集成神经网络和多目标进化算法的卷烟产品参数优化设计方法及应用研究

论文摘要

随着烟草行业卷烟工艺水平的发展,计算机辅助卷烟产品设计系统越来越受到卷烟企业的重视。该系统在综合分析历史数据和经验知识的基础上,建立符合卷烟生产实际的各类模型,并以此为指导进行产品优化设计。本文以国内某大型卷烟企业在该领域的课题研究为背景,重点研究该企业计算机辅助产品设计系统中的核心模块——卷烟产品参数优化设计模块。在研究过程中发现,卷烟产品参数优化设计是一个十分复杂的黑盒多目标优化问题,主要反映在:（1）优化对象“工艺参数”与优化目标“质量指标”之间的映射关系十分复杂,难以建立常规的数学优化模型,对于给定的一组工艺参数取值,只能通过现场实验才能获得准确的质量指标评价;（2）优化目标由相互冲突的多个目标组成,这些目标在大多数情况下不能直接进行优劣关系的比较,目标之间相互冲突,在不降低某一目标性能的情况下不能通过参数优化任意提高其他目标的性能。针对上述问题,本文提出了一种基于神经网络和多目标进化算法混合策略的集成计算智能方法:首先,利用人工神经网络对历史数据进行训练,获得能反应参数优化过程中参数向量空间到目标向量空间非线性映射关系的神经网络模型;其次,将训练好的神经网络模型嵌入到多目标进化算法中,以此作为进化过程中个体的适应度评价函数,使得多目标进化算法可以直接应用于产品参数优化设计过程。具体地,本文的主要研究内容和创新成果概括如下:1、提出了一种集成神经网络和多目标进化算法的产品参数优化设计方法现实世界中,很多产品参数优化设计问题均可归纳为黑盒多目标优化问题。黑盒多目标优化问题具有系统建模困难和多个目标必须协调优化的特点。本文通过结合跨越BP神经网络和改进的非劣解排序遗传算法（NSGA-II）,借助不同智能计算方法的优点,互补不足:（1）可以充分利用跨越BP神经网络建模的优点,解决复杂系统建模困难的问题,并为NSGA-II的进化个体提供适应度评价函数;（2）采用NSGA-II解决复杂系统中的多目标优化问题。2、提出了基于跨越BP算法的人工神经网络建模方法复杂系统建模是成功解决产品设计参数优化问题的关键,然而传统BP算法具有收敛速度慢、网络结构选择困难、容易陷入局部极小等缺点。本文从连接方式、结构优化以及优化策略三个方面,对传统BP算法进行了改进:（1）采用基于跨越连接的误差反向传播算法对网络进行训练。有跨越连接的神经网络摒弃了传统神经网络只有前后层相连的拓扑结构,能以更加简洁的结构逼近神经网络的理想状态,加快网络收敛速度。国防科学技术大学研究生院博士学位论文（2）提出了一种BP神经网络结构优化算法。该算法通过引入有方向的均方误差,在有跨越连接的多层前馈人工神经网络结构方程式的基础上,分别导出隐层层数和隐层神经元数判别式。（3）采用基于MOEA和BP混合算法的神经网络建模方法。由于要维持具有一定规模的群体,多目标进化算法必须同时处理搜索空间中的若干点而不像梯度下降法那样只处理单点,从而有助于搜索全局最优点,免予陷入局部最小。这样就可以避免传统BP人工神经网络采用梯度下降法所带来的缺点,同时也确保了良好的收敛速度。3、提出了基于NN和MOEA的卷烟工艺参数优化设计方法卷烟工艺设计主要分为打叶复烤工艺设计、制丝工艺设计和辅料配套工艺设计,它们的本质都是基于各类参数指标关系模型的多目标参数优化过程,且属于黑盒多目标优化范畴。因此,可采用集成神经网络和多目标进化算法的产品参数优化设计方法（ICIA–NN & MOEA）优化求解。在具体应用过程中,结合工艺设计实际提出了基于NN和MOEA的卷烟工艺参数优化设计方法,并将其应用于二次润叶工序工艺参数多目标优化问题,取得了令人满意的效果。4、提出了基于NN和MOEA的卷烟配方参数优化设计方法卷烟配方设计主要分为叶组配方设计和糖香料配方设计,它们的本质都是基于感官质量评价模型的多目标参数优化过程,且属于黑盒多目标优化范畴。与工艺参数优化设计不同的是,配方参数优化设计涉及到感官质量评价问题,这是一个主观性较强的评价过程,难以直接建立类似于工艺参数指标关系模型的单料烟比例与感官质量指标关系模型。