[发明专利]基于梯度提升决策树和遗传算法的印染定型机能耗优化方法

权利要求书

1.一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于，所述印染定型机能耗优化方法包括以下步骤：

步骤1、获取数据，过程如下：

获取N组定型机生产运行时的下述数据：一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量，以及布料类别、耗电量、耗水量、燃气使用量和订单量，其中，N是大于0的自然数；

步骤2、构建综合能耗模型，设定优化目标函数；

步骤3、使用梯度提升决策树算法进行建模

输入参数如下：

U_f：一号定型机前端湿度；

U_e：一号定型机尾端湿度；

P_gas：一号定型机燃气表压力；

S_c：一号定型机车速；

S_avg：一号定型机排风平均转速；

T_avg：一号定型机烘房平均温度；

T_env：环境温度；

T_gas：一号定型机燃气表温度；

C_type：布料类别；

T_p：流程耗时；

输出参数：

P：定型机综合能耗；

步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值，过程如下：

(4.1)变量参数选定：

选定变量：U_f、U_e、P_gas、T_env、T_gas、C_type、T_p；

控制变量：S_c、S_avg、T_avg、T_gas；

输出变量：P；

求解精度：保留一位小数；

(4.2)将控制变量编码成二进制数，所有控制变量串联成一条染色体，每条染色体占37个二进制位，其中：10个二进制位表示S_c的编码，13个二进制位表示S_avg的编码，9个二进制位表示T_avg的编码，5个二进制位表示T_gas的编码；

(4.3)当输入一组选定变量的值，即U_f、U_e、P_gas、T_env、T_gas、C_type、T_p变量值时，进行控制变量的二进制编码，得到所有可能的控制变量的值，并从所有可能的控制变量的值中随机选取M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas的值；M是大于0的自然数；设置P为适应度值，即每一组的控制变量都对应一个适应度值；

对步骤3得到的梯度提升决策树进行处理，把U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas代入，得到P；

进行M次代入，得到M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；

使用遗传算法在得到的M组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据中，找出适应度值最大的控制变量值，方法如下：

I)染色体的选择：

采用轮盘赌选择法，设P_i为个体i被选择的概率，F_i为个体i的适应度值，则有即个体被选择的概率与个体的适应度值有关；

其中，所述个体i是指一组U_f、U_e、P_gas、T_env、T_gas、C_type、T_p、S_c、S_avg、T_avg、T_gas、P数据；所述j是指第j个个体；所述n是指第n个个体；

II)染色体的交叉：

把两个父代控制变量染色体部分结构进行替换重组形成新的个体，交叉算子根据交叉率将种群中的两个个体随机的交换某些基因，能够产生新的基因；

本遗传算法选择交叉概率为0.6，平均为60％的染色体进行交pos位点前后二进制进行交叉；

III)染色体的变异：

根据变异概率选择变异位点，将二进制位改变；

本遗传算法对1％基因进行变异；

步骤5、把得到的控制变量值设置为定型机生产的工艺参数，使定型机的综合能耗最小。