CN109932903A - 多父代优化网络和遗传算法的风机控制多目标优化方法 - Google Patents

Abstract

一种多父代优化网络和遗传算法的风机控制多目标优化方法，包括以下步骤：步骤一：采集操作变量，给定风压和风量变化范围，根据风机实际运行要求选取风机运行效率和风压或效率和风量这两种组合中的某一种组合，并令为目标变量；步骤二：建立GA优化的多父代BP神经网络预测模型；步骤三：建立二代遗传算法模型，采用非支配排序算子、拥挤度比较算子和精英策略设计算子；步骤四：通过所建立的GA优化的多父代BP神经网络模型对风机的风压、效率和风量进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿，并将其反归一化后的操作变量反馈给风机的控制部件，使风机操作参数进行相应调整。本发明精度较高、效果较好、耗时较短。

Description

多父代优化网络和遗传算法的风机控制多目标优化方法

技术领域

本发明属于风机运行过程的控制技术和工业过程的模拟仿真领域，涉及一种风机运行控制的多目标优化方法。

背景技术

风机是一种从动的流体机械，作用是提升气体压力并进行运送。其广泛应用于工厂、车辆、建筑物的通风，家用电器设备的冷却等。

如果能够有效的对风机进行控制，扩大高效率范围扩大以提高其效率，降低机械能的消耗，将有工业设备和家用设备的节能减排。其中，风机各控制参数的改变对风机性能是一种综合效应。即当各操作参数改变时，风机各目标参数的变化趋势并不一致。而我们不仅是优化效率，同时也是对风压和风量的优化。因为风量越大，空气分子的流动性越好。风压越大，空气分子局部密度越大，空气分子能流向更远处。但是，随着流速增大时，阻力也增大，使局部和流动的损失增加，效率降低。所以我们要在满足实际工作的要求下，获得一组最优的控制参数组合。

风机的运行过程是一个紊乱的流体流动过程和复杂的能量传递过程。传统的多目标计算实际是对单目标计算的加权计算，权值的取值与工作人员经验有很大关联，难以实现最精确、高效的控制。若通过CFD方法即计算流体力学，以电子计算机为工具，应用各种离散化的数学方法，得到控制方程的近似解，其过程不仅复杂而且耗时较长，在现场控制时我们需要在在几秒钟内给出结果时，并不适用。而目前的智能优化算法包括遗传算法、粒子群算法等拥有快速的全局寻优能力，已广泛用于解决多目标优化问题。

发明内容

为了克服已有风机控制方法的精度较低、效果较差、耗时较长等不足之处，本发明提供一种精度较高、效果较好、耗时较短的多父代优化网络和遗传算法的风机控制多目标优化方法。

本发明解决其技术问题所采用的技术方案是：

一种多父代优化网络和遗传算法的风机控制多目标优化方法，包括以下步骤：

步骤一：采集对风机运行效率和风压或效率和风量影响非常大的操作变量，并给定风压和风量变化范围，再根据风机实际运行要求选取风机运行效率和风压或效率和风量这两种组合中的某一种组合，并令为目标变量，其中操作变量和目标变量所组成的数据样本通过实验获得；

步骤二：建立GA优化的多父代BP神经网络预测模型，模型中以操作变量为输入变量、目标变量为输出变量，以数据样本进行训练，完成模型的建立，其中通过GA算法赋予BP神经网络初始的权值和阈值；

步骤三：建立二代遗传算法模型，其中采用非支配排序算子、拥挤度比较算子和精英策略设计算子；

步骤四：通过所建立的GA优化的多父代BP神经网络模型对风机的风压、效率和风量进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿，并将其反归一化后的操作变量反馈给风机的控制部件，使风机操作参数进行相应调整。

进一步，所述步骤一中，所述的变量选取如下：选择动叶安装角、转速作为操作变量，并令为神经网络模型的输入变量；选择效率和风压或效率和风量的一种组合作为目标变量，并令为神经网络模型的输出变量；其中，组合的选取由风机运行的实际要求来确定。

再进一步，所述步骤二中，对GA优化的多父代BP神经网络模型的建立、初始化、训练过程如下：先对样本数据进行处理。然后通过多父代遗传算法对BP神经网络的初始权值和阈值进行计算并带入，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值；最后，根据BP神经网络中权值与阈值的更新公式，改变神经网络权值与阈值；经过若干次循环，若误差处于要求的误差范围或已到达最大进化次数，则训练停止。

