CN106951983A - 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 - Google Patents

基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 Download PDF

Info

Publication number
CN106951983A
CN106951983A CN201710107962.0A CN201710107962A CN106951983A CN 106951983 A CN106951983 A CN 106951983A CN 201710107962 A CN201710107962 A CN 201710107962A CN 106951983 A CN106951983 A CN 106951983A
Authority
CN
China
Prior art keywords
neural network
output
chromosome
node
individual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710107962.0A
Other languages
English (en)
Inventor
蒋宁
潘凡
徐英杰
高增梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710107962.0A priority Critical patent/CN106951983A/zh
Publication of CN106951983A publication Critical patent/CN106951983A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，对于给定的喷射器，收集相关参数；根据输入输出参数，建立神经网络；设置遗传算法初始参数；建立评价函数；遗传算法处理，不断的对种群中个体进行选择、多父代交叉、变异操作并记录适应度值，达到进化次数上限；适应度最优解对应的染色体即为所建立的多父代BP‑GA神经网络所对应的阈值与权值，对得到的多父代BP‑GA神经网络进行训练，直至预测输出变量的误差小于给定值；测量实际状态下的输入变量，通过喷射器性能预测多父代BP‑GA神经网络得到预测参数，将pc进行反归一化得到多父代BP‑GA神经网络预测出口背压pc实际值。本发明预测精度较高、耗时较短。

Description

基于采用多父代遗传算法的人工神经网络的喷射器性能预测 方法
技术领域
本发明涉及一种喷射器性能预测方法，尤其是一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法。
背景技术
喷射器工作时，由一股压力较高的流体通过工作喷嘴产生真空，并吸入压力较低的流体，混合后通过扩压器提高流体的压力，最终得到中等压力的流体，即将低压流体压力的提升，实现压缩的效果。喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动，无需消耗电力，具有良好的节能减排效果；已广泛应用于化工、热能、制冷、暖通等领域。
临界工作状态下的引射系数(ε)与出口背压(pc)是喷射器最关键的性能参数。但由于喷射器内部流动非常复杂，包括两次壅塞、超音速流动、各类激波、扇形扩散等现象，采用一维物理模型模拟得到的参数精度较低，效果较差，如文献1(W.Chen etal.Theoretical analysis of ejector refrigeration system performance underoverall modes.Applied energy,185-2:2074-2084,2016.，即W.Chen等.全工况下喷射制冷***性能的理论分析.应用能源,185-2:2074-2084,2016.)以及文献2(JM.Cardemil etal.A general model for evaluation of vapor ejectors performance forapplication in refrigeration.Energy Conversion and Management,64:79-86,2012，即JM.Cardemil等.一个用于制冷用蒸汽喷射器性能评估的模型.能量转换与管理,64:79-86,2012.)中所示的，传统模型的平均误差多在5-10％，而最大误差可达15％以上。如采用计算流体力学的方法则耗时过长、也耗费人力物力，不适合设计及相关循环的研究。上述现状对喷射器的设计应用、相关循环研究等工作带来问题。
发明内容
为了克服已有喷射器性能预测方法的预测精度较低、耗时过长的不足，本发明提供了一种预测精度较高、耗时较短的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，包括以下步骤：
步骤一，数据的采集与处理
对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε，对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；
步骤二，神经网络结构的建立
