[發明專利]混合DNA遺傳算法的復雜化工過程建模方法

有效

• 申請號: 201110269378.8
• 申請日: 2011-09-13
• 公開（公告）號: CN102419549A
• 公開（公告）日: 2012-04-18
• 發明（設計）人: 王寧;戴侃
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 張法高

技術領域

本發明涉及一種混合DNA遺傳算法的復雜化工過程建模方法

背景技術

化工過程的建模與控制一直都是企業和科研機構研究的重點領域之一，它也是現代化學工業生產必不可少的環節。在現代化工生產過程中，建立控制系統數學模型是分析、設計、控制和優化的基礎，因此化工過程的精確建模是化工控制的核心對化工過程的理論研究和實際運用都具有重要的意義。然而，隨著化工過程系統的日益復雜化以及其嚴重的非線性特性，化工過程建模一直是化工領域的研究難點和熱點。

數學模型的建立主要有兩大類方法：機理建模和系統辨識方法。機理模型方法需要憑借可靠的過程規律和先驗知識來建立原始微分方程，這些規律和知識必須表為一般的形式。這種方法存在很大的缺陷和局限性，越來越不適用于現代復雜的化工過程控制系統。系統辨識方法是研究者根據化工過程的反應機理提出了相應的化工模型結構，再選擇合適的實驗方法計算出模型參數的最優估計值，最后驗證模型的正確性。在化工模型結構中依然存在許多無法通過直接測量而得到的參數，這需要利用參數估計的方法來得到這些未知參數值，并將這些參數的估計值代入相應的化工過程模型中從而得到化工過程的數學模型。因此，這些未知參數的估計值對得到的化工過程模型的準確性有著重要的影響。參數估計問題本質上可以轉化為優化問題，很多傳統優化算法被用來估計復雜化工過程的參數，如牛頓法、最小二乘法、SQP方法等。但是，由于這些傳統優化算法具有全局搜索能力弱、容易陷入局部最優點和需求嚴格的適用條件等缺點，它們并不適用于復雜的非線性模型的參數估計。近年來。受生物科學技術的啟發，基于生物計算的智能優化方法發展迅速。研究人員借鑒仿生學的思想，提出了許多具有高效尋優能力和廣泛適應性的智能優化算法。

遺傳算法(GA)作為一種適應面廣、魯棒性強的隨機搜索方法，具有較強的全局搜索能力，特別適用于解決復雜的參數估計問題。常規的遺傳算法(Simple?Genetic?algorithm，SGA)是以隨機性的概率轉換機制來代替確定性的機理轉換機制，雖然具有優于其他傳統方法的優點，但是SGA的依然存在搜索效率低、局部搜索能力差且易早熟等缺點。為了克服SGA的缺點，受DNA生物特性和DNA分子操作的啟發，研究者提出了DNA遺傳算法，經過研究證明，DNA遺傳算法可以增加遺傳算法種群的多樣性，提高尋優速度和精度。

發明內容

本發明的目的是克服現有技術的不足，提供了一種混合DNA遺傳算法的復雜化工過程建模方法。

混合DNA遺傳算法的復雜化工過程建模方法的步驟如下：

1)通過現場操作或實驗獲得化工過程采樣的輸入輸出數據，對于同一組采樣輸入數據，化工過程模型的估計輸出與實際輸出的誤差絕對值之和作為混合DNA遺傳算法尋優搜索時的目標函數；

2)設定算法運行的最大代數G_max，每個參數編碼長度l，個體編碼長度L為每個參數編碼長度l乘以參數的個數n，種群數N，置換交叉概率p_c1a和p_c1a，轉位交叉概率p_c2a和p_c2b，重構交叉概率p_r0，自適應變異概率p_mh和p_ml，基于模擬退火方法的選擇算子的種群個體選擇概率p(x_i)，基于(μ，λ)-ES理論的種群更新規則，自適應參數區間變化規則以及算法的終止規則；

3)運行混合DNA遺傳算法對化工過程模型中的未知參數進行估計，通過最小化目標函數得到化工過程模型中未知參數的估計值，再將未知參數的估計值代入化工過程模型中形成化工工程的數學模型。

所述算法的終止準則為：算法的運行代數達最大代數G_max或者算法得到的目標函數值小于Δ_ε。

所述的步驟3)為：

(1)隨機生成包含N個長度為L的DNA序列的初始種群，每一個DNA序列代表化工過程模型的一組未知參數的可能解，每個未知參數均由字符集{0，1，2，3}編碼為一個長度為l的DNA子序列，設未知參數個數為n，則一個DNA序列的編碼長度為L＝ln；

(2)將種群中的每一個DNA序列解碼為化工工程模型的一組未知參數并計算其對應的目標函數值，再將目標函數值轉化為對應的適應度值，適應度值最大的個體定義為這一代的最優個體，記種群代數微小變化的變量為tav＝0，將最優個體適應度值與上一代個體比較，若二者相差絕對值小于δ＝0.01，則tav增加1，否則tav置零；