[0003] 本发明的目的是针对焦化炉炉膛压力对象的建模过程比较困难这一问题，通过数据采集、模型建立、优化等手段，提供了一种焦化炉炉膛压力的多目标遗传算法与RBF神经网络结构参数优化建模方法。该方法通过采集过程对象的输入输出数据，结合RBF神经网络模型，使用改进的MOEA优化神经网络的网络层和参数。
[0004] 本发明方法的步骤包括：
[0005] 步骤1、采集过程的实时运行数据，建立过程对象RBF模型，具体步骤如下：
[0006] 1.1由包含输入层、输出层和隐含层的RBF神经网络结构，得到网络的映射关系即系统的输入输出模型，形式如下：
[0007]
[0008] 其中，x＝(x1,x2,…,xn)表示n输入结点向量，y表示网络的输出变量，ci∈Rn表示第i个隐含层神经元的中心向量，Rn是欧氏空间， 是一个高斯函数，||x-ci||表示x到ci的径向距离，σi是高斯函数的基宽，1≤i≤nr，nr是隐含层的结点数，ωi表示第i个隐含层和输出层之间的连接权。
[0009] 步骤2、利用MOEA遗传算法优化RBF神经网络模型的参数，具体步骤是：
[0010] 2.1首先对神经网络模型参数进行编码，得到如下形式的第l代染色体：
[0011]
[0012] 其中，l＝1,2,...,N，N是种群规模大小，m,n和nr是正整数，1≤m≤5,1≤n≤5,1≤nr≤60，Cl中的元素满足如下条件：
[0013]
[0014] σi＝rwmax 1≤i≤nr
[0015] 其中，r是一个在-0.5～1.5之间的随机数，umin,umax是系统输入的最小值和最大值，ymin,ymax是系统输出的最小值和最大值，wmax是高斯基函数的最大宽度。
[0016] 2.2将采集的过程对象的数据样本分为三部分，前面1/3数据样本为训练数据样本Y1，用于计算输出层权重，中间1/3数据为第二组数据样本Y2，用于对每一代的神经网络评价，后面1/3数据为优化数据Y3，用于求取Pareto最优解，选取RBF神经网络的目标函数，形式如下：
[0017]
[0018] 其中，Min表示求最小值，f1表示Y1和Y2均方差，f2反映了输入层和隐含层结构的复杂性， 分别表示两组数据样本Y1和Y2的RBF神经网络模型预测输出，N1,N2为选取的数据样本的大小。
[0019] 2.3由于染色体中的基因会发生变异，pc为当前个体Cl和下一个个体Cl+1之间交叉概率，以交叉概率pc将被选择的染色体进行交叉操作产生下一代子染色体C'l和C'l+1。变异算子执行时，随机产生给定范围内的m,n和nr值，变异个体根据步骤2.1元素个体满足条件进行变异得到新的个体。
[0020] 2.4为了提高MOEA的局部搜索能力，局部算子设计为如下形式：
[0021] C＝αCl+(1-α)Cl'
[0022] C＝Cl+△Cl
[0023] 其中，Cl是选自前λf1个体，Cl'是选自前λf2个体，λ表示自然数，α∈(0,1)为随机数，当Cl＝Cl'，则△Cl中的△cij＝αcij,α∈(-1,1)，局部搜索概率动态改变成如下形式：
[0024]
[0025] 其中，G表示最大的进化代数，g表示进化的代数。
[0026] 2.5在个体数目大于种群规模N时，得到剪接算子，形式如下
[0027]
[0028] 其中，Afi表式第i个隐含神经元活跃度，φi(x)表示第i个隐含神经元的输出值，ρ>1。
[0029] 2.6设定优良基因库的最大值为N，将优良的基因保存到基因库中，当优良基因库大于N时，快速非支配排序方法首先执行，然后将快速非支配方法得到的非支配基因从优良基因库中移除，使所有基因满足Pareto最优解以维持优良基因的多样性和均匀性。
[0030] 2.7依照步骤2.2到步骤2.6中的步骤进行循环重复优化搜索，达到允许的最大进化代数式结束优化搜索计算，得到改进后的MOEA遗传算法优化后的染色体，经解码后得到优化后的RBF神经网络模型的参数。
[0031] 本发明的有益效果：本发明通过采集过程对象的输入输出数据，结合RBF神经网络模型，利用改进后的MOEA遗传算法来优化RBF神经网络模型的参数，从而得到焦化炉炉膛压力预测方法。该方法建立的模型具有较高的精确性，能很好地描述过程对象的动态特性。
