小二乘法求解；

步骤四：通过最小二乘求解建立子集模型，计算个体适应度值fval；

步骤五：计算出种群中所有个体的适应度，并保留适应度最优个体，共R个；其余个体进行交叉和变异操作；