專利名稱：基于模糊分析和可視化技術(shù)的多目標參數(shù)尋優(yōu)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及エ業(yè)過程中篩選優(yōu)化操作區(qū)間的ー種方法，特別涉及一種多目標參數(shù)尋優(yōu)方法。
背景技術(shù)：
在現(xiàn)代エ業(yè)生產(chǎn)中，因其エ藝流程復(fù)雜，操作變量多，系統(tǒng)的復(fù)雜程度高，影響因素眾多，導(dǎo)致獲得的生產(chǎn)流程參數(shù)數(shù)據(jù)呈現(xiàn)復(fù)雜化，高維化，非線性化，噪點化，而且難以給人明晰的直觀感受。因此人們難以對歷史數(shù)據(jù)進行有效的整理，分析，判斷和預(yù)測。針對以上問題，人們經(jīng)常采用分類和可視化的方法對數(shù)據(jù)進行優(yōu)選和結(jié)構(gòu)可視化，首先對數(shù)據(jù)進行分類，剔除離群點，選出優(yōu)選點集合，然后將數(shù)據(jù)映射到ニ維平面，通過 對ニ維平面上的顯示圖像，例如圖表、柱狀圖等，實現(xiàn)可視化，以便于有針對性地對エ藝參數(shù)的調(diào)整和效果預(yù)測。其不足之處在于現(xiàn)有技術(shù)中，對非線性、噪點信息很難篩除，以至于最終輸出的數(shù)據(jù)走向失真，影響操作人員的判斷?，F(xiàn)有技術(shù)中，對數(shù)據(jù)處理常采用如下算法I.列隊競爭算法列隊競爭算法(Line-up Competetion Algorithm,簡稱LCA)是一種模擬生物進化的群體捜索算法，搜索過程與進化算法的基本機制相似，也有繁殖、變異、選擇等操作算子。其在解連續(xù)變量的問題中具有對初值要求不高、不受目標函數(shù)連續(xù)可微的限制、不容易陷入局部最優(yōu)值、收斂速度快等特點。該方法具體實施步驟如下(I)在捜索空間按均勻分散產(chǎn)生m個個體形成m個家族，組成初始解群，并計算各個個體的目標函數(shù)值；(2)按目標函數(shù)的大小，對m個個體排序(求全局最小值，采用升序，求全局最大值，用降序)。(3)根據(jù)各個個體在列隊中的位置，按ー定比例確定其相應(yīng)的搜索空間，處于第一位的搜索空間最小，處于最末位的搜索空間最大。(4)各個個體在各自的相應(yīng)搜索空間內(nèi)進行無性繁殖，產(chǎn)生η個彼此差異性盡可能大的子代個體，η個子代個體與父代一起進行生存競爭，將其中最優(yōu)秀的一個個體保留下來，代表它所屬的家族，參加下次列隊地位的競爭。(5)整體收縮搜索空間，然后，轉(zhuǎn)到第(2)歩。(6)終止條件捜索空間收縮到接近于一點。2.模糊C均值聚類法模糊C均值聚類算法(簡稱FCM)的數(shù)學(xué)模式如下數(shù)據(jù)集X · (X1, x2, , xn}包含η個模式,姆個模式由P個參數(shù)描述,模糊聚類就是將這些模式劃分到c個類(C1, C2，. . .，C。，c ■ η)中，使得目標函數(shù)J最小，即
權(quán)利要求
1.一種基于模糊分析和可視化技術(shù)的多目標參數(shù)尋優(yōu)方法，其特征在于包括如下步驟 1)獲取エ業(yè)控制過程中的多組操作參數(shù)； 2)由步驟I中的操作參數(shù)確定操作參數(shù)變量的變化空間； 3)設(shè)置FCM(模糊C均值聚類法)參數(shù)一系列分類數(shù)，C= 1,2, ...,N, m值，設(shè)置LCA(列隊競爭算法)的參數(shù)迭代數(shù)iter,家族數(shù)family,家族規(guī)模familysize,收縮因子s ； 