根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数取1～10。判定神经网络的输入层节点数，输出层节点数，选取隐含层节点数、学习率、训练目标、循环次数设置和各层权值初始值；
步骤三，设置遗传算法初始参数
设置种群规模、进化次数、交叉概率和变异概率，将BP神经网络的权值与阈值组成遗传编码，重复运行步骤二中建立的神经网络并记录每次运行完成的遗传编码建立种群；
步骤四，建立评价函数，以每组染色体所构造的神经网络所预测的结果为依据，计算并记录对应的适应度值；
步骤五，遗传算法处理
a.选择操作：在旧群体中以一定概率选择个体用来产生下一代，个体被选中的概率与适应度值有关，适应度的值越好，被选中的概率就越大；
b.多父代交叉操作：b.多父代交叉操作：是指从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；
c.变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
步骤六，将新得到的染色体个体中的遗传编码进行解码，计算适应度，与原种群进行比较，优胜劣汰；重复步骤四-步骤五，不断的对种群中个体进行选择、交叉、变异操作并记录适应度值，达到进化次数上限；适应度最优解对应的染色体即为所建立的多父代BP-GA神经网络所对应的阈值与权值，对得到的多父代BP-GA神经网络进行训练，直至预测输出变量的误差小于给定值；
步骤七，在实际工程应用中，用多父代BP-GA神经网络对某给定的喷射器性能进行预测，测量实际状态下的输入变量，即引射流体压力pe、工作流体压力pp，通过喷射器性能预测多父代BP-GA神经网络得到预测参数，预测参数为出口背压pc，引射系数ε，将pc进行反归一化得到多父代BP-GA神经网络预测出口背压pc实际值。
进一步，所述步骤二中，所述步骤二中，隐含层节点数的选取，学习率取0.1～0.2，训练目标取10-3～10-6，各层权值初始值取[-1,1]之间的随机数。
再进一步，所述步骤三中，设置遗传算法初始参数，令种群规模取N1，进化次数取N2次，交叉概率设为20％～50％，变异概率设为1％～10％，每个个体由神经网络的权值与阈值组成，BP-GA神经网络拓扑结构为l-m-n，即输入层有l个节点，隐含层有m个节点，输出层有n个节点，共有l×m×n个权值，m+n个阈值，所以遗传算法个体染色体编码长度为l×m×n+m+n个；对步骤二建立的人工神经网络进行初步训练，用得到的权值、阈值组成染色体个体，重复N次得到N组染色体的个体并组成种群。
更进一步，所述步骤四中，以每组染色体所构造的神经网络预测的结果为依据，计算并记录所对应的适应度值，预测结果越精确其对应的适应度值越小，适应度计算公式如下：
式中，F为适应度值，k为神经网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；C为系数。
所述步骤五中，选择操作为：采用轮盘赌法选择染色体，使适应度值越优的染色体被选中的概率更大。
式中：pi是选择第i个染色体的概率；
交叉操作为：采用实数交叉法进行交叉操作，在此选取四条父代染色体进行交叉操作。
变异操作为：采用第i个个体的第j个基因aij进行变异操作，变异方法如下：
aij＝aij+(aij-amax)*f(g) r＞0.5
aij＝aij+(amin-aij)*f(g) r≤0.5
式中，r为[0，1]间的随机数，amax为基因的上届，amin为基因的下届；f(g)＝rand×(1-g/Gmax)2；rand为[0，1]间的随机数；g为当前迭代次数；Gmax为最大进化次数。
所述步骤六中，输入训练样本对得到的多父代BP-GA神经网络进行训练的过程如下：
6.1)计算隐含层的输出；
Hj＝f(Sj)
其中l、m、n分别表示输入层节点数，隐含层节点数与输出层节点数，Hj为隐含层输出值，f(x)为传递函数取S型(Sigmoid)函数；
6.2)计算输出层的输出
Yb＝f(U)
Yb为预测输出；
6.3)误差计算，当网络输出与期望输出不等时，存在输出误差ek，公式如下：
ek＝Yk-Ybk
Yk为期望输出；
6.4)权值的更新；
ωjk＝ωjk+ηHjek
6.5)阈值的更新，更具预测误差e更新网络节点阈值A，B；
Bk＝Bk+ek
6.6)调整后的权值重新赋予多父代BP-GA神经网络，重复步骤6.1)-6.5) 直到误差低于训练目标或者循环次数超过设置上限为止，该多父代BP-GA神经网络训练完成。
本发明的技术构思为：遗传(GA)算法是一种模拟自然界遗传机制和生物进化论而成的一种并行随机搜索优化方法，该方法具有良好的全局搜索能力，快速逼近最优结果；BP神经网络则拥有良好的自适应性与自学习能力以及良好的局部寻优能力。因此采用遗传算法建立的BP神经网络预测模型，可以充分利用两者的优点，建立一个精度较高的喷射器性能预测模型。
但是传统的遗传算法是选择群体内的两条染色体进行交叉变异得到进化后的染色体，采用这种方法得到的后代只可能具有两条父代染色体的优点，本发明进一步提出采用多父代遗传算法的人工神经网络，通过对选取多条染色体合成的下一代染色体可以获得多条父代染色体的优点并从中选出最优个体用于神经网络预测模型的建立，因此可以得到更加精确的计算结果。
基于此，本发明提出采用多父代遗传算法的人工神经网络的方法预测喷射器的引射系数(ε)与出口背压(pc)等关键参数，采用该方法无需考虑复杂的流动机理，即可方便快速地获得高精度的预测结果，为喷射器相关的设计制造、循环研究等提供依据。
