[发明专利]一种基于DNA遗传算法的温度传感器优化布置方法

说明书

本发明适用于人工智能和智能优化计算技术领域，提供一种基于DNA遗传算法的温度传感器优化布置方法，所述方法包括：选择温度传感器可能布置的点位，将能耗测量精度和能耗变化敏感度作为优化目标建立多目标优化函数；建立多目标期望值模型并随机模拟求解，结合所述多目标优化函数，得到多目标优化模型；利用DNA遗传算法随机模拟，计算所述多目标优化模型；得到两个优化目标的目标Pareto最优解，反复计算得到一组最优解集，作为深度学习算法输入集，通过深度学习算法寻找更优解。

技术领域

本发明属于人工智能和智能优化计算技术领域，尤其涉及一种基于DNA遗传算法的温度传感器优化布置方法。

背景技术

在智慧城市背景下，大型建筑的能耗监管和节能优化走向了智能化的道路。借助物联网、云计算、大数据等信息技术，可以提供更加全面、准确的数据基础，对我国建筑节能工作的开展具有极其重要的指导意义。其中，传感器采集是获得全面而准确的数据基础的关键，这就涉及到一个核心问题，传感器如何既然采集到足够用的信息而使用数量达到最小的传感器优化布置问题。

传感器优化布置问题实际建筑结构上能够布置传感器的点位为研究对象，属于离散模型，是一个整数规划的组合优化问题。若传感器数量为s个，备选位置为m个，则共有个布置方案，若采用枚举法计算优化目标函数则要计算次，对于规模较小的结构，这种计算方法尚可接受，若对大型大型建筑结构则难以求解。尤其是以温度传感器为典型，其可布置位置多，且对节能降耗而言是个重要的指标，例如通过智能精确的温控，可以保持室内舒适而不出现夏冷冬热，这是节能的关键。此类问题的求解是建立随机整数规划模型，为了不发生维数爆炸，需要采用遗传算法等智能算法求解，DNA遗传算法是求解整数规划的表现良好的遗传算法。

温度空间分布很难直接测量，通常研究多个单点式或超声温度传感器构成传感器测温阵列，进而采用插值或拟合的方式获取温度场信息。传感器布置过多造成传感器数据冗余，成本提高；布置传感器的数量不足又无法充分描述温度场的空间分布信息，对于温度控制的精度有较大的影响。因此，要获得温度场分布情况，就要对传感器数量和测点位置进行优化，利用数量和位置信息进行温度场重构。除此之外，传感器的温度变化敏感度也是衡量传感器布置是否合理的关键。

针对传感器的优化布置方法，现有技术中有 DNA遗传算法以及深度学习方法，随着人工智能的发展，深度学习方法是解决大数据推理的利器。但是针对温度传感器的优化布置，目前的DNA遗传算法以及深度学习仍不能得到进行传感器优化布置的最优目标函数，使得提高温度传感器的测温精度和温度变化敏感度都不够精确，不利于节能降耗。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于DNA遗传算法的深度学习温度传感器优化布置方法，旨在解决现有温度传感器的优化布置模型不够精确的技术问题。

本发明采用如下技术方案：

所述基于DNA遗传算法的深度学习温度传感器优化布置方法包括下述步骤：

步骤S1、选择温度传感器可能布置的点位，将能耗测量精度和能耗变化敏感度作为优化目标建立多目标优化函数；

步骤S2、建立多目标期望值模型并随机模拟求解，结合所述多目标优化函数，得到多目标优化模型；

步骤S3、利用DNA遗传算法随机模拟，计算所述多目标优化模型；

步骤S4、得到两个优化目标的目标Pareto最优解，反复计算得到一组最优解集，作为深度学习算法输入集，通过深度学习算法寻找更优解。