發夾變異操作rna遺傳算法的橋式吊車神經網絡建模方法
【技術領域】
[0001] 本發明涉及智能優化建模技術領域，特別是涉及一種發夾變異操作RNA遺傳算法 的橋式吊車神經網絡建模方法。
【背景技術】
[0002] 吊車屬大型的工程搬運設備，在國民經濟建設中占據著舉足輕重的地位。在各類 吊車中，橋式吊車最具代表性。橋式吊車的主要任務是實現貨物的快速、準確、無殘擺運送。 由于吊車系統的欠驅動特性，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。為實現這一目的，建立高精度的橋式吊車系統模型是至關重要的基礎。
[0003] 目前國內外已有一些關于吊車建模研究成果的文章發表，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有較大的偏差，迫切需要尋求新的建模方法。人工 神經網絡是模擬人腦結構和功能的信息處理系統，具有自學習、自適應、分布存儲、并行處 理等特點，能實現輸入與輸出的非線性映射關系。然而，神經網絡性能是由網絡結構與權值 確定，因此，神經網絡模型的參數優化是關鍵問題。
[0005] 遺傳算法由于對待求解問題的無連續性、無可微性要求、只需要知道目標函數的 信息而受到人們的特別關注。遺傳算法全局尋優能力強，但是局部尋優能力較弱，易于早熟 收斂。隨著生物科學與技術的不斷進步，人們對生物分子特性的認識不斷加深，對RNA分子 的結構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，陶吉利等人提出 了一種RNA遺傳算法，克服了傳統遺傳算法的不足。
[0006] 本發明受RNA分子特性和分子操作的啟發，提出了發夾變異操作的RNA遺傳算法 (hmRNA-GA)，可用于求解復雜的非線性優化問題，將所提出的發夾變異操作RNA遺傳算法 用于橋式吊車RBF神經網絡模型的徑向基函數的中心尋優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計[J]. 系統仿真學報，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.
【發明內容】
[0012] 本發明的目的是克服傳統遺傳算法存在的不足和橋式吊車機理建模的不足，提出 發夾變異操作RNA遺傳算法的橋式吊車神經網絡建模方法，該方法將發夾變異操作RNA遺 傳算法用于橋式吊車RBF神經網絡模型的參數尋優中，結果表明所建模型能較好的反應實 際系統的非線性特性。
[0013] 發夾變異操作RNA遺傳算法的橋式吊車神經網絡建模方法的具體步驟如下：
[0014] 步驟1:通過現場測試或實驗獲得二維橋式吊車系統水平方向控制輸入和輸出采 樣數據，其中輸入采樣數據為控制力f x，輸出采樣數據為水平方向上位置X和擺角Θ x;
[0015] 步驟2:建立橋式吊車2個RBF神經網絡非線性模型，分別為位置RBF神經網絡模 型和擺角RBF神經網絡模型，兩個模型均采用3層結構；
[0016] 設定位置RBF神經網絡模型輸入變量個數為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，且 n!+!^ = Pnum，輸出變量個數為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 采樣數據，隱層結點數為Ph，徑向基函數為高斯函數；
[0017] 設定擺角RBF神經網絡模型輸入變量個數為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，且 n2+m2=Cnum，輸出變量個數為Cout = l，輸出變量為Θ x(t)，隱層結點數為Ch，徑向基函數 為高斯函數；
[0018] 位置RBF神經網絡輸入輸出關系式為：
[0020] X1為位置RBF神經網絡輸入向量，Y1表示網絡的輸出向量，。i是高斯函數的基寬， Clie R _?為徑向基中心，Wli表示隱含層到輸出層的連接權值。
[0021] 擺角RBF神經網絡輸入輸出關系式為：
[0023] X2為位置RBF神經網絡輸入向量，Y2表示網絡的輸出向量，? 2是高斯函數的基寬， C21 e R 為徑向基中心，W21表示隱含層到輸出層的連接權值。
[0024] 步驟3:數據歸一化，將步驟1采樣到的全部數據映射到-1到1之間；
[0025] 步驟4:將歸一化后的數據輸入到步驟2建立的位置RBF神經網絡模型和擺角RBF 神經網絡模型中，其中的一部分數據作為訓練樣本，另一部分作為測試樣本；
[0026] 步驟5:設置位置RBF神經網絡模型和擺角RBF神經網絡模型中待尋優的參數；
[0027] 步驟6:根據單鏈RNA分子中由分子內的堿基配對形成包括發夾結構、凸起結構、 內環結構在內的多種環狀結構的機制，抽象出發夾變異算子和發夾變異操作RNA遺傳算 法；
[0028] 步驟7:將不同時刻位置RBF神經網絡模型的輸出值與步驟1中實際位置采樣數 據間的誤差絕對值之和，作為發夾變異操作RNA遺傳算法尋優搜索的目標函數，獲得位置 RBF神經網絡模型尋優參數值；按相同方法獲得擺角RBF神經網絡模型尋優參數值；
[0029] 步驟8:以步驟7獲得的尋優參數值確定位置RBF神經網絡模型和擺角RBF神經 網絡模型，通過測試樣本進行神經網絡模型驗證。
[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據，i為樣本數，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組數據，每組p點數據，在N組數據中各隨機選取Ι/k作為訓練樣本，則總 樣本數為NXp X (1/k)，再將N組數據分別作為測試樣本。
[0035] 所述的步驟5中待尋優的參數為RBF神經網絡模型徑向基函數的中心。
[0036] 所述的步驟6中發夾變異操作RNA遺傳算法采用的發夾變異算子，變異算子操作 為：
[0037] 設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神經網絡模型中的徑向基函數中心進行 尋優的步驟為：
[0039] 步驟7. 1 :設定發夾變異操作RNA遺傳算法的參數：種群數S