本发明的有益效果主要表现在：预测精度较高、预测耗时较短。
附图说明
图1是BP神经网络拓扑结构；
图2是多父代BP-GA神经网络预测喷射器性能流程图；
图3是多父代BP-GA神经网络预测结果误差图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于采用多父代遗传算法(GA)的人工神经网络的喷射器性能预测方法，包括以下步骤：
步骤一，数据的采集与处理
对于给定的喷射器，收集相关参数即引射流体压力(Pe)、工作流体压力(Pp)、出口背压(Pc)和引射系数(ε)，为加快神经网络的收敛和减少训练时间，需要对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；
步骤二，神经网络结构的建立
根据输入输出参数，判定神经网络的输入层节点数为2个，输出层节点数也为2个，隐含层节点数的选取依据经验公式取5个，学习率取0.1，训练目标取0.0001，循环次数设置为100次。各层权值初始值取[-1,1]之间的随机数。
步骤三，设置遗传算法初始参数
种群规模为10个，进化次数取50次，交叉概率为40％，变异概率为10％，将BP神经网络的权值与阈值组成遗传编码，重复运行步骤二中建立的神经网络并记录每次运行完成的遗传编码建立种群。
步骤四，建立评价函数，以每组染色体所构造的神经网络所预测的结果为依据，计算并记录对应的适应度值。
步骤五，遗传算法处理
a.选择操作：在旧群体中以一定概率选择个体用来产生下一代，个体被选中的概率与适应度值有关，适应度的值越好，被选中的概率就越大。
b.多父代交叉操作：是指从种群中选择四条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体。
c.变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体。
步骤六，将新得到的染色体个体中的遗传编码进行解码，计算适应度，与原种群进行比较，优胜劣汰。重复步骤四-步骤五，不断的对种群中个体进行选择、多父代交叉、变异操作并记录适应度值，达到进化次数上限。适应度最优解对应的染色体即为所建立的多父代BP-GA神经网络所对应的阈值与权值，对得到的多父代BP-GA神经网络进行训练，直至预测输出变量的误差小于给定值。
步骤七，在实际工程应用中，用多父代BP-GA神经网络对某给定的喷射器性能进行预测，测量实际状态下的输入变量(引射流体压力pe、工作流体压力pp)，通过喷射器性能预测多父代BP-GA神经网络得到预测参数(出口背压pc，引射系数ε)，将pc进行反归一化得到改进BP-GA神经网络预测出口背压pc实际值，公式如下：
x＝k·(xmax-xmin)+xmin。
所述步骤三中，设置遗传算法初始参数，令种群规模取10，进化次数取50次，交叉概率设为40％，变异概率设为10％。每个个体由神经网络的权值与阈值组成，由于本BP-GA神经网络拓扑结构为2-5-2，即输入层有2个节点，输出层有2个节点，隐含层有5个节点，所以共有2×5×2＝20个权值，5+2个阈值，所以本遗传算法个体染色体编码长度为27个。对步骤二建立的人工神经网络进行初步训练，用得到的权值、阈值组成染色体个体，重复十次得到十组染色体的个体并组成种群。
所述步骤四中，建立评价函数。以每组染色体所构造的神经网络预测的结果为依据，计算并记录所对应的适应度值，预测结果越精确其对应的适应度值越小，适应度计算公式如下：
式中，F为适应度值，k为神经网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；C为系数。
所述步骤五中，选择操作为：采用轮盘赌法选择染色体，使适应度值越优的染色体被选中的概率更大。
式中：pi是选择第i个染色体的概率。
多父代交叉操作为：采用实数交叉法进行交叉操作，在此选取四条父代染色体进行交叉操作，将群体中第k1个染色体ak1、第k2个染色体ak2、k3个染色体ak3和第k4个染色体ak4进行交叉操作，方法如下：
ak1＝ak1p1+ak2p2+ak3p3+ak4p4
ak2＝ak2p1+ak1p2+ak3p3+ak4p4
ak3＝ak3p1+ak1p2+ak2p3+ak4p4
ak4＝ak4p1+ak1p2+ak2p3+ak3p4
其中，p1、p2、p3和p4是[0，1]间的随机数且它们的和为1。
变异操作为：采用第i个个体的第j个基因aij进行变异操作，变异方法如下：
aij＝aij+(aij-amax)*f(g) r＞0.5
aij＝aij+(amin-aij)*f(g) r≤0.5
式中，r为[0，1]间的随机数，amax为基因的上届，amin为基因的下届；f(g)＝rand×(1-g/Gmax)2；rand为[0，1]间的随机数；g为当前迭代次数；Gmax为最大进化次数。
所述步骤六中，将新得到的染色体个体中的遗传编码进行解码，得到遗传算法计算过的权值和阈值建立神经网络并训练，根据步骤四的适应度计算公式得到新个体的适应度，与原种群进行比较，优胜劣汰。重复步骤四-五，不断的对种群中个体进行交叉变异操作，并将新产生个体的适应度与原种群适应度进行比较，优胜劣汰，直到达到迭代次数上限。将适应度最优解所对应的染色体个体进行解码，得到权值与阈值用来进行BP-GA神经网络的建立。
所述步骤六中，输入训练样本对得到的BP-GA神经网络进行训练的过程如下：
