[發(fā)明專利]SVR神經(jīng)網(wǎng)絡(luò)輔助的非支配排序遺傳算法的空氣源熱泵多目標(biāo)優(yōu)化設(shè)計(jì)方法

在審

• 申請?zhí)枺?/td>: 201811619906.6
• 申請日: 2018-12-28
• 公開（公告）號: CN109858093A
• 公開（公告）日: 2019-06-07
• 發(fā)明（設(shè)計(jì)）人: 徐英杰;陳寧;蔣寧;許亮峰
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種SVR神經(jīng)網(wǎng)絡(luò)輔助的NSGA-II算法的空氣源熱泵多目標(biāo)優(yōu)化設(shè)計(jì)方法，其特征在于，所述方法包括以下步驟：

步驟1、根據(jù)設(shè)計(jì)要求進(jìn)行參數(shù)選取和數(shù)據(jù)處理

選擇氣冷器換熱溫差T_gc、蒸發(fā)器換熱溫差T_ev、氣冷器壓力p_gc作為輸入變量，系統(tǒng)COP、成本cost作為輸出變量，并對輸入的訓(xùn)練樣本數(shù)據(jù)進(jìn)行歸一化處理，使其處于[0,1]之間，歸一化公式如下：

其中k為歸一化后的值，x為被歸一化的數(shù)據(jù)，x_min、x_max分別為被歸一化數(shù)據(jù)中的最小值和最大值；

步驟2、神經(jīng)網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練以及測試，過程如下：

2.1訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將步驟1中的數(shù)據(jù)分成訓(xùn)練集和測試集兩個部分；

2.2根據(jù)訓(xùn)練集的數(shù)據(jù)進(jìn)行對SVR模型原始優(yōu)化問題進(jìn)行求解，為簡化求解過程通過拉格朗日函數(shù)轉(zhuǎn)換為對偶變量的優(yōu)化問題；

2.3選擇懲罰參數(shù)C和高斯RBF核函數(shù)對上述步驟中的對偶函數(shù)進(jìn)行求解，得到SVR訓(xùn)練模型；

2.4測試神經(jīng)網(wǎng)絡(luò)，完成所有的數(shù)據(jù)訓(xùn)練后，用測試集里的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，若訓(xùn)練誤差符合規(guī)定的范圍，則SVR神經(jīng)網(wǎng)絡(luò)模型構(gòu)建完成；若不符合訓(xùn)練誤差則返回到步驟2.3，進(jìn)行下一輪的優(yōu)化求解，直至符合訓(xùn)練誤差；

2.5利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，在給定實(shí)際狀態(tài)下的輸入變量，所述輸入變量包括氣冷器換熱溫差、蒸發(fā)器換熱溫差和氣冷器壓力，通過訓(xùn)練好的SVR神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測得到預(yù)測參數(shù)，所述預(yù)測參數(shù)包系統(tǒng)COP和成本，將系統(tǒng)COP和成本值進(jìn)行反歸一化處理得到實(shí)際值，反歸一化公式為：

x＝k·(x_max-x_min)+x_min

步驟3、基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，利用NSGA-II遺傳算法對空氣源熱泵進(jìn)行多目標(biāo)優(yōu)化；

步驟4、通過上述步驟可以根據(jù)Pareto解得到最優(yōu)解的輸入變量的參數(shù)值，從而得到各個部件的設(shè)計(jì)參數(shù)值，進(jìn)而反饋給設(shè)計(jì)者。

2.如權(quán)利要求1所述一種SVR神經(jīng)網(wǎng)絡(luò)輔助的NSGA-II算法的空氣源熱泵多目標(biāo)優(yōu)化設(shè)計(jì)方法，其特征在于：所述步驟3的過程如下：

3.1參數(shù)初始化：采用實(shí)數(shù)編碼的方式對種群及個體進(jìn)行編碼，設(shè)置種群的規(guī)模N₁，進(jìn)化次數(shù)G，交叉概率P_c和變異概率P_m，種群規(guī)模N₁根據(jù)熱泵的實(shí)際情況而定，取值范圍為10～100，進(jìn)化次數(shù)為100～1000，交叉概率P_c的取值范圍為0.25～1，變異概率P_m的取值范圍為0.001～0.1；

3.2初始化種群：設(shè)進(jìn)化代數(shù)計(jì)數(shù)器t＝0和最大進(jìn)化代數(shù)G，隨機(jī)生成初始父代種群2P_t；

3.3計(jì)算目標(biāo)函數(shù)：計(jì)算種群中各個體的目標(biāo)函數(shù)值，本次研究將SVR神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的輸入輸出的映射關(guān)系中的輸出作為NSGA-II遺傳算法的目標(biāo)函數(shù)值；

3.4非支配排序和擁擠度計(jì)算：在非支配排序中，非支配序等級較高的個體優(yōu)先被選擇，若兩個個體屬于同一個非支配層，則要依據(jù)擁擠度來選擇；擁擠度用來表示種群中給定個體的周圍個體的密度，為了更好地取到種群中不同的個體，要選取周圍較不擁擠的個體，即擁擠度較大的個體；根據(jù)非支配排序和擁擠度比較算子，將比較算子作為種群的適應(yīng)度值，選擇適應(yīng)度較高的P_t個個體組成新的父代種群；

3.5交叉：將交叉算子作用于父代種群，把兩個父代個體的結(jié)構(gòu)進(jìn)行替換重組來生成新的個體，根據(jù)給定的交叉概率P_c，如果產(chǎn)生的0到1之間的隨機(jī)數(shù)rand(0,1)小于交叉概率P_c時，則執(zhí)行交叉操作；否則不執(zhí)行交叉操作；

3.6變異：將變異算子作用于群體，對于選中的個體中改變某一個或者某一些基因后得到子代種群Q_t。根據(jù)給定的變異概率P_m，當(dāng)產(chǎn)生的0至1之間的隨機(jī)數(shù)rand(0,1)小于變異概率P_m時，則執(zhí)行變異操作；否則不執(zhí)行變異操作；

3.7選擇：將交叉變異后得到的子代種群與父代種群合并為新種群R_t，依據(jù)SVR神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到的種群目標(biāo)函數(shù)值對個體進(jìn)行非支配排序和擁擠度計(jì)算，根據(jù)非支配排序和擁擠度比較算子，將比較算子作為種群的適應(yīng)度值，選擇適應(yīng)度較高的個體組成新的父代種群P_t+1；

3.8計(jì)算是否滿足最大進(jìn)化次數(shù)。若滿足最大進(jìn)化次數(shù)，則計(jì)算結(jié)束；若不滿足最大進(jìn)化次數(shù)則重復(fù)步驟3.5～3.7，直至滿足進(jìn)化次數(shù)為止；

3.9在所有剩余的個體中依據(jù)非支配排序和擁擠度比較算子選取所需的個體作為最終的Pareto解。