基于bp神經(jīng)網(wǎng)絡與nsga-ⅱ實現(xiàn)疏浚作業(yè)的優(yōu)化方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及BP神經(jīng)網(wǎng)絡及NSGA- II優(yōu)化方法在疏浚作業(yè)的應用，屬于疏浚工程領 域。
【背景技術】
[0002] 疏浚工程是水利水運工程的重要項目?，F(xiàn)代疏浚作業(yè)主要依靠挖泥船來進行，挖 泥船屬于重型機械設備，且機械設備復雜多變，全船裝機功率遠高于普通運輸船舶，要求連 續(xù)不斷地進行挖泥與排泥工作，滿載運作時號稱"海上油老虎"。隨著疏浚工程智能化的發(fā) 展，挖泥船上都布置了監(jiān)測裝置，對許多工況參數(shù)進行了離線或在線監(jiān)測，并通過無線通信 把這些監(jiān)測數(shù)據(jù)傳送到監(jiān)測站。因此，在長期的生產(chǎn)過程中，挖泥船已經(jīng)積累了豐富詳實的 工況參數(shù)數(shù)據(jù)。這些數(shù)據(jù)是對特定區(qū)域、特定環(huán)境下挖泥船在實際運行過程的真實反映，具 有明顯的潛在價值，是重要的科技資源，遺憾的是目前這些資源卻沒有很好的利用。如何利 用數(shù)據(jù)中蘊藏的信息來發(fā)現(xiàn)疏浚過程中的生產(chǎn)規(guī)律，并且利用從數(shù)據(jù)中找出的生產(chǎn)規(guī)律， 來實現(xiàn)挖泥船的增產(chǎn)節(jié)能，是目前探索挖泥船節(jié)能的一個急需解決的問題。

【發(fā)明內容】

[0003] 本發(fā)明的目的是提供一種基于BP神經(jīng)網(wǎng)絡與NSGA- II實現(xiàn)疏浚作業(yè)的優(yōu)化方法 及系統(tǒng)，其利用BP神經(jīng)網(wǎng)絡與快速非支配排序遺傳算法（nondominated sorting genetic algorithm II，NSGA- II )，對挖泥船作業(yè)進行優(yōu)化分析，以實現(xiàn)對疏浚作業(yè)的優(yōu)化，達到高 效率、高產(chǎn)量、低能耗的目的。
[0004] 為了解決上述技術問題，本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡與NSGA- II實現(xiàn)疏浚 作業(yè)的優(yōu)化方法，包括如下步驟：
[0005] 步驟S100,建立疏浚作業(yè)模型；步驟S200,通過NSGA- II多目標優(yōu)化算法對所述 疏浚作業(yè)模型的輸入變量進行優(yōu)化；步驟S300,將優(yōu)化后的輸入變量代入所述疏浚作業(yè)模 型，以計算能耗與產(chǎn)量作為輸出。
[0006] 進一步，所述步驟S100中建立疏浚作業(yè)模型的步驟包括：
[0007] 步驟S110,根據(jù)收集影響疏浚作業(yè)產(chǎn)量與能耗因素X的數(shù)據(jù)，確定p個影響因素 X，且列出其樣本矩陣；步驟S120,以p個影響因素作為輸入，以能耗與產(chǎn)量作為輸出，運用 BP神經(jīng)網(wǎng)絡算法，對樣本矩陣進行訓練、測試，建立疏浚作業(yè)模型。
[0008] 進一步，所述步驟S110中根據(jù)收集影響疏浚作業(yè)產(chǎn)量與能耗因素的數(shù)據(jù)，確定p 個影響因素且列出樣本矩陣的方法包括：
[0009] 對p個影響因素X進行了多次觀測以獲得n個樣本點，
[0010] 即所述樣本矩陣為：
[0011] X = (xiJ)nXp= (x x2, . . . xp), i = 1,2. . . , n ； j = 1,2, . . . p ；
[0012] 并設定能耗與產(chǎn)量為因變量Y，即
[0013] y= (yiJ)nX2= (y y2)；
[0014] 以及還包括：
[0015] 對影響因素X進行數(shù)據(jù)預處理，即
[0016] Xr =(xriJ)nXp= (xr"x' 2, ? ? ?x' p);
[0017] 對因變量Y進行數(shù)據(jù)預處理，即
[0018] Y' =(yr ^-)^2= (yr "太 2)。
[0019] 進一步，所述步驟120建立疏浚作業(yè)模型的方法為通過BP神經(jīng)網(wǎng)絡算法建立所述 疏浚作業(yè)模型，其步驟包括：
[0020] 步驟S121，創(chuàng)建BP神經(jīng)網(wǎng)絡；步驟S122，確定BP神經(jīng)網(wǎng)絡的訓練樣本與測試樣 本；步驟S123,對BP神經(jīng)網(wǎng)絡進行訓練；以及步驟S124,對所述BP神經(jīng)網(wǎng)絡進行測試。
[0021] 進一步，所述步驟S200中通過NSGA-II多目標優(yōu)化算法對所述疏浚作業(yè)模型的輸 入變量進行優(yōu)化的步驟如下：
[0022] 步驟S201，確定疏浚作業(yè)模型輸出的兩個目標函數(shù)，即能耗與產(chǎn)量；
[0023] 步驟S202,判斷優(yōu)化問題的約束類型，S卩非線性約束問題，并選擇優(yōu)化參數(shù)的上下 限；
[0024] 步驟S203,初始化種群M，種群大小為N;