6.1)计算隐含层的输出。
Hj＝f(Sj)
其中i、j、k分别表示输入层节点数，隐含层节点数与输出层节点数。Hj为隐含层输出值。f(x)为传递函数取S型(Sigmoid)函数。
6.2)计算输出层的输出
Yb＝f(U)
Yb为预测输出。
6.3)误差计算，当网络输出与期望输出不等时，存在输出误差ek，公式如下：
ek＝Yk-Ybk
Yk为期望输出。
6.4)权值的更新。
ωjk＝ωjk+ηHjek
6.5)阈值的更新，更具预测误差e更新网络节点阈值A，B。
Bk＝Bk+ek
6.6)调整后的权值重新赋予BP-GA神经网络，重复步骤6.1)-6.5)直到误差低于训练目标或者循环次数超过设置上限为止，该多父代BP-GA神经网络训练完成。
实例：为更好的体现本发明的效果，现将本发明的方法进行实际运行。采用文献3(IW.Eames et al.A theoretical and experimental study of a small-scale steamjet refrigerator.International journal of refrigeration,18(6):378-386,1995；即IW.Eames等.小型蒸汽喷射制冷机的理论与实验研究.国际制冷学报,18(6):378-386,1995)中的方法获得110组数据，从其中按一定规律随机选取80组数据作为训练样本，运用上述方法进行多次迭代训练得到神经网络。对剩下的30组数据作为测试数据，选取输入样本(引射流体压力pe、工作流体压力pp)采用得到的多父代BP-GA神经网络进行出口背压pc和引射系数ε的预测，将得到的结果与文献结果进行比较，评估该神经网络的预测精度。
具体预测结果与文献值如表1及图3所示。
表1
最后预测结果的平均误差为0.29％，最大误差为1.1％。预测结果比较精确，采用多父代GA-BP神经网络完成的喷射器引射系数与出口背压的预测方法和传统方法如文献1以及文献2中的方法进行比较可以发现，采用传统模型的平均误差多在5-10％，而最大误差可达15％以上。可见采用本专利的方法在保证快速进行预测的前提下，可以大大提升预测精度。

Claims (6)

1.一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：包括以下步骤：
步骤一，数据的采集与处理
对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；
步骤二，神经网络结构的建立
根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数，判定神经网络的输入层节点数，输出层节点数，选取隐含层节点数、学习率、训练目标、循环次数设置和各层权值初始值；
步骤三，设置遗传算法初始参数
设置种群规模、进化次数、交叉概率和变异概率，将BP神经网络的权值与阈值组成遗传编码，重复运行步骤二中建立的神经网络并记录每次运行完成的遗传编码建立种群；
步骤四，建立评价函数，以每组染色体所构造的神经网络所预测的结果为依据，计算并记录对应的适应度值；
步骤五，遗传算法处理
a.选择操作：在旧群体中以一定概率选择个体用来产生下一代，个体被选中的概率与适应度值有关，适应度的值越好，被选中的概率就越大；
b.多父代交叉操作：是指从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；
c.变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
步骤六，将新得到的染色体个体中的遗传编码进行解码，计算适应度，与原种群进行比较，优胜劣汰；重复步骤四-步骤五，不断的对种群中个体进行选择、交叉、变异操作并记录适应度值，达到进化次数上限；适应度最优解对应的染色体即为所建立的多父代BP-GA神经网络所对应的阈值与权值，对得到的多父代BP-GA神经网络进行训练，直至预测输出变量的误差小于给定值；
步骤七，在实际工程应用中，用多父代BP-GA神经网络对某给定的喷射器性能进行预测，测量实际状态下的输入变量，即引射流体压力pe、工作流体压力pp，通过多父代BP-GA神经网络喷射器性能预测模型得到预测参数，预测参数为出口背压pc，引射系数将pc进行反归一化得到改进BP-GA神经网络预测出口背压pc实际值。
2.如权利要求1所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤二中，隐含层节点数的选取，学习率取0.1～0.2，训练目标取10-3～10-6，各层权值初始值取[-1,1]之间的随机数。
3.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤三中，设置遗传算法初始参数，令种群规模取N1，进化次数取N2次，交叉概率设为20％～50％，变异概率设为1％～10％，每个个体由神经网络的权值与阈值组成，BP-GA神经网络拓扑结构为l-m-n，即输入层有l个节点，隐含层有m个节点，输出层有n个节点，共有l×m×n个权值，m+n个阈值，所以遗传算法个体染色体编码长度为l×m×n+m+n个；对步骤二建立的人工神经网络进行初步训练，用得到的权值、阈值组成染色体个体，重复N次得到N组染色体的个体并组成种群。
