基于学习型人工蜂群算法优化双向GRU的乙烯产率预测

本文针对以乙烯产率为生产指标的预测问题,基于双向门控循环单元网络(BGRU)建立乙烯产率预测模型,以最小化模型误差为优化目标并提出一种学习型人工蜂群算法(LABC)对预测模型进行优化和设计.在构建BGRU预测模型时,先对乙烯裂解炉实际生产过程进行分析,确定影响产率的关键因素并将其作为模型的输入;再采用LABC对BGRU网络模型的结构、初始权值和阈值、训练比和动量因子进行全面的优化和设计.在LABC中,首先根据人工蜂群算法(ABC)特点构建强化学习(RL)框架下的状态集、动作集、奖励函数和最优混合搜索策略,在此基础上,提出一种深度双Q网络(DDQN)来实现最优混合搜索策略,通过该策略可智能选择合...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 40; no. 10; pp. 1746 - 1756
Main Authors 温在鑫, 钱斌, 胡蓉, 金怀平, 杨媛媛
Format Journal Article
LanguageChinese
Published 昆明理工大学云南省人工智能重点实验室,云南昆明 650500 01.10.2023
昆明理工大学信息工程与自动化学院,云南昆明 650500%昆明理工大学信息工程与自动化学院,云南昆明 650500
Subjects
生产能力预测
production capacity prediction
ABC
人工蜂群算法
双向GRU
深度强化学习
bi-directional GRU
ethylene cracking furnace
乙烯裂解炉
deep reinforcement learning
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2022.20211

Cover

More Information
Summary:本文针对以乙烯产率为生产指标的预测问题,基于双向门控循环单元网络(BGRU)建立乙烯产率预测模型,以最小化模型误差为优化目标并提出一种学习型人工蜂群算法(LABC)对预测模型进行优化和设计.在构建BGRU预测模型时,先对乙烯裂解炉实际生产过程进行分析,确定影响产率的关键因素并将其作为模型的输入;再采用LABC对BGRU网络模型的结构、初始权值和阈值、训练比和动量因子进行全面的优化和设计.在LABC中,首先根据人工蜂群算法(ABC)特点构建强化学习(RL)框架下的状态集、动作集、奖励函数和最优混合搜索策略,在此基础上,提出一种深度双Q网络(DDQN)来实现最优混合搜索策略,通过该策略可智能选择合适的搜索动作来执行针对不同状态的局部搜索.本文通过在标准数据集和实际生产数据上的测试及算法对比,验证了所提学习型人工蜂群算法优化的双向GRU网络(LABC_BGRU)模型具有预测精度高、适用性强的特性.
ISSN:1000-8152
DOI:10.7641/CTA.2022.20211