CN115577491A - 一种参数修正方法、装置、电子设备及存储介质 - Google Patents
一种参数修正方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115577491A CN115577491A CN202211043406.9A CN202211043406A CN115577491A CN 115577491 A CN115577491 A CN 115577491A CN 202211043406 A CN202211043406 A CN 202211043406A CN 115577491 A CN115577491 A CN 115577491A
- Authority
- CN
- China
- Prior art keywords
- fitness
- value
- correction coefficient
- correction
- target
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 81
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 80
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 238000002715 modification method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008929 regeneration Effects 0.000 description 11
- 238000011069 regeneration method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012804 iterative process Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种参数修正方法、装置、电子设备及存储介质。该方法包括：通过获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，适应度修正系数包括正向修正系数和负向修正系数；进一步的，基于适应度值在正向修正系数和负向修正系数中确定目标修正系数，并基于目标修正系数对适应度值进行修正，确定适应度修正值，基于各适应性修正值更新预设寻优算法，提高了预设寻优算法的适应性，从而提高了预设寻优算法的寻优精度；进一步的，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
Description
技术领域
本发明涉及发动机技术领域，尤其涉及一种参数修正方法、装置、电子设备及存储介质。
背景技术
目前，增加颗粒捕捉器(Diesel Particulate Filter，简称DPF)成为当前发动机满足颗粒物排放的最简单也最行之有效的方法。随着DPF收集到的微粒越来越多，就会导致后处理背压升高，影响发动机的性能。在后处理喷入柴油，通过柴油机氧化催化器(DieselOxidation catalyst，简称DOC)的氧化作用提升DPF的入口温度，利用高温将DPF中的碳颗粒烧掉，这个过程就是DPF再生。DPF再生的关键触发点就是DPF的碳载量，也就是DPF内部捕捉的碳颗粒质量。
由于发动机实际工作状况复杂，很难依据碳载量模型进行DPF再生的准确判断，所以需要引入合适的寻优算法提升碳载量模型的估计值，以提升DPF再生控制的准确性。
在相关技术中，发明人发现：在寻优算法优化迭代过程中，多个目标(模型参数)的重要性或者优先级是相等的，与实际工程不符，导致估计的碳载量值存在较大误差。
发明内容
本发明提供了一种参数修正方法、装置、电子设备及存储介质，以提升估计碳载量值的精度，解决估计碳载量值误差大的问题。
根据本发明的一方面，提供了一种参数修正方法，包括：
获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
根据本发明的另一方面，提供了一种参数修正装置，包括：
数据获取模块，用于获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
数据修正模块，用于基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
参数寻优模块，用于基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的参数修正方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的参数修正方法。
本发明实施例的技术方案，通过获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，适应度修正系数包括正向修正系数和负向修正系数；进一步的，基于适应度值在正向修正系数和负向修正系数中确定目标修正系数，并基于目标修正系数对适应度值进行修正得到适应度修正值，基于各适应性修正值更新预设寻优算法，提高了预设寻优算法的适应性，从而提高了预设寻优算法的寻优精度；进一步的，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种参数修正方法的流程图；
图2是根据本发明实施例二提供的一种参数修正方法的流程图；
图3是根据本发明实施例二所适用的一种优先级修正算法的示意图；
图4是根据本发明实施例三提供的一种参数修正装置的结构示意图；
图5是实现本发明实施例的参数修正方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”、“历史”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种参数修正方法的流程图，本实施例可适用于对发动机的碳载量模型进行参数寻优的情况，该方法可以由参数修正装置来执行，该参数修正装置可以采用硬件和/或软件的形式实现，该参数修正装置可配置于计算机终端中。如图1所示，该方法包括：
S110、获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数。
