[发明专利]一种乳化炸药质量预测和优化方法

权利要求书

1.一种乳化炸药质量预测和优化方法，其特征在于，包括以下步骤：

收集乳化炸药生产过程的历史数据，对收集上来的数据进行预处理，对乳化炸药生产过程的工艺操作参数和乳化炸药质量进行相关性分析，选择影响质量较大的工艺参数，删除无关的变量；

建立随机森林乳化炸药质量预测模型，并设计列队竞争算法优化随机森林乳化炸药质量预测模型参数；

以乳化炸药质量指标猛度和爆速最大化为优化目标，以工艺操作参数操作范围为约束条件，建立乳化炸药质量双目标优化模型，并设计多目标列队竞争算法进行求解，求解得到最大化猛度和爆速情况下的最优工艺操作参数。

2.根据权利要求1所述的一种乳化炸药质量预测和优化方法，其特征在于：所述的数据预处理是对数据进行标准化处理，具体的公式如下：

a表示标准差，x_i表示数据集中的一个样本点，x^-表示均值向量。

3.根据权利1所述的一种乳化炸药质量预测和优化方法，其特征在于：

所述的相关性分析算法使用的是MIV算法，MIV算法可以计算得到工艺操作参数和乳化炸药质量的相关系数，对求得的相关系数进行排序，选择相关系数较大的工艺操作参数，删除无关的工艺操作参数，MIV算法步骤如下：

1)根据历史数据，建立工艺操作参数和乳化炸药质量的BP神经网络模型；

2)评价某个工艺操作参数和炸药质量的相关性时，在数据集工艺操作参数增加和减少10％，分别输入模型计算得到输出值y₁和y₂，计算y₁和y₂的差值，及平均值就是工艺操作参数和炸药质量的相关性系数；

3)同理计算所有工艺参数和炸药质量的相关性系数。

4.根据权利1所述的一种乳化炸药质量预测和优化方法，其特征在于：

建立的是随机森林乳化炸药质量预测模型，随机森林回归算法的步骤如下：

1)采用Bootstrap重复抽样，在数据集D中采样K次，产生K个训练数据集D_num＝{D₁,D₂...D_k}，采样时都是有放回的取样；

2)在数据集D的M个特征中选择m个特征生成决策树，根据最小损失函数，选择最优的特征作为决策树的分裂结点，不对决策树进行剪枝，生成多棵决策树组成随机森林；

3)分别对每棵决策树进行回归计算，每棵决策树的预测结果为{Y₁，Y₂...Y_k}，随机森林的预测结果等于每棵决策树的预测结果进行求和之后取平均值，具体公式如下所示：

5.根据权利1所述的一种乳化炸药质量预测和优化方法，其特征在于：

所述的随机森林乳化炸药质量预测模型参数，包括随机森林模型可调的超参数，所述的列队竞争算法步骤如下：

1)在机森林模型可调超参数的值域范围内，随机生成n个家族；

2)根据随机森林乳化炸药质量预测模型，计算得到袋外数据随机森林泛化误差OOB；

3)求得每个家族的OOB值，对OOB值进行排序，排在前面的家族进行小规模变异，在较小的空间内搜索，排在后面的家族进行无性繁殖，在较大的空间内进行搜索，把生成的子代和父代合并，选择最优的个体做为下一代的父代；

4)重复步骤2)和3)，达到最大的迭代次数或者精度，停止计算输出最优随机森林模型可调超参数。

6.根据权利1所述的一种乳化炸药质量预测和优化方法，其特征在于：

所述的乳化炸药质量双目标优化模型，其中优化目标为：最大化乳化炸药质量指标猛度和爆速。

约束条件为：乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的操作范围。

所述的多目标列队竞争算法步骤如下：

1)在乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的值域范围内，随机生成n个家族；

2)根据随机森林乳化炸药质量预测模型，计算每个家族乳化炸药质量指标猛度和爆速；

3)迭代次数为k，当k为奇数时以猛度的目标值为基准进行排序，当k为偶数时以爆速为基准进行排序，排在前面的家族进行小规模变异，在较小的空间内搜索，排在后面的家族进行无性繁殖，在较大的空间内进行搜索，把生成的子代和父代合并，选择最优的个体做为下一代的父代；

4)保存每次计算目标函数值的最优解和部分次优解；

5)当搜索空间小到一定程度时，对搜索空间进行扩放，从而增大搜索空间；

重复步骤2)、3)、4)和5)，达到最大的迭代次数或者精度，停止计算输出最优乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数。