發(fā)夾變異操作rna遺傳算法的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能優(yōu)化建模技術(shù)領(lǐng)域，特別是涉及一種發(fā)夾變異操作RNA遺傳算法 的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法。
【背景技術(shù)】
[0002] 吊車屬大型的工程搬運設(shè)備，在國民經(jīng)濟建設(shè)中占據(jù)著舉足輕重的地位。在各類 吊車中，橋式吊車最具代表性。橋式吊車的主要任務(wù)是實現(xiàn)貨物的快速、準確、無殘擺運送。 由于吊車系統(tǒng)的欠驅(qū)動特性，臺車運動及干擾會引起負載的擺動而降低吊車系統(tǒng)的工作效 率，同時可能會導致負載與操作工人或其它物體發(fā)生碰撞引起損失。因此，必須對橋式吊車 進行有效的控制。為實現(xiàn)這一目的，建立高精度的橋式吊車系統(tǒng)模型是至關(guān)重要的基礎(chǔ)。
[0003] 目前國內(nèi)外已有一些關(guān)于吊車建模研究成果的文章發(fā)表，A. Kaneshige等人針對 三維吊車在運送液艙時需要考慮液體振動問題，基于動力學方程建立了吊車模型[1]。馬博 軍等人利用拉格朗日方程對三維橋式吊車系統(tǒng)進行了動力學建模 [2]。Jie Huang等人基于 Kane的方法建立了傳送分布質(zhì)量梁的橋式吊車的非線性模型[3]。R.M.T. Raja Ismail等 人提出為了解決遠海的裝載貨物問題，利用吊車實現(xiàn)船到船之間的運輸可解決港口擁擠問 題并提高港口效率，并針對海上集裝箱吊車系統(tǒng)應用拉格朗日方程建立模型 [4]。
[0004] 這些研究成果都是基于機理建模的。由于橋式吊車的非線性、時變性、不確定性等 特點使得所建立的機理模型與實際系統(tǒng)有較大的偏差，迫切需要尋求新的建模方法。人工 神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)和功能的信息處理系統(tǒng)，具有自學習、自適應、分布存儲、并行處 理等特點，能實現(xiàn)輸入與輸出的非線性映射關(guān)系。然而，神經(jīng)網(wǎng)絡(luò)性能是由網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)值 確定，因此，神經(jīng)網(wǎng)絡(luò)模型的參數(shù)優(yōu)化是關(guān)鍵問題。
[0005] 遺傳算法由于對待求解問題的無連續(xù)性、無可微性要求、只需要知道目標函數(shù)的 信息而受到人們的特別關(guān)注。遺傳算法全局尋優(yōu)能力強，但是局部尋優(yōu)能力較弱，易于早熟 收斂。隨著生物科學與技術(shù)的不斷進步，人們對生物分子特性的認識不斷加深，對RNA分子 的結(jié)構(gòu)和遺傳信息表達機理的認識也加深，受RNA生物分子操作的啟發(fā)，陶吉利等人提出 了一種RNA遺傳算法，克服了傳統(tǒng)遺傳算法的不足。
[0006] 本發(fā)明受RNA分子特性和分子操作的啟發(fā)，提出了發(fā)夾變異操作的RNA遺傳算法 (hmRNA-GA)，可用于求解復雜的非線性優(yōu)化問題，將所提出的發(fā)夾變異操作RNA遺傳算法 用于橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)的中心尋優(yōu)中取得較理想的效果。
[0007] 參考文獻
[0008] [1]A. Kaneshige, N. Kaneshige, S. Hasegawa. Model and control system for 3D transfer of liquid tank with overhead crane considering suppression of liquid vibration. International Journal of Cast Metals Research，2008, 21，293-298.
[0009] [2]馬博軍，方勇純，劉先恩，王鵬程.三維橋式吊車建模與仿真平臺設(shè)計[J]. 系統(tǒng)仿真學報，2009, 21 (12) : 2798-3803.
[0010] [3] Jie Huang, Zan Liang, Qiang Zang. Dynamics and swing control of double-pendulum bridge cranes with distributed-mass beams. Mechanical Systems and Signal Processing. 2015, 54-55:357-366.
[0011] [4]R. M. T. Raja Ismail, et al. , Modelling and robust trajectory following for offshore container crane systems, Automation in Construction(2015)，http:// dx. doi. org/10. 1016/j. autcon. 2015. 05. 003.

