[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

本發明涉及一種Kfold?LSTM混合變異尋優高分子混合制造多目標優化方法，對高分子混合制造的工藝過程中擠出效率、擠出質量進行多目標優化。首先以長短時記憶神經網絡為基礎，結合K?fold交叉算法以及遺傳算法搭建擠出效率、擠出質量模型，解決模型泛化能力不足的問題。設置參數篩選環節，剔除尋優過程中不合理的網絡結構，提高建模運算速度。其次采用改進的混合變異差分進化多目標優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。利用混合變異策略平衡模型的全局搜索能力和局部搜索能力，提高種群的分布性和多樣性。本發明從LSTM神經網絡建模方法以及多目標優化差分算法兩個方面進行改進。對提高高分子混合制造的工藝過程最優化控制具有至關重要的作用。

技術領域

本發明屬于高分子混合制造技術領域，具體涉及一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法。

背景技術

高分子混合制造的工藝過程具有非線性、時滯性、耦合性等特點。同時，生產過程中運行數據可獲得樣本數量較少的問題，使得高分子混合制造工藝參數的建模變得尤為困難。此外常規的多目標優化差分進化算法的變異是基于差分向量的，算法本身包含的可控參數較少，因此可控參數對算法的性能有著直接的影響。如果可控參數選取不合理則在進化過程中會形成大量的劣質解；差分進化過程中變異率F和交叉率Cr往往被設定為固定參數或隨進化代數線性變化，不能很好地適應優化需求；差分進化算法局部搜索能力較弱。

發明內容

針對現有技術存在的不足，本發明的目的在于提供一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，以解決上述背景技術中提出的問題。

按照本發明提供的技術方案，一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法，所述的一種Kfold-LSTM混合變異尋優高分子混合制造多目標優化方法包括以下步驟：

1)根據高分子混合制造的工藝過程中擠出效率、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；

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。

本發明技術方案中，所述以長短時記憶神經網絡為基礎，結合K-fold交叉算法以及GA遺傳算法擠出效率、擠出質量模型具體包括：

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值的選取一般有兩種取法：K＝10或K＝n，當K＝n時運算量極大，因此本文設定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i10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：