4.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤四中，以每组染色体所构造的神经网络预测的结果为依据，计算并记录所对应的适应度值，预测结果越精确其对应的适应度值越小，适应度计算公式如下：
式中，F为适应度值，k为神经网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；C为系数。
5.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤五中，选择操作为：采用轮盘赌法选择染色体，
式中：pi是选择第i个染色体的概率；N为种群个体数目；
多父代交叉操作为：采用实数交叉法进行交叉操作，在此选取X条父代染色体进行交叉操作；
变异操作为：采用第i个个体的第j个基因aij进行变异操作，变异方法如下：
aij＝aij+(aij-amax)*f(g) r＞0.5
aij＝aij+(amin-aij)*f(g) r≤0.5
式中，r为[0，1]间的随机数，amax为基因的上届，amin为基因的下届；f(g)＝rand ×(1-g/Gmax)2；rand为[0，1]间的随机数；g为当前迭代次数；Gmax为最大进化次数。
6.如权利要求1或2所述的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，其特征在于：所述步骤六中，输入训练样本对得到的BP-GA神经网络进行训练的过程如下：
6.1)计算隐含层的输出；
Hj＝f(Sj)
其中l、m、n分别表示输入层节点数，隐含层节点数与输出层节点数，Hj为隐含层输出值，f(x)为传递函数取S型(Sigmoid)函数；
6.2)计算输出层的输出
Yb＝f(U)
Yb为预测输出；
6.3)误差计算，当网络输出与期望输出不等时，存在输出误差ek，公式如下：
ek＝Yk-Ybk
Yk为期望输出；
6.4)权值的更新；
ωjk＝ωjk+ηHjek
6.5)阈值的更新，更具预测误差e更新网络节点阈值A，B；
Bk＝Bk+ek
6.6)调整后的权值重新赋予BP-GA神经网络，重复步骤6.1)-6.5)直到误差低于训练目标或者循环次数超过设置上限为止，该多父代BP-GA神经网络训练完成。
CN201710107962.0A 2017-02-27 2017-02-27 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 Pending CN106951983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710107962.0A CN106951983A (zh) 2017-02-27 2017-02-27 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710107962.0A CN106951983A (zh) 2017-02-27 2017-02-27 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Publications (1)

Publication Number Publication Date
CN106951983A true CN106951983A (zh) 2017-07-14

Family

ID=59467772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710107962.0A Pending CN106951983A (zh) 2017-02-27 2017-02-27 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Country Status (1)

Country Link
CN (1) CN106951983A (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909220A (zh) * 2017-12-08 2018-04-13 天津天大求实电力新技术股份有限公司 一种电采暖负荷预测方法
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN108038570A (zh) * 2017-12-08 2018-05-15 云南电网有限责任公司 基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法
CN108280791A (zh) * 2018-02-01 2018-07-13 交通运输部天津水运工程科学研究所 基于潮流变化的污水深海优化排放响应关系确定方法
CN108417032A (zh) * 2018-03-19 2018-08-17 中景博道城市规划发展有限公司 一种城市中心区路边停车需求分析预测方法
CN108460461A (zh) * 2018-02-06 2018-08-28 吉林大学 基于ga-bp神经网络的火星壤剪切参数预测方法
CN108872508A (zh) * 2018-05-08 2018-11-23 苏州科技大学 一种ga-bp优化tsfnn的富营养水质评价方法
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN109117491A (zh) * 2018-06-15 2019-01-01 北京理工大学 一种融合专家经验的高维小数据的代理模型构建方法
