[发明专利]fpRNA遗传算法的重油裂解过程小波神经网络建模方法

摘要

本发明提供一种fpRNA遗传算法的重油裂解过程小波神经网络建模方法，利用花授粉算法的全局搜索算子和局部搜索算子来提高RNA遗传算法的种群多样性和局部搜索能力。重油裂解过程通常呈现复杂非线性等特点，通常拥有众多需要调整的参数，利用小波神经网络来对重油裂解过程动态过程建模，通过混合花授粉策略RNA遗传算法来调整多小波神经网络建模参数，获得重油裂解动态系统模型。建模结果表明通过该方法建立的重油裂解动态系统模型能够很好的反映多变量系统特性。

主权项

1.一种fpRNA遗传算法的重油裂解过程小波神经网络建模方法，其特征在于包括以下步骤:步骤1：获取重油裂解过程的输入数据u_i和输出数据y_i，i＝1,2,3；步骤2：建立重油裂解过程模型，模型中利用三个小波神经网络分别为y₁、y₂和y₃建模；每个小波神经网络拥有三层结构，包括输入层、隐含层和输出层；每个小波神经网络中，设定输入层节点个数为Num，隐含层节点个数为D，输出层节点为1；步骤3:将获得的输入数据和输出数据样本分为两部分，一部分作为训练样本用来训练小波神经网络，另一部分作为测试数据用来测试所训练好的小波神经网络；步骤4:对样本数据进行归一化处理；步骤5:初始化三个小波神经神经网络的权值；步骤6:利用混合花授粉策略RNA遗传算法优化三个小波神经网络的权值，训练过程中将小波神经网络的模型输出与重油裂解过程实际输出之间差值的绝对值之和，作为混合花授粉策略RNA遗传算法的评价函数；所述混合花授粉策略RNA遗传算法的具体步骤为：步骤6.1：初始化参数，包括：种群大小Size，变量编码长度L，求解问题维数Dim；设定置换交叉执行概率P_t，转位和换位交叉执行概率分别为为P_c和(1‑P_c)；自适应变异概率P_mh和P_ml；花授粉局部搜索和全局搜索执行的概率分别为P_L和P_G；最大进化代数为G_max；步骤6.2：将需要求解的Dim个小波神经网络权值编码为RNA遗传算法的种群个体，随机生成大小为Size，编码长度为Dim×L的种群；步骤6.3：根据评价函数计算每个种群的个体的评价函数值，将种群根据评价函数值优劣进行排序；根据比例选择策略选取Size个个体作为交叉操作的初始个体，并从当前种群中选择评价函数值优劣排序中靠前的一半种群(Size/2)个体定义为“中性个体”种群Pop_n，剩余(Size/2)个体定义为“有害个体”种群Pop_w；步骤6.4：只针对“中性个体”种群Pop_n进行交叉操作，操作步骤如下：1)当r1＜P_t时执行置换操作，得到新种群Pop₁，随机数r1∈rand(0,1)；2)当r2＜P_c时执行转位交叉操作，否则执行换位交叉操作，得到新种群Pop₂，随机数r2∈rand(0,1)；其中Pop₁、Pop₂的种群大小与Pop_n相同，均为Size/2；通过交叉操作产生Size个种群个体，得到变异操作的初始种群为Pop_m＝[Pop₁；Pop₂；Pop_w]。步骤6.5：根据自适应变异概率P_mh和P_ml对Po_pm中所有个体执行变异操作，得到新种群Pop₃；步骤6.6：根据评价函数计算Po_p3的种群评价函数值，根据评价函数值优劣将种群排序，将当前种群中评价函数值优劣排序中靠前的一半种群定义为“中性个体”种群，剩余个体定义为“有害个体”种群；将本步骤中的“中性个体”种群执行花授粉局部搜索得到新种群Pop₄；将本步骤中的“有害个体”种群执行花授粉全局搜索操作得到新种群Pop₅；步骤6.7：计算Pop₄和Pop₅的评价函数值；然后判断是否满足终止条件，即达到最大进化代数G_max，如果满足终止条件输出获得的最优小波神经网络参数解；否则，跳转至步骤6.3，执行步骤6.3至6.7直至满足终止条件；步骤7:将步骤6获得的最优权值输入到各小波神经网络中，获得重油裂解过程模型；然后将测试数据输入到重油裂解过程模型中，得到重油裂解过程的输出数据。