所述步骤二的处理步骤如下：

2.1数据的采集与处理

收集步骤一种相关参数即动叶安装角、转速、效率、风量或风压，对动叶安装角、转速和风量或风压进行归一化处理，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，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

2.2数据的分类

将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；

2.3神经网络结构的建立

假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；令隐含层层数为一层，节点数根据经验公式：其中s为常数取1～10，循环次数设置为N次。输入层到隐含层的权值为w_ij，隐含层到输出层的权值为w_jk，输入层到隐含层的阈值为a_j，隐含层到输出层的阈值为b_k，各层权值初始值取[-1,1]之间的随机数，学习速率为η取0.1～0.2。激励函数为g(x)，其中激励函数取Sigmoid函数，形式为：

2.4设置遗传算法初始参数

设置遗传算法初始参数，令种群规模取N，最大迭代次数取G，交叉概率设为20％～50％，变异概率设为1％～10％，将BP神经网络输入层与隐含层的权值和阈值、隐含层和输出层的权值和阈值按顺序连接起来，并采用实数编码方式，随机产生N个染色体，形成初始化种群Pt；由于BP-GA神经网络拓扑结构为n-l-m，即输入层有n个节点，隐含层有l个节点，输出层有m个节点，共有l×(m+n)个权值，m+l个阈值，所以遗传算法个体染色体编码长度为l×(m+n)+m+l个；

2.5适应度函数

取均方误差函数作为适应度函数，如下：

以上公式中，i＝1...n，j＝1...l，k＝1...m，O_k为预测输出，Y_k为实际输出；

2.6遗传算法处理，过程如下：

2.6.1选择操作：在原种群中以一定概率来选择新种群的个体，其中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，采用轮盘赌法；

2.6.2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，采用实数交叉法；

2.6.3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；

2.7循环与判断

重复2.5～2.6，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；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，判断是否达到迭代上限G，如果符合就转向2.8；否则转向2.5，继续循环迭代；

2.8神经网络的训练

多父代遗传算法最优解所对应的染色体的解码值即为所建立的多父代BP-GA神经网络所对应的初始阈值与权值，过程如下：

2.8.1信号的正向传播

2.8.1.1计算隐含层的输出；

x_i为输入层的输入的数据，H_j为隐含层结点的输出；

2.8.1.2计算输出层的输出

O_k为输出层结点的输出；

2.8.1.3误差计算，当网络输出与期望输出不等时，存在输出误差e_k，公式如下：

e_k＝(Y_k-O_k)O_k(1-O_k)

Y_k为实际输出；

2.8.1.4如果输出误差小于规定误差则结束训练，否则进入8.2；

2.8.2信号(误差)的反向传播

2.8.2.1权值的更新；

ω_jk＝ω_jk+ηH_je_k

2.8.2.2阈值的更新，更具预测误差e更新网络节点阈值A，B；

b_k＝b_k+ηe_k

2.8.2.3重复步骤2.8.1-2.8.2直到误差低于规定误差或者循环次数超过设置上限N为止，该GA优化的多父代BP神经网络训练完成；否则返回2.8.1，继续进行训练；

2.9完成所有训练集的数据训练后，用测试集的数据对GA优化的多父代BP神经网络进行测试。若误差在规定范围内，则GA优化的多父代BP神经网络完成建模，即神经网络模型的输入和输出满足映射关系。

所述步骤三中，二代遗传算法的步骤如下：

3.1生成父代种群Pt，种群大小为N；

3.2计算父代种群Pt中个体的非支配级别、拥挤距离；

3.3再进行选择、交叉、变异，生产初代子群Qt；

3.4将初代子群Qt和父代种群Pt合并，生成新父代种群Pt+1，种群大小为2N；

3.5计算新父代种群Pt+1中个体的非支配级别、拥挤距离；

3.6对新父代种群Pt+1进行选择、交叉、变异，生成新父代子群Qt+1，种群大小为N；

3.7判断进化代数是否小于最大代数G。若否，则输出Qt+1；若是，则t＝t+1，回到第四步继续进行循环。

进一步，所述第一步中，种群编码方式采用二进制编码，种群规模设为N、进化代数设为t、交叉概叉概率设为20％～50％，变异概率设为1％～10％。

再进一步，所述第二步和第五步中，采用快速非支配排序算子和拥挤度比较算子，作用是选择出优秀个体，将神经网络模型的预测值作为二代遗传算法中目标函数值得计算。

其中，快速非支配排序的原理为：首先找出种群中非支配解集，记为第一非支配层F1，其非支配序数为irank＝1，并将F1除去再找出剩下的种群的非支配解集，记为F2，依次如此；非支配序数较高的个体优先被选取。

