第19卷第4期北京電子科技學(xué)院學(xué)報(bào)20Ft2Vo1.19No.4Journal of Beijing Elrctronin Science and Technology Institute基于GA- ANFIS的生物質(zhì)氣化過(guò)程研究劉國(guó)壁孫群安徽電子信息職業(yè)技術(shù)學(xué)院安徽,蚌埠,中國(guó)233000摘要:本文提出了一種基于遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化過(guò)程研究的新方法。該方法采用竹子氣化數(shù)據(jù)建立GA-ANFS模型,并驗(yàn)證該模型方法在生物質(zhì)氣化過(guò)程建模中的適用性。結(jié)果表明:提出的GA- ANFIS模型預(yù)測(cè)方法精度較高,效果也比較理想,是一種可行有效的建模方法。關(guān)健詞: MATLAB;遺傳算法;模糊神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)中圖分類號(hào):TP3文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-464X(2011)04-60-05Research on GA--ANFIS Based Biomass Gasification ProcessLIU Cuo-bi sUN QunAnhui Vocational College of Electronics InformationTechnology, Bengbu Anhui 233000, P. R. ChinaAbstract: Based on genetic algorithm and fuzzy neural network, a new method for the study of biomass gasification process is proposed in this paper. The paper verifies the model method in biomassgasification process modeling application by adopting bamboo gasification data to build the GA-ANFIS model. Practical application shows that the ga-ANFIS model prediction method is good in reliability and get high in precision.Key words MATLAB; Genetic algorithm; fuzzy neural network; forecast引言將固體生物質(zhì)轉(zhuǎn)化為氣體燃料,稱為生物質(zhì)氣化,生物質(zhì)氣化是當(dāng)今生物質(zhì)能源利用技術(shù)研究的熱點(diǎn)方向。所以建立生物質(zhì)氣化過(guò)程的數(shù)學(xué)模型對(duì)于實(shí)現(xiàn)生物質(zhì)氣化過(guò)程有著重要的意義。國(guó)內(nèi)外研究者在氣化數(shù)學(xué)模型方面做了大量的研究,主要集中在對(duì)生物質(zhì)的熱解特性及流體動(dòng)力特性等方面,缺乏針對(duì)其氣化過(guò)程特性描述的模型,缺乏比較有效的數(shù)學(xué)模型對(duì)氣化操作進(jìn)行理論指導(dǎo)。因此建立一種能適應(yīng)于氣化過(guò)程控制的氣化計(jì)算模型,用于預(yù)測(cè)生物質(zhì)氣化指標(biāo),對(duì)實(shí)現(xiàn)氣化過(guò)程的參數(shù)優(yōu)化具有實(shí)際意義V凵中國(guó)煤化工CNMHG基金項(xiàng)目:2011年安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目:基于支持向量機(jī)與模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)發(fā)電氣化過(guò)程研究(KJ2011Z025);2010年安徽省省級(jí)教學(xué)研究項(xiàng)目(20101676)第119卷基于GA- ANFIS的生物質(zhì)氣化過(guò)程研究劉國(guó)璧本文建立了一種生物質(zhì)氣化過(guò)程的GA- ANFIS模型,采用遺傳算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化,具有更高的預(yù)測(cè)精度和魯棒性,對(duì)生物質(zhì)氣化過(guò)程進(jìn)行了研究。1遺傳算法一模糊神經(jīng)網(wǎng)絡(luò)模型[ANFIS系統(tǒng)主要是采用梯度下降法和最小二乘法結(jié)合的方法來(lái)對(duì)參數(shù)進(jìn)行更新,而這些方法搜索速度慢,缺乏全局性,易陷入局部最小值點(diǎn)。遺傳算法模擬生物進(jìn)化論發(fā)展起來(lái)的隨機(jī)全局搜索優(yōu)化方法,借鑒了達(dá)爾文的生物進(jìn)化論和孟德?tīng)柕倪z傳學(xué)說(shuō),是一種并行、高效、全局搜索方法,可以在搜索過(guò)程中自動(dòng)獲取和保存搜索空間的相關(guān)知識(shí),并能求得最優(yōu)解,對(duì)于 ANFIS系統(tǒng)的學(xué)習(xí)歸結(jié)為對(duì)條件參數(shù)(非線性參數(shù))與結(jié)論參數(shù)(線性參數(shù))的調(diào)整,所以我們把遺傳算法引人來(lái)優(yōu)化 ANFIS系統(tǒng)的前件參數(shù)和后件參數(shù)1.1初始種群標(biāo)準(zhǔn)遺傳算法中采用的是二進(jìn)制編碼,盡管二進(jìn)制編碼操作起來(lái)比較簡(jiǎn)單,交叉、變異算子也容易實(shí)現(xiàn),但當(dāng)它用來(lái)處理多維高精度數(shù)值問(wèn)題時(shí),如果自變量較多,則染色體的長(zhǎng)度就會(huì)偏長(zhǎng),這樣就容易導(dǎo)致搜索空間增大,從而會(huì)降低搜索效率,此外,即使所需自變量不多,如果采用二進(jìn)制編碼,又需要將其再轉(zhuǎn)化成實(shí)數(shù),這樣也會(huì)引入量化誤差。所以,本實(shí)驗(yàn)采用實(shí)數(shù)編碼方式,對(duì)第二層輸人隸屬度函數(shù)的中心和寬度等參數(shù)進(jìn)行實(shí)數(shù)編碼,這些元素構(gòu)成了一個(gè)浮點(diǎn)數(shù)向量,即一個(gè)染色體,設(shè)定初始種群數(shù)為301.2計(jì)算適應(yīng)度采用遺傳算法來(lái)搜索ANFS的隸屬度函數(shù)的最優(yōu)參數(shù),使得mnE=2∑(4-y,)2其中4和y,分別表示期望輸出和實(shí)際輸出,P表示樣本數(shù),則設(shè)定適應(yīng)度函數(shù)為f=E1.3遺傳操作選擇算子:本文使用基于概率的選擇算子,則個(gè)體被選擇的概率為:=q(1-q),+(1其中0