遗传规划及其在数据驱动软测量建模中的应用

摘要

遗传规划又称遗传编程(Genetic Programming，GP)是遗传算法的一个特例，是计算智能理论中一种崭新的、重要的方法。它仿效生物界的遗传和进化，根据优胜劣汰的原则，借助复制、交换、突变等操作，逐步逼近最优解。GP算法将遗传算法和计算机程序有机结合，具有在候选解表示上的动态结构特点和搜索寻优机制上全局性的特点，在计算智能中的应用越来越广泛。与神经网络，支持向量机等目前在软测量建模中的常常使用的智能方法相比，遗传规划的建模同样不需要任何经验知识，具有良好的非线性映射能力和自学习适应能力。除此以外，遗传规划还具有以下优点：可以自动确定输入量的延迟时间；能得到一个较为简洁的解析的表达式；可以一次得到多个候选模型；其软测量模型可以很方便的加入任何DCS系统，而不需要象神经网络或支持向量机的软测量仪表那样需加入专门的软件包。本文主要研究如何改进遗传规划的缺点，以使它的优点能够在生物发酵的软测量建模中得到更好的发挥。
　　 本文主要工作和贡献如下：
　　 (1)介绍了遗传规划的产生、特点、基本技术、基本理论、应用研究现状、及其研究热点。介绍了各种软测量建模技术，分析了各技术的特点，并着重介绍了遗传规划在系统建模和化工过程建模中的研究现状，分析了遗传规划在软测量建模中的优势和缺点。
　　 (2)为了提高建模速度，使进化过程中好的结构不会由于其参数的不合适而被淘汰，本文采用了差分进化来优化个体的参数。提出了免疫差分进化，采用从优良群体中搜集的疫苗来防止优良结构被交叉和变异等操作所破坏，促进优良模式的繁殖。为了提高疫苗的使用效率，设计了新的疫苗的形式，疫苗的提取方法和接种概率的确定方法。
　　 (3)提出了免疫遗传规划。将基于疫苗接种思想的免疫原理和遗传规划相结合，从优良群体中提取疫苗，并利用疫苗指导交叉点的选取，防止了交叉所造成的模式破坏，加大了优良模式生存的可能性。
　　 (4)研究了导致GP出现过学习现象的原因，并据此提出了提高GP的泛化能力的方法。①提出了一种新的函数保护措施，该方法能改变原有的函数保护措施所造成的过学习现象并适用于输入变量的取值空间不能完全确定的情况。②使用非支配排序多目标方法来平衡拟和精度、复杂度、波动性等指标要求，并保持种群的多样性。③采用了带偏好的多目标搜索方法，将决策者的偏好信息引入搜索过程，使搜索集中在决策者感兴趣的方向。从而进一步加快搜索效率，提高搜索速度。
　　 (5)提出了抗差遗传规划。为了提高遗传规划处理显著误差的能力，将M估计引入遗传规划的寻优过程中，使之在学习过程中注意区分不同可信度的数据，从而减少由于显著误差所造成的过学习现象。采用了多种群遗传规划，每个种群采用不同的信赖域参数调整策略，从而使学习能够沿着不同的方向进行搜索，防止显著误差的错误判断，以防止因信赖域参数选取不当而导致的“过学习”和“欠学习”现象。采用优良群体的信息进一步区分显著误差，减少显著误差的影响。
　　 (6)将上述改进方法用于发酵过程的建模中。利用加权限定时段的部分最小二乘将GP所得到的模型加以综合，用来在线预测发酵过程中的菌浓度等重要的生物参数。
　　 总结并分析存在的问题及今后研究的方向。

目录

文摘

英文文摘

声明

致谢

1 绪论

1.1进化计算概述

1.2进化计算的主要分支

1.3遗传规划的概述

1.3.1 遗传规划与遗传算法的区别

1.3.2 复传规划的发展

1.3.3遗传规划的基本技术

1.3.4 遗传规划的特征

1.3.5遗传规划的应用领域

1.3.6遗传规划的研究现状和问题

1.4软测量技术基本原理

1.5发酵过程的软测量建模技术

1.5.1 基于机理分析的软测量

1.5.2基于数据驱动的建模方法

1.5.3混合建模

1.6遗传规划及其在化工过程的软测量建模中的应用

1.6.1 遗传规划在系统建模中的应用

1.6.2遗传规划在软测量建模中的发展

1.6.3遗传规划在软测量建模中的优势及其存在的缺点

1.7全文的主要内容和结构

2 基于免疫原理的差分进化

2.1引言

2.2基于免疫原理的差分进化

2.2.1基本差分进化

2.2.2差分进化算法的其它形式

2.2.3基于疫苗接种思想的进化算法的研究现状

2.2.4疫苗自动获取与更新的免疫差分进化(IDE)

2.3差分进化的收敛性分析及改进

2.3.1 差分进化的收敛情况

2.3.2提高DE全局收敛能力的方法

2.3.3 改进DE的收敛性能

2.4实验与分析

2.4.1 测试函数

2.4.2实验一、验证疫苗接种方法的有效性

2.4.3实验二、突变操作能改进收敛性能

2.4.4结果与分析

2.5结论

3 基于免疫原理的遗传规划

3.1均匀交叉算子

3.2影响均匀交叉的计算效率的因素

3.3疫苗的形式及其自动获取方法

3.4疫苗接种方法

3.5实验与分析

3.5.1测试数据

3.5.2结果与分析

3.6结论

4 基于偏好的多目标非支配排序的遗传规划

4.1引言

4.2插值的函数保护方法

4.2.1 关于函数保护措施的研究现状

4.2.2基于插值的函数保护方法

4.2.3实验与分析

4.3基于偏好的非支配排序多目标遗传规划

4.3.1 问题分析及研究现状

4.3.2 多目标优化问题的一些基本概念

4.3.3 多目标遗传规划中的目标函数的设计

4.3.4函数的光滑度的评价准则

4.3.5基于偏好的非支配排序遗传规划的主要步骤

4.3.6实验与分析

4.4结论

5 抗差的遗传规划

5.1 引言

5.2基础知识

5.2.1 软测量中的数据校正

5.2.2 M估计基本原理

5.2.3多子种群遗传规划

5.3抗差的遗传规划

5.3.1基于M估计的适应值函数

5.3.2 损失函数参数的选择

5.3.3含显著误差训练数据的进一步修正方法

5.3.4移民算子

5.3.5进化策略

5.3.6终止准则

5.3.7算法描述

5.4仿真实验

5.4.1 测试数据及实验参数选取

5.4.2试验结果与分析

5.5结论

6 GP在软测量建模中的应用

6.1 引言

6.2生物发酵过程参数概述

6.3基于GP和机理模型的混合软测量建模

6.3.1 终结点集的确定

6.3.2函数结点集确定

6.3.3初始种群的建立

6.3.4 GP相关参数设置

6.3.5采用GP建立基础模型

6.4 GP和PLS混合软测量模型

6.4.1偏最小二乘算法

6.4.2加权限定记忆时段PLS算法

6.4.3数据仿真

6.5结论

7 总结与展望

参考文献

附作者攻博期间发表、录用的论文及参加项目