[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

说明书

本发明涉及一种Kfold‑LSTM混合变异寻优高分子混合制造多目标优化方法，对高分子混合制造的工艺过程中挤出效率、挤出质量进行多目标优化。首先以长短时记忆神经网络为基础，结合K‑fold交叉算法以及遗传算法搭建挤出效率、挤出质量模型，解决模型泛化能力不足的问题。设置参数筛选环节，剔除寻优过程中不合理的网络结构，提高建模运算速度。其次采用改进的混合变异差分进化多目标优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。利用混合变异策略平衡模型的全局搜索能力和局部搜索能力，提高种群的分布性和多样性。本发明从LSTM神经网络建模方法以及多目标优化差分算法两个方面进行改进。对提高高分子混合制造的工艺过程最优化控制具有至关重要的作用。

技术领域

本发明属于高分子混合制造技术领域，具体涉及一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法。

背景技术

高分子混合制造的工艺过程具有非线性、时滞性、耦合性等特点。同时，生产过程中运行数据可获得样本数量较少的问题，使得高分子混合制造工艺参数的建模变得尤为困难。此外常规的多目标优化差分进化算法的变异是基于差分向量的，算法本身包含的可控参数较少，因此可控参数对算法的性能有着直接的影响。如果可控参数选取不合理则在进化过程中会形成大量的劣质解；差分进化过程中变异率F和交叉率Cr往往被设定为固定参数或随进化代数线性变化，不能很好地适应优化需求；差分进化算法局部搜索能力较弱。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，以解决上述背景技术中提出的问题。

按照本发明提供的技术方案，一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法，所述的一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法包括以下步骤：

1)根据高分子混合制造的工艺过程中挤出效率、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；

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。

本发明技术方案中，所述以长短时记忆神经网络为基础，结合K-fold交叉算法以及GA遗传算法挤出效率、挤出质量模型具体包括：

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值的选取一般有两种取法：K＝10或K＝n，当K＝n时运算量极大，因此本文设定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i10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：