基于GA-ANFIS的生物质气化过程研究

第19卷第4期北京电子科技学院学报2011$12行Vol. 19No. 4Journal of Bejing Elrctronin Science and Technology InstituteDet. 2011基于GA-ANFIS的生物质气化过程研究.刘国璧孙群安徽电子信息职业技术学院安徽 ,蚌埠,中国233000摘要:本文提出了一种基于遗传算法和模糊神经网络的生物质气化过程研究的新方法。该方法采用竹子气化数据建立GA- ANFIS 模型,并验证该模型方法在生物质气化过程建模中的适用性。结果表明:提出的GA- ANFIS模型预测方法精度较高,效果也比较理想,是一种可行有效的建模方法。关健词:MATLAB;遗传算法;模糊神经网络;预测中图分类号:TP3文献标识码:A文章编号:1672- -464X(2011)04- -60- -05Research on GA- ANFIS Based Biomass Gasification ProcessLIU Guo- 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 bio-mass 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- AN-FIS model. Practical application shows that the GA一ANFIS model prediction method is good in reli-ability and get high in precision.Key words: MATLAB; Genetic algorithm; fuzzy neural network; forecast引言将固体生物质转化为气体燃料,称为生物质气化,生物质气化是当今生物质能源利用技术研究的热点方向。所以建立生物质气化过程的数学模型对于实现生物质气化过程有着重要的意义。国内外研究者在气化数学模型方面做了大量的研究,主要集中在对生物质的热解特性及流体动力特性等方面,缺乏针对其气化过程特性描述的模型,缺乏比较有效的数学模型对气化操作进行理论指导。因此建立一种能适应于气化过程控制的气化计算模型,用于预测生物质气化指标,对实现气化过程的参数优化具有实际意义。基金项目:2011年安徽省高等学校自然科学研究项目:基于支持向量机与模糊神经网络的生物质发由气化过程研究(KI20117025):2010年安徽省省级教学研究项目(20101676)第19卷基于GA- ANFIS的生物质气化过程研究刘国璧孙群本文建立了一种生物质气化过程的GA- ANFIS模型,采用遗传算法对目标函数进行优化,具有更高的预测精度和鲁棒性,对生物质气化过程进行了研究。1遗传算法 -模糊神经网络模型[1]ANFIS系统主要是采用梯度下降法和最小二乘法结合的方法来对参数进行更新,而这些方法搜索速度慢,缺乏全局性,易陷入局部最小值点。遗传算法模拟生物进化论发展起来的随机全局搜索优化方法,借鉴了达尔文的生物进化论和孟德尔的遗传学说,是一-种并行、高效、全局搜索方法,可以在搜索过程中自动获取和保存搜索空间的相关知识,并能求得最优解,对于ANFIS系统的学习归结为对条件参数(非线性参数)与结论参数(线性参数)的调整,所以我们把遗传算法引人来优化ANFIS系统的前件参数和后件参数。1.1初始种群标准遗传算法中采用的是二进制编码,尽管二进制编码操作起来比较简单,交叉、变异算子也容易实现,但当它用来处理多维高精度数值问题时,如果自变量较多,则染色体的长度就会偏长,这样就容易导致搜索空间增大,从而会降低搜索效率,此外,即使所需自变量不多，如果采用二进制编码,又需要将其再转化成实数,这样也会引入量化误差。所以,本实验采用实数编码方式,对第二层输人隶属度函数的中心和宽度等参数进行实数编码,这些元素构成了一个浮点数向量,即一个染色体,设定初始种群数为30。1.2计算适 应度采用遗传算法来搜索ANFIS的隶属度函数的最优参数,使得minE=- 2 (n;-y,)2其中4;和yi分别表示期望输出和实际输出，力表示样本数,则设定适应度函数为f=卡1.3遗传操作选择算子:本文使用基于概率的选择算子,则个体被选择的概率为:p. =q(1-q).+<1-9)"j=1,2..，N其中0