4)對分類數(shù)C，在操作變量變化空間內(nèi)隨機產(chǎn)生family組C個點，作為family組C個類的類中心點，稱為父代，用傳統(tǒng)的FCM梯度迭代公式得到family組每個點對C個類中心的隸屬度，計算聚類評價函數(shù)，得到family個目標函數(shù)值； 5)對family個父代做升序排序，類中心也作對應(yīng)調(diào)整； 6)變異空間的分配設(shè)置變異空間為原始操作變量的變化空間，變異空間的分配按照排序中越靠前的父代獲得的變異空間越小，越靠后的父代獲得的變異空間越大； 7)子代的生成對于family個父代在其變異空間類隨機產(chǎn)生familysize個子代類中心，用傳統(tǒng)的FCM梯度迭代公式得到familysize組姆個點對C個類中心的隸屬度,計算聚類評價函數(shù)，得到family組familysize個目標函數(shù)值； 8)家族內(nèi)競爭，將每個父代連同它產(chǎn)生的子代一并比較，取出目標函數(shù)值最小者，并用其對應(yīng)的類中心替代父代，形成新的family個父代； 9)變異空間的收縮，將變異空間乘上收縮系數(shù)，令其為新的變異空間； 10)回到步驟5，知道目標函數(shù)值收斂或者達到指定的迭代次數(shù)； 11)對于得到的一系列分類數(shù)的分類，選定這樣的一個分類優(yōu)秀點比較明顯的集中于ー類中，只有少數(shù)優(yōu)秀點在其他的分類中； 12)對于選出的分類，選擇優(yōu)秀點集中的類別，組成新的數(shù)據(jù)集合，設(shè)其樣本數(shù)為η; 13)對新的數(shù)據(jù)集降維，首先設(shè)置降維效果評價函數(shù)，設(shè)置距離矩陣誤差權(quán)P和差異化參數(shù)q 14)隨機生成初始點x(cl)； 15)用快速下降法中的公式更新r(s)，as和よβ)； 16)迭代至收斂，輸出x(iel);為ニ維數(shù)據(jù)集合； 17)將輸出結(jié)果作圖，觀察結(jié)果數(shù)據(jù)的拓撲結(jié)構(gòu)，取其中任意一點，或者當前エ藝操作點； 18)對選定點做逆映射，找出原空間此點坐標； 19)在該點做沿各個軸向做降維，觀察每個參數(shù)對此操作點的影響，并作出等值線； 20)在反復(fù)地選點，逆映射，軸映射，顯示等值線，重新選點的過程中，繼續(xù)延各軸調(diào)節(jié)參數(shù)，盡可能保證達到目標值的情況下，調(diào)整參數(shù)到理想狀態(tài)； 21)輸出優(yōu)化操作點。
全文摘要
本發(fā)明涉及一種基于模糊分析和可視化技術(shù)的多目標參數(shù)尋優(yōu)方法，為工業(yè)過程中參數(shù)數(shù)據(jù)的處理、分析、優(yōu)選及預(yù)測提供了一種有效手段。本發(fā)明首先使用進化算法和傳統(tǒng)模糊C均值聚類混合算法對數(shù)據(jù)分類，選出優(yōu)選數(shù)據(jù)集。然后對傳統(tǒng)的非線性映射評價函數(shù)進行改進，引入距離誤差權(quán)和差異化因子，旨在盡可能保證數(shù)據(jù)集中最遠和最近點距離的降維誤差最小，將降維誤差集中在次要信息上，過程的求解使用最快下降法求解，最終將高維空間數(shù)據(jù)降低至二維平面。最后將多維數(shù)據(jù)沿每一維度做出軸映射，并繪制等值線，觀察各參數(shù)對操作點的影響和優(yōu)化潛力，給人提供豐富的直觀信息，經(jīng)反復(fù)選點并做逆映射還原到實際操作空間中，達到參數(shù)優(yōu)選的目的。
文檔編號G05B13/04GK102722103SQ201210154309
公開日2012年10月10日 申請日期2012年5月18日 優(yōu)先權(quán)日2012年5月18日
發(fā)明者盧海, 李驍淳, 林子雄, 王志剛, 鄢烈詳 申請人:鎮(zhèn)江雅迅軟件有限責任公司