[发明专利]SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法

权利要求书

1.一种SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法，其特征在于，所述方法包括以下步骤：

步骤1、根据设计要求进行参数选取和数据处理

选择气冷器换热温差T_gc、蒸发器换热温差T_ev、气冷器压力p_gc作为输入变量，系统COP、成本cost作为输出变量，并对输入的训练样本数据进行归一化处理，使其处于[0,1]之间，归一化公式如下：

其中k为归一化后的值，x为被归一化的数据，x_min、x_max分别为被归一化数据中的最小值和最大值；

步骤2、神经网络的创建、训练以及测试，过程如下：

2.1训练神经网络，将步骤1中的数据分成训练集和测试集两个部分；

2.2根据训练集的数据进行对SVR模型原始优化问题进行求解，为简化求解过程通过拉格朗日函数转换为对偶变量的优化问题；

2.3选择惩罚参数C和高斯RBF核函数对上述步骤中的对偶函数进行求解，得到SVR训练模型；

2.4测试神经网络，完成所有的数据训练后，用测试集里的数据对神经网络进行测试，若训练误差符合规定的范围，则SVR神经网络模型构建完成；若不符合训练误差则返回到步骤2.3，进行下一轮的优化求解，直至符合训练误差；

2.5利用神经网络进行预测，在给定实际状态下的输入变量，所述输入变量包括气冷器换热温差、蒸发器换热温差和气冷器压力，通过训练好的SVR神经网络模型进行预测得到预测参数，所述预测参数包系统COP和成本，将系统COP和成本值进行反归一化处理得到实际值，反归一化公式为：

x＝k·(x_max-x_min)+x_min

步骤3、基于训练完成的神经网络，利用NSGA-II遗传算法对空气源热泵进行多目标优化；

步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。

2.如权利要求1所述一种SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法，其特征在于：所述步骤3的过程如下：

3.1参数初始化：采用实数编码的方式对种群及个体进行编码，设置种群的规模N₁，进化次数G，交叉概率P_c和变异概率P_m，种群规模N₁根据热泵的实际情况而定，取值范围为10～100，进化次数为100～1000，交叉概率P_c的取值范围为0.25～1，变异概率P_m的取值范围为0.001～0.1；

3.2初始化种群：设进化代数计数器t＝0和最大进化代数G，随机生成初始父代种群2P_t；

3.3计算目标函数：计算种群中各个体的目标函数值，本次研究将SVR神经网络学习的输入输出的映射关系中的输出作为NSGA-II遗传算法的目标函数值；

3.4非支配排序和拥挤度计算：在非支配排序中，非支配序等级较高的个体优先被选择，若两个个体属于同一个非支配层，则要依据拥挤度来选择；拥挤度用来表示种群中给定个体的周围个体的密度，为了更好地取到种群中不同的个体，要选取周围较不拥挤的个体，即拥挤度较大的个体；根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的P_t个个体组成新的父代种群；

3.5交叉：将交叉算子作用于父代种群，把两个父代个体的结构进行替换重组来生成新的个体，根据给定的交叉概率P_c，如果产生的0到1之间的随机数rand(0,1)小于交叉概率P_c时，则执行交叉操作；否则不执行交叉操作；

3.6变异：将变异算子作用于群体，对于选中的个体中改变某一个或者某一些基因后得到子代种群Q_t。根据给定的变异概率P_m，当产生的0至1之间的随机数rand(0,1)小于变异概率P_m时，则执行变异操作；否则不执行变异操作；

3.7选择：将交叉变异后得到的子代种群与父代种群合并为新种群R_t，依据SVR神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算，根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的个体组成新的父代种群P_t+1；

3.8计算是否满足最大进化次数。若满足最大进化次数，则计算结束；若不满足最大进化次数则重复步骤3.5～3.7，直至满足进化次数为止；

3.9在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。