在本实施例中，预设寻优算法可以用于寻找***或模型的最优参数，使***或模型处于最佳状态，其中，模型可以为多输入-多目标模型。预设寻优算法在迭代过程中，可以获取由适应度函数确定的适应度值。适应度修正系数是指预先标定的优先级修正系数，可以包括但不限于正向修正系数和负向修正系数。正向修正系数可以用于减小当前适应度值，负向修正系数可以用于增加当前适应度值，使当前适应度值的优先级更接近实际工况。可以理解的是，适应度值是指个体在种群生存的优势程度度量，用于区分模型参数的优劣，适应度值越大，表明模型参数越优。
具体的，电子设备可以从预设存储位置或路径获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数。
S120、基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值。
在本实施例中，可以通过适应度值选取正向修正系数或负向修正系数，基于选取的正向修正系数或负向修正系数对适应度值进行修正，得到适应度修正值，提高了预设寻优算法的适应性，从而提高了预设寻优算法的寻优精度。
在上述实施例的基础上，所述基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值，包括：基于所述适应度值确定适应度差值绝对值；将所述目标修正系数与所述适应度差值绝对值相乘，得到适应度修正值。
具体地，可以将适应度值与目标值的差值绝对值与目标修正系数相乘，得到适应度修正值，其中，目标值可以为称重碳载量值所对应的适应度值。
S130、基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
在本实施例中，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
示例性地，碳载量模型的模型参数可以包括但不限于碳载量瞬态修正Map和被动再生Map和被动再生修正Curve等。本实施例通过寻优算法对碳载量模型进行参数寻优，可以得到最优的碳载量瞬态修正Map和被动再生Map和被动再生修正Curve，并基于最优的碳载量瞬态修正Map和被动再生Map和被动再生修正Curve对估计碳载量值进行修正，得到接近真实碳载量值的估计碳载量值。
在上述实施例的基础上，所述预设寻优算法包括适应性评价函数和选择概率函数，所述适应性评价函数和选择概率函数分别为：
其中，zi(x)表示适应性评价函数，x表示碳载量模型参数，
分别表示第k个适应度函数的最大值与最小值，fk(x)表示第k个适应度函数；pi表示选择概率函数，i表示目标维度，q表示适应度函数的个数，r表示碳载量模型参数的个数，即种群数量。
示例性地，寻优算法可以为遗传算法，在遗传算法迭代过程中，首先可以计算适应度函数的最大值和最小值：
其中，z+表示适应度函数的最大值向量，z-表示适应度函数的最小值向量，其中，适应度函数可以为碳载量模型。
分别表示第k个适应度函数的最大值与最小值，1、2、…q表示适应度函数的个数。
进一步的，累积概率Li为：
具体而言，生成[0,1]区间内的随机数ri，若最终某染色体的累积概率Lj为比ri大的最小值，则该染色体被保留到下一代中，其中，染色体可以为碳载量模型参数。
示例性地，可以通过Matlab软件自带的遗传算法工具箱对碳载量模型进行全局寻优，使用遗传算法进行寻优的具体步骤如下：首先，对碳载量模型参数进行基因编码，产生初始种群；第二，计算个体适应度并修正适应度，然后进行种群选优；第三，判断是否满足收敛要求，若是，则执行第四步染色体解码输出最优碳载量模型参数，结束全局寻优，若否，则执行第五步依次进行选择、交叉、变异；第六，在选择交叉变异之后重新计算个体适应度并进行种群选优；第七，产生第K+1代种群，并重新回到第三步再次判断是否满足收敛要求。
在一些实施例中，预设寻优算法可以应用于国六、非四采用DPF技术的产品，优化碳载量模型值，尤其提升接近再生门槛值的碳载量模型值的精度。
本发明实施例的技术方案，通过获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，适应度修正系数包括正向修正系数和负向修正系数；进一步的，基于适应度值在正向修正系数和负向修正系数中确定目标修正系数，并基于目标修正系数对适应度值进行修正得到适应度修正值，基于各适应性修正值更新预设寻优算法，提高了预设寻优算法的适应性，从而提高了预设寻优算法的寻优精度；进一步的，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
实施例二
图2为本发明实施例二提供的一种参数修正方法的流程图，本实施例在上述实施例的基础上，对“基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数”进行了细化。可选的，所述适应度值包括估计适应度值和实测适应度值；相应的，所述基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，包括：基于所述估计适应度值和实测适应度值确定适应度差值；若所述适应度差值未超过差值平均值，则将所述负向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值；若所述适应度差值超过差值平均值，则将所述正向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
如图2所示，该方法包括：
S210、获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数。
S220、基于所述估计适应度值和实测适应度值确定适应度差值。
在本实施例中，适应度值可以包括估计适应度值和实测适应度值，其中，估计适应度值可以是通过适应度函数确定的适应度值，实测适应度值是指称重碳载量值所对应的目标适应度值。
S230、若所述适应度差值未超过差值平均值，则将所述负向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
S240、若所述适应度差值超过差值平均值，则将所述正向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
在本实施例中，差值平均值可以为预设数量的适应度差值的平均值。示例性地，获取估计适应度值和实测适应度值，将估计适应度值与实测适应度值作差并取绝对值，得到适应度差值。可以理解的是，预设寻优算法迭代过程中任一代中可以包括多个适应度值，可以将多个适应度值对应的适应度差值取平均，得到差值平均值。
