[发明专利]基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法

权利要求书

1.基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法，其特征在于，按照以下步骤进行：

步骤1，利用蒙特卡洛方法模拟计算反应堆中子和光子输运过程，采用MCNP程序对船用反应堆分层屏蔽模型进行模拟计算，得到反应堆屏蔽后的中子和光子通量，并计算出总的当量剂量；

步骤2，根据样本的输入参数个数n₁和输出参数个数n₂来确定BP神经网络的拓扑结构；

步骤3，根据反应堆屏蔽问题目标确定遗传算法的适应度函数，适应度函数有以下推荐类型；

(a)约束型

Fittness＝Weight，Dose≤D₀

Fittness为适应度值；Weight为反应堆屏蔽层质量；D₀为剂量限值；Dose为中子和光子穿过反应堆屏蔽层之后的剂量；

(b)权重型

Fittness＝W₁*Weight′+W₂*Dose′

Fittness为适应度值；Weight′和Dose′分别为归一化的质量和剂量；

W₁和W₂分别为两者之间的权重，默认均为1，

选择上述推荐的适应度函数，利用遗传算法强寻优能力，与神经网络相互耦合找到最佳的屏蔽参数。

2.根据权利要求1所述的基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法，其特征在于，所述步骤2中BP神经网络结构有以下原则：

(a)对于复杂工程问题，神经网络隐含层采用双层神经元；

(b)在单层的隐含层神经网络中，整个神经网络神经元个数结构为：

n₁→2n₁±1→n₂

(c)在双层的隐含层神经网络中，整个神经网络神经元个数结构为：

n₁→1.5n₁→2n₁±1→n₂

对于BP神经网络训练参数，有以下推荐：

(d)节点传递函数

正切S型传递函数tansig

(e)训练函数

BP算法训练函数trainlm

(f)网络学习函数

梯度下降动量函数learngdm

利用神经网络极强的非线性拟合能力对上述的剂量数据进行训练学习，直到达到误差小于2％的预测精度来替换MCNP程序计算的过程。