[發(fā)明專利]SVR神經(jīng)網(wǎng)絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優(yōu)化設計方法

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（設計）人: 徐英杰;陳寧;蔣寧;許亮峰
• 申請（專利權）人: 浙江工業(yè)大學
• 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所有限公司 33241
• 代理人: 王利強

1.一種SVR神經(jīng)網(wǎng)絡輔助的NSGA-II算法的空氣源熱泵多目標優(yōu)化設計方法，其特征在于，所述方法包括以下步驟：

步驟1、根據(jù)設計要求進行參數(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，并對輸入的訓練樣本數(shù)據(jù)進行歸一化處理，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)絡的創(chuàng)建、訓練以及測試，過程如下：

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

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

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

2.5利用神經(jīng)網(wǎng)絡進行預測，在給定實際狀態(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，通過訓練好的SVR神經(jīng)網(wǎng)絡模型進行預測得到預測參數(shù)，所述預測參數(shù)包系統(tǒng)COP和成本，將系統(tǒng)COP和成本值進行反歸一化處理得到實際值，反歸一化公式為：

x＝k·(x_max-x_min)+x_min

步驟3、基于訓練完成的神經(jīng)網(wǎng)絡，利用NSGA-II遺傳算法對空氣源熱泵進行多目標優(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計參數(shù)值，進而反饋給設計者。

2.如權利要求1所述一種SVR神經(jīng)網(wǎng)絡輔助的NSGA-II算法的空氣源熱泵多目標優(yōu)化設計方法，其特征在于：所述步驟3的過程如下：

3.1參數(shù)初始化：采用實數(shù)編碼的方式對種群及個體進行編碼，設置種群的規(guī)模N₁，進化次數(shù)G，交叉概率P_c和變異概率P_m，種群規(guī)模N₁根據(jù)熱泵的實際情況而定，取值范圍為10～100，進化次數(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：設進化代數(shù)計數(shù)器t＝0和最大進化代數(shù)G，隨機生成初始父代種群2P_t；

3.3計算目標函數(shù)：計算種群中各個體的目標函數(shù)值，本次研究將SVR神經(jīng)網(wǎng)絡學習的輸入輸出的映射關系中的輸出作為NSGA-II遺傳算法的目標函數(shù)值；

3.4非支配排序和擁擠度計算：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度值，選擇適應度較高的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構進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，當產(chǎn)生的0至1之間的隨機數(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)絡模型計算得到的種群目標函數(shù)值對個體進行非支配排序和擁擠度計算，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度值，選擇適應度較高的個體組成新的父代種群P_t+1；

3.8計算是否滿足最大進化次數(shù)。若滿足最大進化次數(shù)，則計算結束；若不滿足最大進化次數(shù)則重復步驟3.5～3.7，直至滿足進化次數(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。