示例性地，图3是本发明实施例所适用的一种优先级修正算法的示意图。在预设寻优算法迭代过程中，可以计算当前代中n个估计适应度值与实测适应度值差值的绝对值，并取平均数，得到差值平均值；对于第i个适应度值差值绝对值(即适应度差值)，若适应度差值超过差值平均值，则将适应度值差值绝对值乘以正向修正系数，得到适应度修正值；若适应度差值未超过差值平均值，则将适应度值差值绝对值乘以负向修正系数，得到适应度修正值。可选的，正向修正系数的取值范围为(0,1)，负向修正系数的取值范围为(1,2)。示例性地，如表1所示：
表1修正系数推荐设定表
S250、基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值。
S260、基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
在本实施例中，预设寻优算法(例如遗传算法)优化迭代过程中，对任何一代的适应度值都进行基于修正系数的修正，可以实现高优先级的适应度获得更高的寻优精度。该预设寻优算法可以应用于碳载量自动标定中，提升接近再生门槛值的碳载量模型值的精度。
本发明实施例的技术方案，通过获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，适应度修正系数包括正向修正系数和负向修正系数；进一步的，基于估计适应度值和实测适应度值确定适应度差值，若适应度差值未超过差值平均值，则将负向修正系数确定为目标修正系数，基于适应度差值和目标修正系数确定适应度修正值；若适应度差值超过差值平均值，则将正向修正系数确定为目标修正系数，基于适应度差值和目标修正系数确定适应度修正值，从而实现适应度优先级的修正，使高优先级的适应度获得更高的寻优精度，进一步的，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
实施例三
图4为本发明实施例三提供的一种参数修正装置的结构示意图。如图4所示，该装置包括：
数据获取模块310，用于获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
数据修正模块320，用于基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
参数寻优模块330，用于基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
本发明实施例的技术方案，通过获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，适应度修正系数包括正向修正系数和负向修正系数；进一步的，基于适应度值在正向修正系数和负向修正系数中确定目标修正系数，并基于目标修正系数对适应度值进行修正得到适应度修正值，基于各适应性修正值更新预设寻优算法，提高了预设寻优算法的适应性，从而提高了预设寻优算法的寻优精度；进一步的，基于具有高寻优精度的寻优算法对碳载量模型进行参数寻优，提高了模型参数的准确度，从而使碳载量模型估计得到的目标碳载量值误差更小，提升了碳载量值的估计精度。
可选的，所述适应度值包括估计适应度值和实测适应度值，
相应的，数据修正模块320，包括：
适应度差值确定单元，用于基于所述估计适应度值和实测适应度值确定适应度差值；
负向修正单元，用于若所述适应度差值未超过差值平均值，则将所述负向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值；
正向修正单元，用于若所述适应度差值超过差值平均值，则将所述正向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
可选的，所述差值平均值为预设数量的适应度差值的平均值。
可选的，所述正向修正系数的取值范围为(0,1)，所述负向修正系数的取值范围为(1,2)。
可选的，所述预设寻优算法包括适应性评价函数和选择概率函数，所述适应性评价函数和选择概率函数分别为：
其中，zi(x)表示适应性评价函数，x表示碳载量模型参数，
分别表示第k个适应度函数的最大值与最小值，fk(x)表示第k个适应度函数；pi表示选择概率函数，i表示目标维度。
可选的，数据修正模块320，还用于：
基于所述适应度值确定适应度差值绝对值；
将所述目标修正系数与所述适应度差值绝对值相乘，得到适应度修正值。
本发明实施例所提供的参数修正装置可执行本发明任意实施例所提供的参数修正方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例参数修正方法，该方法包括：
获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
在一些实施例中，参数修正方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的参数修正方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行参数修正方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种参数修正方法，其特征在于，包括：
获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
2.根据权利要求1所述的方法，其特征在于，所述适应度值包括估计适应度值和实测适应度值；
相应的，所述基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，包括：
基于所述估计适应度值和实测适应度值确定适应度差值；
若所述适应度差值未超过差值平均值，则将所述负向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值；
若所述适应度差值超过差值平均值，则将所述正向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
3.根据权利要求2所述的方法，其特征在于，所述差值平均值为预设数量的适应度差值的平均值。
4.根据权利要求2所述的方法，其特征在于，所述正向修正系数的取值范围为(0,1)，所述负向修正系数的取值范围为(1,2)。
5.根据权利要求1所述的方法，其特征在于，所述预设寻优算法包括适应性评价函数和选择概率函数，所述适应性评价函数和选择概率函数分别为：
其中，zi(x)表示适应性评价函数，x表示碳载量模型参数，
