[发明专利]一种基于GA-NLP方法的软测量建模辅助变量选择方法

摘要

本发明公开了一种基于GA‑NLP方法的软测量建模辅助变量选择方法，该方法在混合整数非线性规划变量选择方法基础上，通过加入验证集的均方误差，从而得到一个新的MINLP优化问题，并将其分成内外两层结构，外层采用遗传算法GA对二元整数变量进行寻优，内层在整数变量固定之后退化成了较易于求解的非线性规划问题NLP。与传统的基于BIC准则的方法进行比较，本发明能找到预测性能更优的辅助变量子集，降低模型的复杂度。

主权项

1.一种基于GA‑NLP方法的软测量建模辅助变量选择方法，其特征在于，包括以下步骤：步骤一：数据预处理，对数据集进行归一化处理，并将数据集按照5:2:3的比例分为训练集、验证集和测试集，训练集、验证集用于辅助变量选择，测试集用于验证所选子集效果。步骤二：通过引入验证集的均方误差，将原MINLP优化重新描述为以训练集BIC准则和验证集MSE准则结合作为目标函数的MINLP优化。步骤三：随机生成种群，即等概率0、1编码的标准化矩阵，矩阵中行向量代表候选变量个数m，列向量代表遗传算法种群大小N。步骤四：对于一组给定的有m个候选辅助变量的训练集，通过遗传算法种群个体固定了一个有p个辅助变量的子集时，将MINLP进一步简化为一个NLP问题：其中，J表示混合准则的值，p为辅助变量数，n₁表示训练集中样本的个数，n₂表示验证集中样本的个数，ε_1,i和ε_2,i为对应于训练集和验证集的模型预测误差，x_ij表示第i个样本中第j个辅助变量的值，y_i表示对应于第i个样本的实际输出；b₀和b_j为待估计的模型参数。步骤五：通过求解NLP问题建立子集模型，计算个体适应度值fval。其中，BIC_train表示基于训练集BIC准则的值，MSE_ver表示基于验证集MSE准则的值。步骤六：计算出种群中所有个体的适应度，并保留适应度最优个体，共R个；其余个体进行交叉和变异操作。步骤七：本轮遗传迭代结束后，求出最佳个体，转到步骤二，开始新一轮的迭代；每一轮求出的最佳个体与上一轮求得的最佳个体比较，较优个体留下。步骤八：达到GA设定迭代次数，则迭代结束。