拥挤度是指目标空间上与i相邻的2个个体i+1和i-1之间的距离，在同一非支配层F(i)中，利用这两个属性作为个体胜出标准，使准Paroet域中的个体能扩展到整个Pareto域，均匀分布，保持了种群的多样性。

更进一步，所述第三步和第六步中，选择是指通过快速非支配排序算子、拥挤度比较算子进行选择；交叉是指通过染色体的交叉组合，产生新的个体；变异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。

再更进一步，所述第四步中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和拥挤度比较算子进行选择，产生下一代种群；这有利于保持父代中的优良个体进入下一代，保证种群中的最优个体不会丢失。

所述步骤四中，先通过对数据样本的训练，建立GA优化的多父代BP神经网络模型，该模型拟合出了良好的输入和输出变量的映射关系；然后将神经网络的预测值用于二代遗传算法中目标函数值的求取；最后通过二代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点；由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的操作变量值进行反归一化处理，转化为真实值，其公式如下：x＝k·(x_max-x_min)+x_min。

本发明的技术构思为：不仅需要选取合适的算法，还需要有对目标变量的预测模型。人工神经网络通过仿生学，对生物神经网络进行抽象并建立简单模型，其具有高度的非线性映射能力，自学习能力等已应用于很多领域。其中，GA优化的多父代BP神经网络可以减少搜索的空间，提高搜索的效率，获得更精确的预测值。将遗传算法和GA优化的多父代BP神经网络结合，能够有效的提高算法收敛速度和参数的精确度，快速获得最优的控制变量数值，对风机进行高效的控制。

本发明的有益效果主要表现在：GA优化的多父代BP神经网络模型中对于BP神经网络中初始权值和阈值的选取通过多父代遗传算法而得出，其中多父代遗传交叉可以提高种群的多样性，收敛性提高。所以，该模型缩小了搜索空间、降低了训练时间。

将GA优化的多父代BP神经网络的高效局部寻优能力和二代遗传算法的全局寻优能力进行结合，可以快速且高效的获得pareto前沿与对应操作参数的值即最佳的转速和动叶安装角，实现风机的高效控制。

附图说明

图1是本发明的多父代优化网络和遗传算法的风机控制多目标优化方法的流程图。

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1，一种多父代优化网络和遗传算法的风机控制多目标优化方法法，包括以下步骤：

步骤一：采集对风机运行效率和风压或效率和风量影响非常大的操作变量，并给定风压和风量变化范围，再根据风机实际运行要求选取风机运行效率和风压或效率和风量这两种组合中的某一种组合，并令为目标变量，其中操作变量和目标变量所组成的数据样本通过实验获得；

步骤二：建立GA优化的多父代BP神经网络预测模型，模型中以操作变量为输入变量、目标变量为输出变量，以数据样本进行训练，完成模型的建立，其中通过GA算法赋予BP神经网络初始的权值和阈值；

步骤三：建立二代遗传算法模型，其中采用非支配排序算子、拥挤度比较算子和精英策略设计算子；

步骤四：通过所建立的GA优化的多父代BP神经网络模型对风机的风压、效率和风量进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿，并将其反归一化后的操作变量反馈给风机的控制部件，使风机操作参数进行相应调整。

进一步，所述步骤一中，所述的变量选取如下：选择动叶安装角、转速作为操作变量，并令为神经网络模型的输入变量；选择效率和风压或效率和风量的一种组合作为目标变量，并令为神经网络模型的输出变量；其中，组合的选取由风机运行的实际要求来确定。

再进一步，所述步骤二中，对GA优化的多父代BP神经网络模型的建立、初始化、训练过程如下：先对样本数据进行处理。然后通过多父代遗传算法对BP神经网络的初始权值和阈值进行计算并带入，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值；最后，根据BP神经网络中权值与阈值的更新公式，改变神经网络权值与阈值；经过若干次循环，若误差处于要求的误差范围或已到达最大进化次数，则训练停止。

