基于蚁群算法的C4烯烃制备的工艺参数优化方法技术

本发明专利技术属于化工原料合成领域，具体涉及一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，包括：先构建ACO

【技术实现步骤摘要】
基于蚁群算法的C4烯烃制备的工艺参数优化方法


[0001]本专利技术属于化工原料合成领域，具体涉及一种基于蚁群算法的C4烯烃制备的工艺参数优化方法。

技术介绍

[0002]C4烯烃作为重要的化工原料，被广泛应用于化工产品及医药中间体的生产。以清洁能源乙醇为平台分子生产高附加值的C4烯烃具有较好的应用前景及经济效益，因此探索乙醇催化偶合制备C4烯烃的工艺条件以使生产效率达到最大化具有重要意义。
[0003]近年来，很多学者采用神经网络等机器学习的方法来研究生产领域的工艺条件优选的问题。虽然神经网络模型可以刻画实验数据之间复杂的非线性关系，但传统BP神经网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。加上BP神经网络对初始权值非常敏感，以不同的权值初始化网络，其往往会收敛于不同的局部极小值，这也是很多学者每次训练得到不同结果的根本原因。
[0004]而蚁群算法(Ant Colony Optimization，ACO)作为结合分布式计算、正反馈机制及贪婪式搜索的模拟进化算法，具有良好的全局寻优功能，能够更好地帮助BP神经网络确定最优权值、阈值，弥补BP神经网络的一些缺陷问题。现如今其未曾有与BP神经网络相结合来解决化工原料合成领域的应用，因此运用ACO
‑
BPNN模型来解决该问题是本专利技术的创新点。