【發(fā)明內(nèi)容】

[0012] 本發(fā)明的目的是克服傳統(tǒng)遺傳算法存在的不足和橋式吊車機理建模的不足，提出 發(fā)夾變異操作RNA遺傳算法的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法，該方法將發(fā)夾變異操作RNA遺 傳算法用于橋式吊車RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)尋優(yōu)中，結(jié)果表明所建模型能較好的反應實 際系統(tǒng)的非線性特性。
[0013] 發(fā)夾變異操作RNA遺傳算法的橋式吊車神經(jīng)網(wǎng)絡(luò)建模方法的具體步驟如下：
[0014] 步驟1:通過現(xiàn)場測試或?qū)嶒灚@得二維橋式吊車系統(tǒng)水平方向控制輸入和輸出采 樣數(shù)據(jù)，其中輸入采樣數(shù)據(jù)為控制力f x，輸出采樣數(shù)據(jù)為水平方向上位置X和擺角Θ x;
[0015] 步驟2:建立橋式吊車2個RBF神經(jīng)網(wǎng)絡(luò)非線性模型，分別為位置RBF神經(jīng)網(wǎng)絡(luò)模 型和擺角RBF神經(jīng)網(wǎng)絡(luò)模型，兩個模型均采用3層結(jié)構(gòu)；
[0016] 設(shè)定位置RBF神經(jīng)網(wǎng)絡(luò)模型輸入變量個數(shù)為Pnum，輸入向量為 [x(t-l), x(t-2),…，xU-n!)，fx(t), fx(t-l),…，fJt-nO]，其中 IidPm1 為整數(shù)，且 n!+!^ = Pnum，輸出變量個數(shù)為Pout = 1，輸出變量為x(t)，t為采樣時刻，fx(t)為t時刻的控制力 采樣數(shù)據(jù)，隱層結(jié)點數(shù)為Ph，徑向基函數(shù)為高斯函數(shù)；
[0017] 設(shè)定擺角RBF神經(jīng)網(wǎng)絡(luò)模型輸入變量個數(shù)為Cnum，輸入向量為 [θ x (t-Ι)，Θ x (t-2)，…，Θ x (t-n2)，fx (t)，fx (t-Ι)，…，fx (t-m2)]其中 n2和 m 2為整數(shù)，且 n2+m2=Cnum，輸出變量個數(shù)為Cout = l，輸出變量為Θ x(t)，隱層結(jié)點數(shù)為Ch，徑向基函數(shù) 為高斯函數(shù)；
[0018] 位置RBF神經(jīng)網(wǎng)絡(luò)輸入輸出關(guān)系式為：
[0020] X1為位置RBF神經(jīng)網(wǎng)絡(luò)輸入向量，Y1表示網(wǎng)絡(luò)的輸出向量，。i是高斯函數(shù)的基寬， Clie R _?為徑向基中心，Wli表示隱含層到輸出層的連接權(quán)值。
[0021] 擺角RBF神經(jīng)網(wǎng)絡(luò)輸入輸出關(guān)系式為：
[0023] X2為位置RBF神經(jīng)網(wǎng)絡(luò)輸入向量，Y2表示網(wǎng)絡(luò)的輸出向量，? 2是高斯函數(shù)的基寬， C21 e R 為徑向基中心，W21表示隱含層到輸出層的連接權(quán)值。
[0024] 步驟3:數(shù)據(jù)歸一化，將步驟1采樣到的全部數(shù)據(jù)映射到-1到1之間；
[0025] 步驟4:將歸一化后的數(shù)據(jù)輸入到步驟2建立的位置RBF神經(jīng)網(wǎng)絡(luò)模型和擺角RBF 神經(jīng)網(wǎng)絡(luò)模型中，其中的一部分數(shù)據(jù)作為訓練樣本，另一部分作為測試樣本；
[0026] 步驟5:設(shè)置位置RBF神經(jīng)網(wǎng)絡(luò)模型和擺角RBF神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)的參數(shù)；
[0027] 步驟6:根據(jù)單鏈RNA分子中由分子內(nèi)的堿基配對形成包括發(fā)夾結(jié)構(gòu)、凸起結(jié)構(gòu)、 內(nèi)環(huán)結(jié)構(gòu)在內(nèi)的多種環(huán)狀結(jié)構(gòu)的機制，抽象出發(fā)夾變異算子和發(fā)夾變異操作RNA遺傳算 法；
[0028] 步驟7:將不同時刻位置RBF神經(jīng)網(wǎng)絡(luò)模型的輸出值與步驟1中實際位置采樣數(shù) 據(jù)間的誤差絕對值之和，作為發(fā)夾變異操作RNA遺傳算法尋優(yōu)搜索的目標函數(shù)，獲得位置 RBF神經(jīng)網(wǎng)絡(luò)模型尋優(yōu)參數(shù)值；按相同方法獲得擺角RBF神經(jīng)網(wǎng)絡(luò)模型尋優(yōu)參數(shù)值；
[0029] 步驟8:以步驟7獲得的尋優(yōu)參數(shù)值確定位置RBF神經(jīng)網(wǎng)絡(luò)模型和擺角RBF神經(jīng) 網(wǎng)絡(luò)模型，通過測試樣本進行神經(jīng)網(wǎng)絡(luò)模型驗證。
[0030] 所述的步驟3按照下式進行歸一化運算：
[0032] 其中，緣表示歸一化后的樣本數(shù)據(jù)，i為樣本數(shù)，j為樣本的分量，Xlj表示第i個 樣本的第j個分量，dmaX]為第j個樣本分量的最大值，dmin ,為第j個樣本分量的最小值。
[0033] 所述的步驟4對訓練樣本和測試樣本的選擇方法如下：
[0034] 對于N組數(shù)據(jù)，每組p點數(shù)據(jù)，在N組數(shù)據(jù)中各隨機選取Ι/k作為訓練樣本，則總 樣本數(shù)為NXp X (1/k)，再將N組數(shù)據(jù)分別作為測試樣本。
[0035] 所述的步驟5中待尋優(yōu)的參數(shù)為RBF神經(jīng)網(wǎng)絡(luò)模型徑向基函數(shù)的中心。
[0036] 所述的步驟6中發(fā)夾變異操作RNA遺傳算法采用的發(fā)夾變異算子，變異算子操作 為：
[0037] 設(shè)某個體第一位編碼位置為clposl = 1，從clposl+1位開始，尋找與clposl位 互補的堿基clpos2位，clposl與clp〇s2之間的編碼進行鏡像，并用互補的堿基替換，令 clposl = clpos2+l，重復上述操作，直至遍歷該個體。
[0038] 所述的步驟7對橋式吊車位置或擺角RBF神經(jīng)網(wǎng)絡(luò)模型中的徑向基函數(shù)中心進行 尋優(yōu)的步驟為：
[0039] 步驟7. 1 :設(shè)定發(fā)夾變異操作RNA遺傳算法的參數(shù)：種群數(shù)S