[发明专利]基于基因调控遗传算法的RBF神经网络训练方法及预测系统

说明书

本发明提供一种基于基因调控遗传算法的RBF神经网络训练方法及预测系统，采用四进制DNA编码方式，针对遗传算法中选择、转录和变异这3个操作环节进行深入优化，提升了遗传算法的整体性能，并用该遗传优化算法对传统RBF神经网络梯度下降的寻优方式进行改进，将优化后RBF神经网络算法应用到油田注采的建模和产油量预测中，得到一套行之有效的RBF神经网络预测系统。所述训练方法通过自适应转录因子有效地避免种群早熟和局部最优解的情况，结合所述自适应变异因子增强遗传算法的局部寻优能力。同时仿真实验结果也表明基于基因调控遗传算法优化的RBF神经网络的预测系统，在逼近能力和预测精度都有明显改善，为提高油田注采过程中产油量的预测精度提供了新的研究途径。

技术领域

本发明涉及生物智能优化算法，尤其是涉及一种基于基因调控遗传算法的RBF神经网络的训练方法及预测系统。

背景技术

为了解决传统数学模型非线性不足、预测油田产量精度低的问题，许多的专家学者将支持向量机、机器学习、神经网络等技术应用到有油田注采建模和产油量预测中。其中神经网络模型的应用最为广泛，如韩荣、樊灵等人针对油田产量的预测问题提出了一种BP神经网络预测方法，通过对油田产量的影响因素进行分析，建立了油田注采的BP神经网络预测模型，对油田产量进行了预测，但是预测精度有待提高。为了更好地克服注采过程中各影响因素之间的非线性，有学者对采集到的数据先通过小波变换进行分析处理，然后再通过BP神经网络模型进行油田产量的预测，提高了产量预测的精度，但是模型在优化过程中训练效率较低且易陷入局部最优值。

为了进一步提升传统神经网络预测精度，很多学者将智能优化算法应用到神经网络的训练过程中，如徐辰华等人将遗传优化算法引入BP神经网络模型，有效克服了传统BP神经网络的缺陷，但是传统遗传算法容易出现早熟和局部最优值的问题。祁浩等人在此基础上将量子算法引入免疫遗传系统，有效避免了算法的冗余问题，但是算法的精度有待进一步提升。随着生物智能算法的发展，以DNA调控为核心的基因调控网络模型为传统优化算法的改进提供了新的研究思路。如受启发于生物DNA的遗传机理，丁永生等人将遗传算法和DNA机理相结合，提出了基于DNA编码的遗传算法，但是仅仅改变了遗传算法的编码方式。李志刚等人通过运用DNA遗传算法对某生产模型进行求解和寻优，验证了该算法的可行性。但是上述研究仅改变编码方式并不能很好地解决遗传算法的早熟现象，算法的收敛精度难以得到保证。

为了更好地解决生物智能优化算法存在的问题，提高算法性能，受生物基因DNA分子的复制、转录和基因突变机制启发，本发明提出一种基于基因调控遗传算法(DNA-GA)的RBF神经网络的训练方法，用该算法对传统RBF神经网络梯度下降的寻优方式进行了改进，并对遗传算法(GA)中的选择操作、转录操作和变异操作均进行了优化，并将优化后RBF神经网络算法应用到油田注采的建模和产油量预测中。仿真实验结果表明了基于基因调控遗传算法的RBF神经网络的预测系统，在逼近能力和预测精度都有明显改善，为提高油田注采过程中产油量的预测精度提供了新的研究途径。

发明内容

本发明公开一种基于基因调控遗传算法的RBF神经网络训练方法，包括以下步骤：

步骤1：初始化RBF神经网络，采用动量梯度优化训练对所述RBF神经网络的参数优化，获得优化参数；

步骤2：基于基因调控遗传算法采用四进制DNA编码方式将所述优化参数编码后产生初代种群；所述DNA编码的长度L＝5·(2+I)*J，所述初代种群X＝(X₁,X₂,X₃,...,X_N)；

步骤3：确定种群的适应度值，基于基因调控遗传算法，根据所述适应度值确定自适应转录因子和自适应变异因子，对所述种群进行选择操作、转录操作和变异操作，产生新一代种群；

步骤4：确定所述新一代种群的适应度值，如果满足终止条件，则进入步骤5；否则返回步骤3；