所述步骤二的处理步骤如下：

2.1数据的采集与处理

收集步骤一种相关参数即动叶安装角、转速、效率、风量或风压，对动叶安装角、转速和风量或风压进行归一化处理，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，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

2.2数据的分类

将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；

2.3神经网络结构的建立

假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；令隐含层层数为一层，节点数根据经验公式：其中s为常数取1～10，循环次数设置为N次。输入层到隐含层的权值为w_ij，隐含层到输出层的权值为w_jk，输入层到隐含层的阈值为a_j，隐含层到输出层的阈值为b_k，各层权值初始值取[-1,1]之间的随机数，学习速率为η取0.1～0.2。激励函数为g(x)，其中激励函数取Sigmoid函数，形式为：

2.4设置遗传算法初始参数

设置遗传算法初始参数，令种群规模取N，最大迭代次数取G，交叉概率设为20％～50％，变异概率设为1％～10％，将BP神经网络输入层与隐含层的权值和阈值、隐含层和输出层的权值和阈值按顺序连接起来，并采用实数编码方式，随机产生N个染色体，形成初始化种群Pt；由于BP-GA神经网络拓扑结构为n-l-m，即输入层有n个节点，隐含层有l个节点，输出层有m个节点，共有l×(m+n)个权值，m+l个阈值，所以遗传算法个体染色体编码长度为l×(m+n)+m+l个；

2.5适应度函数

取均方误差函数作为适应度函数，如下：

以上公式中，i＝1...n，j＝1...l，k＝1...m，O_k为预测输出，Y_k为实际输出；

2.6遗传算法处理，过程如下：

2.6.1选择操作：在原种群中以一定概率来选择新种群的个体，其中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，采用轮盘赌法；

2.6.2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，采用实数交叉法；

2.6.3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；

2.7循环与判断

重复2.5～2.6，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；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，判断是否达到迭代上限G，如果符合就转向2.8；否则转向2.5，继续循环迭代；

2.8神经网络的训练

多父代遗传算法最优解所对应的染色体的解码值即为所建立的多父代BP-GA神经网络所对应的初始阈值与权值，过程如下：

2.8.1信号的正向传播

2.8.1.1计算隐含层的输出；

x_i为输入层的输入的数据，H_j为隐含层结点的输出；

2.8.1.2计算输出层的输出

O_k为输出层结点的输出；

2.8.1.3误差计算，当网络输出与期望输出不等时，存在输出误差e_k，公式如下：

e_k＝O_k-Y_k

Y_k为实际输出；

2.8.1.4如果输出误差小于规定误差则结束训练，否则进入8.2；

2.8.2信号(误差)的反向传播

2.8.2.1权值的更新；

ω_jk＝ω_jk-ηH_je_k

2.8.2.2阈值的更新，更具预测误差e更新网络节点阈值A，B；

B_k＝B_k-e_k

2.8.2.3重复步骤2.8.1-2.8.2直到误差低于规定误差或者循环次数超过设置上限N为止，该GA优化的多父代BP神经网络训练完成；否则返回2.8.1，继续进行训练；

2.9完成所有训练集的数据训练后，用测试集的数据对GA优化的多父代BP神经网络进行测试。若误差在规定范围内，则GA优化的多父代BP神经网络完成建模，即神经网络模型的输入和输出满足映射关系。

所述步骤三中，二代遗传算法的步骤如下：

3.1生成父代种群Pt，种群大小为N；

3.2计算父代种群Pt中个体的非支配级别、拥挤距离；

3.3再进行选择、交叉、变异，生产初代子群Qt；

3.4将初代子群Qt和父代种群Pt合并，生成新父代种群Pt+1，种群大小为2N；

3.5计算新父代种群Pt+1中个体的非支配级别、拥挤距离；

3.6对新父代种群Pt+1进行选择、交叉、变异，生成新父代子群Qt+1，种群大小为N；

3.7判断进化代数是否小于最大代数G。若否，则输出Qt+1；若是，则t＝t+1，回到第四步继续进行循环。

进一步，所述第一步中，种群编码方式采用二进制编码，种群规模设为N、进化代数设为t、交叉概叉概率设为20％～50％，变异概率设为1％～10％。

再进一步，所述第二步和第五步中，采用快速非支配排序算子和拥挤度比较算子，作用是选择出优秀个体，将神经网络模型的预测值作为二代遗传算法中目标函数值得计算。

其中，快速非支配排序的原理为：首先找出种群中非支配解集，记为第一非支配层F1，其非支配序数为irank＝1，并将F1除去再找出剩下的种群的非支配解集，记为F2，依次如此；非支配序数较高的个体优先被选取。