分别表示第k个适应度函数的最大值与最小值，fk(x)表示第k个适应度函数；pi表示选择概率函数，i表示目标维度。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值，包括：
基于所述适应度值确定适应度差值绝对值；
将所述目标修正系数与所述适应度差值绝对值相乘，得到适应度修正值。
7.一种参数修正装置，其特征在于，包括：
数据获取模块，用于获取预设寻优算法迭代过程中任一代的适应度值，以及预先标定的适应度修正系数，其中，所述适应度修正系数包括正向修正系数和负向修正系数；
数据修正模块，用于基于所述适应度值在所述正向修正系数和负向修正系数中确定目标修正系数，并基于所述目标修正系数对所述适应度值进行修正，得到适应度修正值；
参数寻优模块，用于基于各所述适应性修正值更新所述预设寻优算法，并基于更新后的寻优算法对碳载量模型进行参数寻优，基于参数寻优后的碳载量模型确定目标碳载量值。
8.根据权利要求7所述的装置，其特征在于，所述适应度值包括估计适应度值和实测适应度值，
相应的，所述数据修正模块，包括：
适应度差值确定单元，用于基于所述估计适应度值和实测适应度值确定适应度差值；
负向修正单元，用于若所述适应度差值未超过差值平均值，则将所述负向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值；
正向修正单元，用于若所述适应度差值超过差值平均值，则将所述正向修正系数确定为目标修正系数，基于所述适应度差值和所述目标修正系数确定适应度修正值。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的参数修正方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的参数修正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211043406.9A CN115577491A (zh) | 2022-08-29 | 2022-08-29 | 一种参数修正方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211043406.9A CN115577491A (zh) | 2022-08-29 | 2022-08-29 | 一种参数修正方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115577491A true CN115577491A (zh) | 2023-01-06 |
Family
ID=84579390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211043406.9A Pending CN115577491A (zh) | 2022-08-29 | 2022-08-29 | 一种参数修正方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115577491A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
-
2022
- 2022-08-29 CN CN202211043406.9A patent/CN115577491A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
| CN117221008B (zh) * | 2023-11-07 | 2024-02-23 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101530A (zh) | 神经网络训练方法、装置、设备及存储介质 | |
| CN114091128B (zh) | 一种排样方案的确定方法、装置及电子设备 | |
| CN115577491A (zh) | 一种参数修正方法、装置、电子设备及存储介质 | |
| WO2024099061A1 (zh) | 自适应频点采样的扫频方法、***及相关设备 | |
| CN116957577A (zh) | 交易中的Gas值预估方法、装置、存储介质及设备 | |
| CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
| CN115630502A (zh) | 电池膨胀力确定方法、电子设备及存储介质 | |
| CN115146853A (zh) | 基于电碳因子的用碳量确定方法、装置、设备及存储介质 | |
| CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
| CN113900731B (zh) | 请求处理方法、装置、设备和存储介质 | |
| CN115495705A (zh) | 评价函数确定方法、装置、电子设备以及存储介质 | |
| CN115405402B (zh) | 一种碳载量模型的确定方法、装置、电子设备及存储介质 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN115408858A (zh) | 脉谱参数分区方法、装置、电子设备以及存储介质 | |
| CN110737865B (zh) | 一种基于分段函数的威布尔型备件需求量确定方法及*** | |
| CN115373274A (zh) | 一种模型参数确定方法、装置、电子设备及存储介质 | |
| CN113011624A (zh) | 用户违约预测方法、装置、设备及介质 | |
| CN116908603B (zh) | 基于连接器的可靠性检测方法及其*** | |
| CN113408834B (zh) | 一种基于自学习的通讯成功率预测方法及装置 | |
| CN115934300B (zh) | 一种云计算平台巡检任务调度方法及*** | |
| CN113886842B (zh) | 基于测试的动态智能调度方法及装置 | |
| CN112561390B (zh) | 订单排产模型的训练方法、订单排产方法、装置 | |
| CN115511047A (zh) | Softmax模型的量化方法、装置、设备及介质 | |
| CN116205321A (zh) | 用碳量确定方法、装置、设备及存储介质 | |
| CN114926069A (zh) | 模型训练方法和工作量分配方法 |
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 |