[發明專利]一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法

有效

• 申請號: 202110717364.1
• 申請日: 2021-06-28
• 公開（公告）號: CN113554216B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 李俊;薄翠梅;陳龍健;孫政
• 申請（專利權）人: 南京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/04;G06N3/0442;G06N3/126
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 韓正玉;徐冬濤

1.一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，其特征在于，該方法包括以下步驟：

1)以高分子混合制造過程中擠出效率、擠出質量為研究對象建立目標函數；

2)添加約束條件，具體包括溫度上下限，壓力上下限，熱量平衡；

3)以擠出速度、熔體溫度以及壓力為決策變量；

4)采用以長短時記憶神經網絡LSTM為基礎，結合K-fold交叉算法以及GA遺傳算法搭建擠出效率、擠出質量模型；

其中，在約束范圍內由GA遺傳算法生成LSTM神經網絡超參數：隱含層神經元個數Units，LSTM訓練輪數epochs，隱含層網絡層數Layers和隨機丟棄參數概率dropout的初始值，確定神經網絡的初始網絡結構；

5)利用改進的多目標優化混合變異差分進化算法對高分子混合制造過程中的工藝參數進行尋優求解。

2.根據權利要求1所述的Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，其特征在于，步驟(4)的具體過程還包括：

1)剔除原始數據集Data?set中的瑕疵數據，對數據集進行歸一化預處理，消除量綱和數量級的影響；

通過K-fold交叉算法對數據集進行K折交叉，K＝10；即將數據集劃分為10個寬度和維度相同的子集k1,k2,…,k10，建立矩陣Team1，Team2，…，Team10；

Data?set＝Team1＝Team2＝...＝Team10???(1)

Data?set＝(k1,k2,k3,...,k10)??????(2)

2)同時，為更好的代表運算網絡超參數選擇的優劣性，利用均方誤差MSE的均值作為GA遺傳算法的目標函數；計算過程如下：

當i＝10時，則代表每次運算所建立的模型結構合理，此時反饋的平均均方誤差為：

當i＜10時，則代表建模過程中存在結構不合理，數據集分布不均勻的情況，此時反饋的平均均方誤差為：

3)在建模過程中利用損失函數判定訓練集和測試集變化趨勢以此判定模型的合理性，定義模型的損失函數Loss，公式如下所示：

式中，x_predict表示預測值，x_value表示實際值。

3.根據權利要求1所述的Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，其特征在于，步驟(5)在求解多目標優化問題時需明確優化目標函數，決策變量以及相關約束；其具體數學表達式如下所示：

式中，f(X)為目標函數，F(X)由m個目標函數組成的目標向量；x為決策變量，X由n個決策變量組成的決策向量；和為第k個決策變量x_k的下界和上界；H_i(X)為第i個不等式約束；G_j(X)為第j個等式約束。

4.根據權利要求1所述的Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，其特征在于，步驟(5)多目標優化混合變異差分進化算法包括種群生成、交叉、變異、選擇四個過程；在約束范圍內生成初始化種群，依據不同的基向量選擇方式以及不同的差分向量計算方式對種群進行變異操作，同時為增加種群的多樣性，對突變后的種群進行交叉操作；基于Pareto選擇的占優機制對可行解進行選擇在達到終止條件后停止程序運行輸出最優結果。