拥挤度是指目标空间上与i相邻的2个个体i+1和i-1之间的距离，在同一非支配层F(i)中，利用这两个属性作为个体胜出标准，使准Paroet域中的个体能扩展到整个Pareto域，均匀分布，保持了种群的多样性。

更进一步，所述第三步和第六步中，选择是指通过快速非支配排序算子、拥挤度比较算子进行选择；交叉是指通过染色体的交叉组合，产生新的个体；变异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。

再更进一步，所述第四步中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和拥挤度比较算子进行选择，产生下一代种群；这有利于保持父代中的优良个体进入下一代，保证种群中的最优个体不会丢失。

所述步骤四中，先通过对数据样本的训练，建立GA优化的多父代BP神经网络模型，该模型拟合出了良好的输入和输出变量的映射关系；然后将神经网络的预测值用于二代遗传算法中目标函数值的求取；最后通过二代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点；由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的操作变量值进行反归一化处理，转化为真实值，其公式如下：x＝k·(x_max-x_min)+x_min。

Claims (10)

1.一种多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述方法包括以下步骤：

步骤一：采集对风机运行效率和风压或效率和风量影响非常大的操作变量，并给定风压和风量变化范围，再根据风机实际运行要求选取风机运行效率和风压或效率和风量这两种组合中的某一种组合，并令为目标变量，其中操作变量和目标变量所组成的数据样本通过实验获得；

步骤二：建立GA优化的多父代BP神经网络预测模型，模型中以操作变量为输入变量、目标变量为输出变量，以数据样本进行训练，完成模型的建立，其中通过GA算法赋予BP神经网络初始的权值和阈值；

步骤三：建立二代遗传算法模型，其中采用非支配排序算子、拥挤度比较算子和精英策略设计算子；

步骤四：通过所建立的GA优化的多父代BP神经网络模型对风机的风压、效率和风量进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿，并将其反归一化后的操作变量反馈给风机的控制部件，使风机操作参数进行相应调整。

2.如权利要求1所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述步骤一中，所述的变量选取如下：选择动叶安装角、转速作为操作变量，并令为神经网络模型的输入变量；选择效率和风压或效率和风量的一种组合作为目标变量，并令为神经网络模型的输出变量；其中，组合的选取由风机运行的实际要求来确定。

3.如权利要求1或2所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述步骤二中，对GA优化的多父代BP神经网络模型的建立、初始化、训练过程如下：先对样本数据进行处理；然后通过多父代遗传算法对BP神经网络的初始权值和阈值进行计算并带入，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值；最后，根据BP神经网络中权值与阈值的更新公式，改变神经网络权值与阈值；经过若干次循环，若误差处于要求的误差范围或已到达最大进化次数，则训练停止。

4.如权利要求3所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述步骤二的处理步骤如下：

2.1数据的采集与处理

收集步骤一种相关参数即动叶安装角、转速、效率、风量或风压，对动叶安装角、转速和风量或风压进行归一化处理，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，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

2.2数据的分类

将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；

2.3神经网络结构的建立

假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；令隐含层层数为一层，节点数根据经验公式：其中s为常数取1～10，循环次数设置为N次，输入层到隐含层的权值为w_ij，隐含层到输出层的权值为w_jk，输入层到隐含层的阈值为a_j，隐含层到输出层的阈值为b_k，各层权值初始值取[-1,1]之间的随机数，学习速率为η取0.1～0.2，激励函数为g(x)，其中激励函数取Sigmoid函数，形式为：

2.4设置遗传算法初始参数

设置遗传算法初始参数，令种群规模取N，最大迭代次数取G，交叉概率设为20％～50％，变异概率设为1％～10％，将BP神经网络输入层与隐含层的权值和阈值、隐含层和输出层的权值和阈值按顺序连接起来，并采用实数编码方式，随机产生N个染色体，形成初始化种群Pt；由于BP-GA神经网络拓扑结构为n-l-m，即输入层有n个节点，隐含层有l个节点，输出层有m个节点，共有l×(m+n)个权值，m+l个阈值，所以遗传算法个体染色体编码长度为l×(m+n)+m+l个；

