[发明专利]一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法

权利要求书

1.一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，其特征在于，该方法包括以下步骤：

1)以高分子混合制造过程中挤出效率、挤出质量为研究对象建立目标函数；

2)添加约束条件，具体包括温度上下限，压力上下限，热量平衡；

3)以挤出速度、熔体温度以及压力为决策变量；

4)采用以长短时记忆神经网络LSTM为基础，结合K-fold交叉算法以及GA遗传算法搭建挤出效率、挤出质量模型；

其中，在约束范围内由GA遗传算法生成LSTM神经网络超参数：隐含层神经元个数Units，LSTM训练轮数epochs，隐含层网络层数Layers和随机丢弃参数概率dropout的初始值，确定神经网络的初始网络结构；

5)利用改进的多目标优化混合变异差分进化算法对高分子混合制造过程中的工艺参数进行寻优求解。

2.根据权利要求1所述的Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，其特征在于，步骤(4)的具体过程还包括：

1)剔除原始数据集Data set中的瑕疵数据，对数据集进行归一化预处理，消除量纲和数量级的影响；

通过K-fold交叉算法对数据集进行K折交叉，K＝10；即将数据集划分为10个宽度和维度相同的子集k1,k2,…,k10，建立矩阵Team1，Team2，…，Team10；

Data set＝Team1＝Team2＝...＝Team10   (1)

Data set＝(k1,k2,k3,...,k10)      (2)

2)同时，为更好的代表运算网络超参数选择的优劣性，利用均方误差MSE的均值作为GA遗传算法的目标函数；计算过程如下：

当i＝10时，则代表每次运算所建立的模型结构合理，此时反馈的平均均方误差为：

当i＜10时，则代表建模过程中存在结构不合理，数据集分布不均匀的情况，此时反馈的平均均方误差为：

3)在建模过程中利用损失函数判定训练集和测试集变化趋势以此判定模型的合理性，定义模型的损失函数Loss，公式如下所示：

式中，x_predict表示预测值，x_value表示实际值。

3.根据权利要求1所述的Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，其特征在于，步骤(5)在求解多目标优化问题时需明确优化目标函数，决策变量以及相关约束；其具体数学表达式如下所示：

式中，f(X)为目标函数，F(X)由m个目标函数组成的目标向量；x为决策变量，X由n个决策变量组成的决策向量；和为第k个决策变量x_k的下界和上界；H_i(X)为第i个不等式约束；G_j(X)为第j个等式约束。

4.根据权利要求1所述的Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，其特征在于，步骤(5)多目标优化混合变异差分进化算法包括种群生成、交叉、变异、选择四个过程；在约束范围内生成初始化种群，依据不同的基向量选择方式以及不同的差分向量计算方式对种群进行变异操作，同时为增加种群的多样性，对突变后的种群进行交叉操作；基于Pareto选择的占优机制对可行解进行选择在达到终止条件后停止程序运行输出最优结果。