[0025] 步驟S204,計算每個個體的非劣級別值、擁擠距離和改進排序適應度值；
[0026] 步驟S205,進入循環(huán)迭代g，對每個子種群依據(jù)每個個體的非劣級別值、擁擠距離 和改進排序適應度值，運用輪盤賭方法進行設定閾值選擇操作；
[0027] 步驟S206,使用算術交叉算子進行變異操作，得到N個后代；
[0028] 步驟S207,對變異操作之后的每個個體計算適應度值，并收集第g代和第g+1代 所有個體，得到規(guī)模為2N的種群Q;
[0029] 步驟S208,計算種群Q內每個個體的非劣級別值、擁擠距離和改進排序適應度值， 使用按需分層策略選擇較好的N個個體作為最優(yōu)種群G;
[0030] 步驟S209,若滿足終止條件則停止；否則g = g+1，轉第步驟S205步；
[0031] 步驟S210,輸出最優(yōu)化參數(shù)結果數(shù)值。
[0032] 進一步，所述的優(yōu)化方法的方法還包括：
[0033] 步驟S400,對優(yōu)化結果進行評價，即將能耗與產(chǎn)量的輸出值與樣本值平均值進行 比較，以繪制最優(yōu)解集Pareto前端。
[0034] 又一方面，本發(fā)明還提供了一種適用于疏浚作業(yè)節(jié)能增產(chǎn)優(yōu)化的NSGA-II多目標 優(yōu)化算法，包括如下步驟：
[0035] 步驟S1，確定疏浚作業(yè)模型輸出的兩個目標函數(shù)，即能耗與產(chǎn)量；
[0036] 步驟S2,判斷優(yōu)化問題的約束類型，S卩非線性約束問題，并選擇優(yōu)化參數(shù)的上下 限；
[0037] 步驟S3,初始化種群M，種群大小為N ;
[0038] 步驟S4,計算每個個體的非劣級別值、擁擠距離和改進排序適應度值；
[0039] 步驟S5,進入循環(huán)迭代g，對每個子種群依據(jù)每個個體的非劣級別值、擁擠距離和 改進排序適應度值，運用輪盤賭方法進行設定閾值選擇操作；
[0040] 步驟S6,使用算術交叉算子進行變異操作，得到N個后代；
[0041] 步驟S7,對變異操作之后的每個個體計算適應度值，并收集第g代和第g+1代所 有個體，得到規(guī)模為2N的種群Q;
[0042] 步驟S8,計算種群Q內每個個體的非劣級別值、擁擠距離和改進排序適應度值，使 用按需分層策略選擇較好的N個個體作為最優(yōu)種群G;
[0043] 步驟S9,若滿足終止條件則停止；否則g = g+1，轉第步驟S205步；
[0044] 步驟S10,輸出最優(yōu)化參數(shù)結果數(shù)值。
[0045] 第三方面，本發(fā)明還提供了一種基于BP神經(jīng)網(wǎng)絡與NSGA-II實現(xiàn)疏浚作業(yè)的優(yōu)化 系統(tǒng)，包括：
[0046] 模型建立單元，適于建立疏浚作業(yè)模型；
[0047] 輸入優(yōu)化單元，通過NSGA-II多目標優(yōu)化算法對所述疏浚作業(yè)模型的輸入變量進 行優(yōu)化；
[0048] 模型運算單元，將優(yōu)化后的輸入變量代入所述疏浚作業(yè)模型，以計算能耗與產(chǎn)量 作為輸出。
[0049] 進一步，所述模型建立單元適于根據(jù)收集影響疏浚作業(yè)產(chǎn)量與能耗因素X的數(shù) 據(jù)，確定P個影響因素X，且列出其樣本矩陣；以及以p個影響因素作為輸入，以能耗與產(chǎn)量 作為輸出，運用BP神經(jīng)網(wǎng)絡算法，對樣本矩陣進行訓練、測試，建立疏浚作業(yè)模型。
[0050] 有益效果是：本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡與NSGA-II實現(xiàn)疏浚作業(yè)的優(yōu)化 方法及優(yōu)化系統(tǒng)，其采用BP神經(jīng)網(wǎng)絡建立疏浚作業(yè)模型，實現(xiàn)了一個從輸入到輸出的非線 性映射功能，建立起輸入與輸出之間的非線性關系，克服了常規(guī)的數(shù)理模型只能定性的描 述生產(chǎn)過程的弊端。傳統(tǒng)的多目標優(yōu)化方法如加權求和法、e -約束法、最小-最大法，容 易陷入局部極小點、搜索效率很低，NSGA-II優(yōu)化算法具有適用性和通用型、隱并行性、擴展 性等優(yōu)點，它從全局出發(fā)，搜索最優(yōu)的解，搜索效率高于隨機搜索。為疏浚作業(yè)的優(yōu)化研宄 打下理論基礎，達到高效率、高產(chǎn)量、低能耗的目的，對挖泥船進行實際生產(chǎn)指導具有重要 意義。
【附圖說明】
[0051] 下面結合附圖和實施例對本發(fā)明進一步說明。
[0052] 圖1示出了本發(fā)明的基于BP神經(jīng)網(wǎng)絡與NSGA-II實現(xiàn)疏浚作業(yè)的優(yōu)化方法的流 程圖；
[0053] 圖2是本發(fā)明的BP神經(jīng)網(wǎng)絡預測相對誤差圖；
[0054] 圖3是本發(fā)明的最優(yōu)解集Pareto前端圖。
【具體實施方式】
[0055] 現(xiàn)在結合附圖對本發(fā)明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以 示意方式說明本發(fā)明的基本結構，因此其僅顯示與本發(fā)明有關的構成。
[0056] 下面結合附圖對