2.5适应度函数

取均方误差函数作为适应度函数，如下：

以上公式中，i＝1...n，j＝1...l，k＝1...m，O_k为预测输出，Y_k为实际输出；

2.6遗传算法处理，过程如下：

2.6.1选择操作：采用轮盘赌法；

2.6.2多父代交叉操作：采用实数交叉法；

2.6.3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；

2.7循环与判断

重复2.5～2.6，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；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，判断是否达到迭代上限G，如果符合就转向2.8；否则转向2.5，继续循环迭代；

2.8神经网络的训练

多父代遗传算法最优解所对应的染色体的解码值即为所建立的多父代BP-GA神经网络所对应的初始阈值与权值；

2.9完成所有训练集的数据训练后，用测试集的数据对GA优化的多父代BP神经网络进行测试，若误差在规定范围内，则GA优化的多父代BP神经网络完成建模，即神经网络模型的输入和输出满足映射关系。

5.如权利要求4所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述2.8中，神经网络的训练的过程如下：

2.8.1信号的正向传播

2.8.1.1计算隐含层的输出；

x_i为输入层的输入的数据，H_j为隐含层结点的输出；

2.8.1.2计算输出层的输出

O_k为输出层结点的输出；

2.8.1.3误差计算，当网络输出与期望输出不等时，存在输出误差e_k，公式如下：

e_k＝O_k-Y_k

Y_k为实际输出；

2.8.1.4如果输出误差小于规定误差则结束训练，否则进入8.2；

2.8.2信号的反向传播

2.8.2.1权值的更新；

ω_jk＝ω_jk-ηH_je_k

2.8.2.2阈值的更新，更具预测误差e更新网络节点阈值A，B；

B_k＝B_k-e_k

2.8.2.3重复步骤2.8.1-2.8.2直到误差低于规定误差或者循环次数超过设置上限N为止，该GA优化的多父代BP神经网络训练完成；否则返回2.8.1，继续进行训练。

6.如权利要求1或2所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述步骤三中，二代遗传算法的步骤如下：

3.1生成父代种群Pt，种群大小为N；

3.2计算父代种群Pt中个体的非支配级别、拥挤距离；

3.3再进行选择、交叉、变异，生产初代子群Qt；

3.4将初代子群Qt和父代种群Pt合并，生成新父代种群Pt+1，种群大小为2N；

3.5计算新父代种群Pt+1中个体的非支配级别、拥挤距离；

3.6对新父代种群Pt+1进行选择、交叉、变异，生成新父代子群Qt+1，种群大小为N；

3.7判断进化代数是否小于最大代数G。若否，则输出Qt+1；若是，则t＝t+1，回到第四步继续进行循环。

7.如权利要求1或2所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述第一步中，种群编码方式采用二进制编码，种群规模设为N、进化代数设为t、交叉概叉概率设为20％～50％，变异概率设为1％～10％。

8.如权利要求1或2所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，

所述第二步和第五步中，采用快速非支配排序算子和拥挤度比较算子，作用是选择出优秀个体，将神经网络模型的预测值作为二代遗传算法中目标函数值得计算。

9.如权利要求8所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，所述第三步和第六步中，选择是指通过快速非支配排序算子、拥挤度比较算子进行选择；交叉是指通过染色体的交叉组合，产生新的个体；变异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。

10.如权利要求1或2所述的多父代优化网络和遗传算法的风机控制多目标优化方法，其特征在于，

所述第四步中，采用精英策略设计算子，即将父代种群与其产生的子代种群组合，通过快速非支配排序算子和拥挤度比较算子进行选择，产生下一代种群；

所述步骤四中，先通过对数据样本的训练，建立GA优化的多父代BP神经网络模型，该模型拟合出了良好的输入和输出变量的映射关系；然后将神经网络的预测值用于二代遗传算法中目标函数值的求取；最后通过二代遗传算法进行全局寻优，找出风机运行效率和风压或效率和风量的最理想点即pareto最优点；由于所述模型得到的最终值为归一化后的值，故需要再对pareto最优点所对应的操作变量值进行反归一化处理，转化为真实值，其公式如下：x＝k·(x_max-x_min)+x_min。