CN109242142A (zh) * 2018-07-25 2019-01-18 浙江工业大学 一种面向基础设施网的时空预测模型参数优化方法
CN109284818A (zh) * 2018-09-07 2019-01-29 北方***科技有限公司 一种基于事故树和遗传算法的***振动控制预测方法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN109598092A (zh) * 2018-12-28 2019-04-09 浙江工业大学 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN109829244A (zh) * 2019-02-25 2019-05-31 浙江工业大学 算法优化深度网络和三代遗传算法的风机优化设计方法
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN109918749A (zh) * 2019-02-25 2019-06-21 北京妙微科技有限公司 变学习率网络建模的风机设计二代算法多目标优化方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN110033118A (zh) * 2019-02-25 2019-07-19 浙江工业大学 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN110113836A (zh) * 2018-12-29 2019-08-09 中国计量大学 场景式教室智能照明***、控制装置及优化和控制方法
CN110457758A (zh) * 2019-07-16 2019-11-15 江西理工大学 岩体失稳阶段的预测方法、装置、***以及存储介质
CN110533109A (zh) * 2019-09-03 2019-12-03 内蒙古大学 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及***
CN110889495A (zh) * 2019-12-04 2020-03-17 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN111105027A (zh) * 2018-10-25 2020-05-05 航天科工惯性技术有限公司 一种基于ga算法和bp神经网络的滑坡变形预测方法
CN111126707A (zh) * 2019-12-26 2020-05-08 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111382842A (zh) * 2020-03-06 2020-07-07 佳源科技有限公司 一种高速载波通信动态路由方法及***
CN111461286A (zh) * 2020-01-15 2020-07-28 华中科技大学 基于进化神经网络的Spark参数自动优化***和方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法
CN112330435A (zh) * 2020-09-29 2021-02-05 百维金科(上海)信息科技有限公司 一种基于遗传算法优化Elman神经网络的信用风险预测方法和***
CN112766548A (zh) * 2021-01-07 2021-05-07 南京航空航天大学 基于gasa-bp神经网络的订单完工时间预测方法
CN113012814A (zh) * 2021-03-10 2021-06-22 浙江大学医学院附属邵逸夫医院 一种急性肾损伤容量反应性预测方法及***
CN113449930A (zh) * 2021-07-27 2021-09-28 威海长和光导科技有限公司 一种基于bp神经网络的光纤预制棒制备质量预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN104820977A (zh) * 2015-05-22 2015-08-05 无锡职业技术学院 一种基于自适应遗传算法的bp神经网络图像复原算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN104820977A (zh) * 2015-05-22 2015-08-05 无锡职业技术学院 一种基于自适应遗传算法的bp神经网络图像复原算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
付晓明: "计算机仿真", 《基于多子代遗传算法优化BP神经网络》 *
孙俊 等: "基于MEA-BP神经网络的大米水分含量高光谱技术检测", 《食品科学》 *
黄亮亮: "基于人工神经网络的喷射器性能预测及优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN107909220A (zh) * 2017-12-08 2018-04-13 天津天大求实电力新技术股份有限公司 一种电采暖负荷预测方法
