基于BPNN与ISPEA的工业决策参数稳健优化  

Applications of BPNN and ISPEA for Robustness Optimizing of Industrial Decision Parameters

作　　者：李太福[1] 廖志强 辜小花[1] 易军[1] 葛继科[1] 

机构地区：[1]重庆科技学院电气与信息工程学院,重庆401331 [2]福建省计量科学研究院国家光伏产业计量测试中心,福州350003

出　　处：《控制工程》2015年第4期742-746,共5页Control Engineering of China

基　　金：国家自然科学基金(51375520);重庆市基础与前沿研究计划项目(cstc2013jj B40007);重庆市高校创新团队(KJTD201324)

摘　　要：为降低目标性能对工业决策参数因不确定性而变化的敏感性,实现即稳健又靠近理想性能的目标,提出了一种工业过程决策参数的稳健优化方法。首先用神经网络建立复杂工业过程模型,确定决策参数与目标性能之间的映射关系;再用模型的目标性能均方差构建稳健准则,通过稳健准则量化目标的稳健性;然后将稳健准则与目标性能作为两个目标,构造出多目标稳健优化模型,利用具有多体交叉和大搜索范围的改进的强度Pareto进化算法(Improve Strength Pareto Evolutionary Algorithm,ISPEA)对多目标稳健优化模型进行搜索,搜索稳健性和目标性能最好的解,据此对实际生产进行指导。通过对氢氰酸(HCN)生产工艺的仿真验证,显示了该方法的有效性。To reduce the impact of objective performance sensitivity in industrial decision parameters by the variation of uncertainty and enhance the robustness of industrial process, a novel approach of process modeling and multi-objective robustness optimization is proposed in this paper. Firstly, BP neural network （BPNN） is applied to map process decision parameters and the objective performance. Then the optimization model of decision parameters is built. Secondly, the mean square deviation of the model output is used to measure the robustness. Take the mean square deviation and the model output as objectives of the multi-objective optimization model. Finally, the improve strength Pareto evolutionary algorithm is used to search for the multi-objective robust optimization model. The simulation results of the HCN production process show the effectiveness of the method.

关 键 词：决策参数 稳健优化 神经网络 改进增强进化算法 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]