技术实现思路

[0005]为了弥补现有技术的不足，本专利技术提供一种基于蚁群算法的C4烯烃制备的工艺参数优化方法技术方案。
[0006]一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，包括：
[0007]S1构建ACO
‑
BPNN模型
[0008]S1.1构建BPNN拓扑结构，以工艺条件为输入指标，以目标产物为输出指标；
[0009]S1.2根据蚁群算法编码BPNN的网络权值，并随机产生个体的初始解向量；
[0010]S1.3计算每个个体的适应度函数，即为个体的信息素；
[0011]S1.4将个体信息素进行归一化；
[0012]S1.5根据归一化后信息与转移概率的比较，判断个体进行局部优化还是全局优化；
[0013]S1.6进行信息素更新；
[0014]S1.7判断是否满足训练条件，是则解码输出网络权值，否则重新进行信息素归一化；
[0015]S2运用蚁群算法对所建立模型进行寻优，确定最佳工艺参数
[0016]S2.1根据蚁群算法与参数取值范围编码参数工艺，并随机产生个体的初始解向
量；
[0017]S2.2带入训练好的神经网络模型中，计算每个个体的目标值即为信息素；
[0018]S2.3将个体信息素进行归一化；
[0019]S2.4根据归一化后信息与转移概率的比较，判断个体进行局部优化还是全局优化；
[0020]S2.5进行信息素更新；
[0021]S2.6判断是否满足训练条件，是则解码输出最优工艺参数，否则重新进行信息素归一化。
[0022]进一步地，所述S1.1中，
[0023]在BPNN拓扑结构中，输入层和隐层之间的激活函数，隐层与输出层之间的激活函数分别为sigmoid函数和purelin函数，具体如下：
[0024][0025]其中，W
ij(1)
,W
j(2)
,b
j(1)
,b
(2)
为权值，X
i
,S
j
,Y分别表示输入、隐层输出和神经网络输出，i＝1,2,3,4,5,j＝1,2,3；
[0026]选取90％实验数据作为训练集，剩余10％实验数据作为测试集，训练集和测试集的拟合效果均有均方差衡量，即目标函数
[0027][0028]其中，Y
k
为模型输出值，O
k
为实验目标产物收率数据。
[0029]进一步地，所述S1.2中，产生初始种群个体的操作包括：
[0030]确定种群个体数量I，学习率lr，转移概率参数P0，信息素挥发系数lf，误差κ以及初始化信息素矩阵P，然后根据BPNN拓扑网络中所有参数数量N，设定参数最大值与最小值，在参数范围内随机产生初始蚁群矩阵W。
[0031]进一步地，所述S1.3中，个体适应度函数的计算包括：
[0032]将训练样本特征向量输入目标函数中已构建的神经网络，再根据种群的适应度函数，即：
[0033][0034]上式中P(i,t),MAE(i,t)分别代表第i个蚁群在t次迭代下的信息素和均方差，计算每个个体的适应度，将其升序排列，并记录t时刻最优个体解向量及其适应度。
[0035]进一步地，所述S1.4中，将个体信息素进行归一化的操作包括：
[0036]将t时刻记录的个体适应度进行归一化表示为：
[0037][0038]进一步地，所述S1.5中，当归一化后信息素小于转移概率，则进行局部优化，反之则进行全局优化，具体表示为：
[0039][0040]其中P0是预设的转移概率，
[0041]局部优化表达为：
[0042]W(i,j)＝W(i,j)+(R(i,j)
‑
0.5)
×
W(i,j)
×
lr
[0043]其中，W(i,j)为进行局部优化的第i个蚁群个体，第j个优化编码的矩阵权值，R(i,j)为0到1的随机数，lr为学习率；
[0044]全局优化表达为：
[0045]W(i,j)＝W(i,j)+R(i,j)
×
(max
j
‑
min
j
)+min
j
[0046]其中，max
j
为第j个编码最大的范围，min
j
为第j个编码最小的范围。
[0047]进一步地，所述S1.6中，进行信息素更新的操作包括：
[0048]将进行全局优化和局部优化完成的个体重新进行适应度函数，更新信息素，表达为：
[0049]P(i,t)＝P(i,t
‑
1)
×
(1
‑
lf)+P(i,t)
[0050]其中，lf为信息素的衰减系数。
[0051]进一步地，所述S1.7中，终止条件判断包括：
[0052]若最优个体输出误差小于ε，即：G
k
＜ε，则停止训练，输出结果，其中G
k
为样本预测输出值与期望输出值的差值，ε为预设的误差值；
[0053]否则训练重新计算个体适应度，进而产生新的权值、阈值矩阵，使得最优个体输出误差越来越小。
[0054]进一步地，所述S2.1中初始化蚁群的操作包括：
[0055]根据蚁群算法与参数取值范围编码参数工艺；
[0056]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，其特征在于，包括：S1构建ACO
‑
BPNN模型S1.1构建BPNN拓扑结构，以工艺条件为输入指标，以目标产物为输出指标；S1.2根据蚁群算法编码BPNN的网络权值，并随机产生个体的初始解向量；S1.3计算每个个体的适应度函数，即为个体的信息素；S1.4将个体信息素进行归一化；S1.5根据归一化后信息与转移概率的比较，判断个体进行局部优化还是全局优化；S1.6进行信息素更新；S1.7判断是否满足训练条件，是则解码输出网络权值，否则重新进行信息素归一化；S2运用蚁群算法对所建立模型进行寻优，确定最佳工艺参数S2.1根据蚁群算法与参数取值范围编码参数工艺，并随机产生个体的初始解向量；S2.2带入训练好的神经网络模型中，计算每个个体的目标值即为信息素；S2.3将个体信息素进行归一化；S2.4根据归一化后信息与转移概率的比较，判断个体进行局部优化还是全局优化；S2.5进行信息素更新；S2.6判断是否满足训练条件，是则解码输出最优工艺参数，否则重新进行信息素归一化。2.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，其特征在于，所述S1.1的操作包括:在BPNN拓扑结构中，输入层和隐层之间的激活函数，隐层与输出层之间的激活函数分别为sigmoid函数和purelin函数，具体如下：其中，W
ij(1)
,W
j(2)
,b
j(1)
,b
(2)
为权值，X
i
,S
j
,Y分别表示输入、隐层输出和神经网络输出，i＝1,2,3,4,5,j＝1,2,3；选取90％实验数据作为训练集，剩余10％实验数据作为测试集，训练集和测试集的拟合效果均有均方差衡量，即目标函数其中，Y
k
为模型输出值，O
k
为实验目标产物收率数据。3.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，其特征在于，所述S1.2中，产生初始种群个体的操作包括：确定种群个体数量I，学习率lr，转移概率参数P0，信息素挥发系数lf，误差κ以及初始化信息素矩阵P，然后根据BPNN拓扑网络中所有参数数量N，设定参数最大值与最小值，在参数范围内随机产生初始蚁群矩阵W。
4.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法，其特征在于，所述S1.3中，个体适应度函数的计算包括：将训练样本特征向量输入目标函数中已构建的神经网络，再根据种群的适应度函数，即：上式中P(i,t),MAE(i,t)分别代表第i个蚁群在t次迭代下的信息素和均方差，计算每个个体的适应度，将其升序排列，并记录t时刻最优个体解向量及其适应度。5.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：叶梓恒，周烨辉，金伟锋，
申请(专利权)人：浙江中医药大学，
类型：发明
国别省市：