CN108038570A (zh) * 2017-12-08 2018-05-15 云南电网有限责任公司 基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法
CN108280791A (zh) * 2018-02-01 2018-07-13 交通运输部天津水运工程科学研究所 基于潮流变化的污水深海优化排放响应关系确定方法
CN108280791B (zh) * 2018-02-01 2021-07-27 交通运输部天津水运工程科学研究所 基于潮流变化的污水深海优化排放响应关系确定方法
CN108460461A (zh) * 2018-02-06 2018-08-28 吉林大学 基于ga-bp神经网络的火星壤剪切参数预测方法
CN108417032A (zh) * 2018-03-19 2018-08-17 中景博道城市规划发展有限公司 一种城市中心区路边停车需求分析预测方法
CN108872508A (zh) * 2018-05-08 2018-11-23 苏州科技大学 一种ga-bp优化tsfnn的富营养水质评价方法
CN109117491A (zh) * 2018-06-15 2019-01-01 北京理工大学 一种融合专家经验的高维小数据的代理模型构建方法
CN109117491B (zh) * 2018-06-15 2023-04-07 北京理工大学 一种融合专家经验的高维小数据的代理模型构建方法
CN108876054A (zh) * 2018-07-06 2018-11-23 国网河南省电力公司郑州供电公司 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN109242142A (zh) * 2018-07-25 2019-01-18 浙江工业大学 一种面向基础设施网的时空预测模型参数优化方法
CN109242142B (zh) * 2018-07-25 2020-06-26 浙江工业大学 一种面向基础设施网的时空预测模型参数优化方法
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及***
CN109284818A (zh) * 2018-09-07 2019-01-29 北方***科技有限公司 一种基于事故树和遗传算法的***振动控制预测方法
CN111105027A (zh) * 2018-10-25 2020-05-05 航天科工惯性技术有限公司 一种基于ga算法和bp神经网络的滑坡变形预测方法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN109508488B (zh) * 2018-11-07 2022-08-02 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN109598092A (zh) * 2018-12-28 2019-04-09 浙江工业大学 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN109634121B (zh) * 2018-12-28 2021-08-03 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN112533317B (zh) * 2018-12-29 2023-09-08 中国计量大学 一种场景式教室智能照明优化方法
CN110113836A (zh) * 2018-12-29 2019-08-09 中国计量大学 场景式教室智能照明***、控制装置及优化和控制方法
CN112533317A (zh) * 2018-12-29 2021-03-19 中国计量大学 一种场景式教室智能照明优化方法
CN109918749A (zh) * 2019-02-25 2019-06-21 北京妙微科技有限公司 变学习率网络建模的风机设计二代算法多目标优化方法
CN110033118A (zh) * 2019-02-25 2019-07-19 浙江工业大学 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN109829244A (zh) * 2019-02-25 2019-05-31 浙江工业大学 算法优化深度网络和三代遗传算法的风机优化设计方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN110457758A (zh) * 2019-07-16 2019-11-15 江西理工大学 岩体失稳阶段的预测方法、装置、***以及存储介质
CN110457758B (zh) * 2019-07-16 2023-03-24 江西理工大学 岩体失稳阶段的预测方法、装置、***以及存储介质
CN110533109A (zh) * 2019-09-03 2019-12-03 内蒙古大学 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN110889495B (zh) * 2019-12-04 2023-06-23 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN110889495A (zh) * 2019-12-04 2020-03-17 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN111126707B (zh) * 2019-12-26 2023-10-27 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置
