基于遗传算法优化的RBF网络预测瓦斯涌出量

基于遗传算法优化的RBF网络预测瓦斯涌出量
作者：方亮亮潘玉民
来源：《科技视界》2014年第16期
【摘要】RBF网络待定参数较多，难以确定出最佳值，因此利用RBF神经网络预测瓦斯涌出量具有一定的局限性。

本文采用遗传算法优化、简化RBF网络结构及参数，建立GA-RBF预测模型对瓦斯涌出量进行预测。

该模型利用遗传算法的选择、变换、变异等运算，再按照优胜劣汰的原则保留网络参数的最优值。

仿真实验表明，GA-RBF预测精度优于传统的RBF 预测模型，训练速度也有明显提高。

【关键词】瓦斯涌出量；RBF；遗传算法；优化；预测
0 引言
煤矿瓦斯涌出量是煤矿瓦斯灾害的主要来源，威胁着井下人员的生命安全。

准确预测瓦斯涌出量是关系到安全生产的正常运转、开发设计新井的重要因素之一。

目前智能预测方法主要采用BP、RBF神经网络进行预测，但均涉及参数初始化问题，初始化数值不同，预测结果将有很大区别。

本文采用遗传算法提高神经网络的预测性能。

1 遗传算法
遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术，其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法，具有坚实的生物学基础。

1.1 算法原理
遗传算法中，被研究体系的响应曲面看作为一个群体，相应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵和向量的参数相应于生物种群组成染色体的基因，染色体用固定长度的二进制串表述，通过交换、突变等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究的不同解，目标函数值较优的点被保留，目标函数值差的被淘汰。

遗传操作可以越过位垒，跳出局部较优点，达到全局最优。

1.2 遗传算法的组成
一般的遗传算法有四个部分：编码机制、适应度函数、遗传算子、控制参数。

（1）编码机制（Encoding Mechanism）
这是遗传算法的基础。

遗传算法不是对研究对象直接进行讨论，而是通过某种编码机制把对象统一赋予由特定符号按一定顺序排成的串。

（2）适应度函数（Fitness Function）
优胜劣汰是自然进化的原则。

算法中用适应度函数描述每一个体的适应程度。

对优化问题，适应度函数就是目标函数。

引进适应度函数的目的在于可根据该函数值对个体进行评估比较，定出优劣程度。

（3）遗传算子（Genetic Operator）
在遗传算法中，最重要的遗传算子有三种：选择（selection）、交换（crossover）、变异（mutation）。

（4）控制参数（control parameters）
在遗传算法的实际操作中，需适当确定某些参数的值以提高优选的效果。

这些参数是：字符串所含字符的个数，即串长L；每一代群体所含字符串的个数，即群体的容量，记为n；施行交换算子的概率，即交换率，记为Pc；施行变异算子的概率，即突变率，记为Pm。

1.3 算法流程
算法步骤主要有：第一步：确定决策变量及各种约束条件，即确定出个体的表现型X和问题的解空间。

第二步：建立优化模型，即确定出目标函数的类型及数学描述形式或量化方法。

第三步：确定表示可行解的染色体编码方法，即确定出个体的基因型x及遗传算法的搜索空间。

第四步：确定个体适应度量化评价，即确定出由目标函数值J（x）到个体适应度函数F （x）的转换规则。

第五步：设计遗传算子，即确定选择运算、交叉运算、变异运算等遗传算子的具体操作方法。

第六步：确定遗传算法的有关运行参数，即M，G，Pc，Pm等参数。

第七步：确定解码方法，即确定出由个体表现型X到个体基因型x的对应关系或转换方法。

2 RBF神经网络
2.1 网络结构
RBF神经网络是一种具有单隐层的3层前馈神经网络，隐层采用高斯基函数，其输入到输出的映射是非线性的，但隐层到输出的映射是线性的。

这种特性使它能够以任意精度逼近连续函数，并且学习速度较快，能够有效避免局部极小值。

RBF神经网络结构如图1所示：
3 预测模型的建立及应用
3.1 参数选择
预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定RBF神经网络的结构，进而确定遗传算法的参数。

本文采用某煤矿的数据，采煤工作面瓦斯涌出量及相关因素如表1所示。

3.2 仿真预测结果
利用表1中的数据，一共有4个影响因素影响着瓦斯涌出量，则可设计程序如下：
在GA-RBF网络中设置4个输入，1个输出，隐层神经元个数H=3。

按照程序设定，需要优化3个网络权值、3个基宽及12个中心参数，设置遗传算法参数并运行得出优化的18个参数，替换RBF网络原来的参数进行预测，预测结果如图2所示：
本文中一并给出了独立的RBF神经网络预测模型，作为参照。

在程序中设定4个输入，1个输出，9个隐层神经元，得到的预测仿真图如
图3所示的仿真图是独立的RBF神经网络预测瓦斯涌出量的结果。

图2和图3相比较，（c）中期望值与实际值几乎重合，（c）效果并没有图2（c）好，明显的看出优化后的神经网络预测的精度更高。

而且优化后的RBF网络中隐层神经元个数大大减少，使得网络结构更加简洁。

4 结论
本文采用遗传算法优化的RBF预测瓦斯涌出量，由于RBF神经网络预测结果在各种影响下并不是十分理想，因此本文利用遗传算法对RBF神经网络初始参数进行了优化。

实验结果表明，优化后的神经网络不仅结构简化，预测性能也得到较大提高，有效提高了预测精度。

【参考文献】
[1]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.
[2]永智群，潘玉民.基于BRF神经网络的瓦斯涌出量预测[J].煤炭技术，2012，4.
[3]李华昌，谢淑兰，易忠胜.遗传算法的原理与应用[J].矿冶，2005，3.
[4]刘金琨.智能控制[M].北京：电子工业出版社，2009.
[责任编辑：曹明明]。