CN111126707A (zh) * 2019-12-26 2020-05-08 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置
CN111461286B (zh) * 2020-01-15 2022-03-29 华中科技大学 基于进化神经网络的Spark参数自动优化***和方法
CN111461286A (zh) * 2020-01-15 2020-07-28 华中科技大学 基于进化神经网络的Spark参数自动优化***和方法
CN111382842A (zh) * 2020-03-06 2020-07-07 佳源科技有限公司 一种高速载波通信动态路由方法及***
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111324989B (zh) * 2020-03-19 2024-01-30 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法
CN111814401B (zh) * 2020-07-08 2023-10-27 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法
CN112330435A (zh) * 2020-09-29 2021-02-05 百维金科(上海)信息科技有限公司 一种基于遗传算法优化Elman神经网络的信用风险预测方法和***
CN112766548A (zh) * 2021-01-07 2021-05-07 南京航空航天大学 基于gasa-bp神经网络的订单完工时间预测方法
CN113012814A (zh) * 2021-03-10 2021-06-22 浙江大学医学院附属邵逸夫医院 一种急性肾损伤容量反应性预测方法及***
CN113449930A (zh) * 2021-07-27 2021-09-28 威海长和光导科技有限公司 一种基于bp神经网络的光纤预制棒制备质量预测方法

Similar Documents

Publication Publication Date Title
CN106951983A (zh) 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN106980897A (zh) 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN106960217A (zh) 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
Wang et al. Research on assembly sequence planning and optimization of precast concrete buildings
CN109084415B (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN109492287A (zh) 一种基于bp神经网络的固态电解质离子电导率预测方法
CN109598092A (zh) 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN107067121A (zh) 一种基于多目标的改进灰狼优化算法
CN107657243A (zh) 基于遗传算法优化的神经网络雷达一维距离像目标识别方法
CN105046326B (zh) 基于功图主元分析的抽油机参数优化方法
CN107092255A (zh) 一种基于改进遗传算法的多移动机器人路径规划方法
CN106960075A (zh) 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法
CN106909986A (zh) 一种使用蚁群多目标布局优化模型的土地再开发规划方法
CN105809297A (zh) 一种基于多目标差分进化算法的火电厂环境经济调度方法
CN104616215A (zh) 一种火电厂能效综合评价方法
CN104765690A (zh) 基于模糊遗传算法的嵌入式软件测试数据生成方法
CN106651628A (zh) 基于图论的区域冷热电综合能源优化配置方法及装置
CN105975701A (zh) 一种基于混合模糊模型的并行调度拆卸路径生成方法
CN109886448A (zh) 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法
CN106940068A (zh) 一种基于遗传蚁群算法的水蓄冷空调***节能优化控制策略的确定方法
CN107400935A (zh) 基于改进elm的熔融纺丝工艺的调节方法
CN105046453A (zh) 一种引入云模型进行评价选择的建设工程项目群构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170714