针对上述问题,本文提出了基于NN和MOEA的卷烟配方参数优化设计方法,该方法与工艺参数多目标优化设计方法相比,主要有两点不同:（1）借鉴卷烟配方实践中的感官质量评分标准,将感官质量评价结果转换为感官质量得分,实现了非数值型指标向数值型指标的转变;（2）以烟叶化学成分为中间环节,分别建立单料烟比例与烟叶化学成分关系式和烟叶化学成分与感官质量得分关系模型,成功实现了由单料烟比例到感官质量评价的非线性映射。最后,将基于NN和MOEA的卷烟配方参数优化设计方法应用于配方创新和配方维护,取得了令人满意的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外相关领域研究现状
• 1.2.1 产品参数多目标优化设计研究现状
• 1.2.2 多目标进化算法研究现状
• 1.2.3 卷烟行业应用研究现状
• 1.3 论文的主要研究内容与组织结构
• 1.3.1 论文的主要研究内容
• 1.3.2 论文的组织结构
• 第二章 卷烟产品参数优化设计问题分析
• 2.1 工艺设计业务分解
• 2.1.1 打叶复烤工艺设计
• 2.1.2 制丝工艺设计
• 2.1.3 辅料配套工艺设计
• 2.1.4 工艺参数多目标优化问题
• 2.2 配方设计业务分解
• 2.2.1 叶组配方设计
• 2.2.2 香精香料配方设计
• 2.2.3 配方参数多目标优化问题
• 2.3 黑盒多目标优化
• 2.4 本章小结
• 第三章 集成神经网络和多目标进化算法的产品参数优化设计方法研究
• 3.1 基于NN 和MOEA 的集成计算智能方法体系结构
• 3.1.1 数据采集和处理
• 3.1.2 混合优化
• 3.1.3 决策分析
• 3.2 基于跨越BP 算法的人工神经网络建模方法
• 3.2.1 基于跨越连接的误差反向传播算法
• 3.2.2 跨越BP 神经网络结构优化方法
• 3.2.3 基于MOEA 和BP 的神经网络混合算法
• 3.2.4 方法的应用和验证
• 3.3 基于神经网络适应度函数的多目标进化算法
• 3.3.1 多目标优化问题
• 3.3.2 适应度
• 3.3.3 基于神经网络适应度函数的多目标进化算法
• 3.3.4 方法的应用和验证
• 3.4 本章小结
• 第四章 基于NN 和MOEA 的卷烟工艺参数优化设计方法
• 4.1 打叶复烤工艺参数优化设计
• 4.1.1 训练数据的采集
• 4.1.2 人工神经网络建模
• 4.1.3 多目标优化模型
• 4.1.4 模型求解及分析
• 4.2 制丝工艺参数优化设计
• 4.2.1 训练数据的采集
• 4.2.2 人工神经网络建模
• 4.2.3 多目标优化模型
• 4.2.4 模型求解及分析
• 4.3 辅料配套工艺参数优化设计
• 4.3.1 训练数据的采集
• 4.3.2 人工神经网络建模
• 4.3.3 多目标优化模型
• 4.3.4 模型求解及分析
• 4.4 卷烟工艺参数优化设计方法
• 4.4.1 优化方法
• 4.4.2 优化算法
• 4.5 方法的应用和验证
• 4.5.1 概述
• 4.5.2 仿真过程
• 4.5.3 结论分析与验证
• 4.6 新方法对传统工艺设计的影响
• 4.7 本章小结
• 第五章 基于NN 和MOEA 的卷烟配方参数优化设计方法
• 5.1 配方参数优化设计
• 5.2 卷烟配方参数优化设计方法
• 5.2.1 优化方法
• 5.2.2 优化算法
• 5.3 方法的应用和验证
• 5.3.1 配方创新任务
• 5.3.2 配方维护任务
• 5.4 新方法对传统配方设计的影响
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 本文总结
• 6.2 进一步的研究与展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果
• 附录A 二次润叶特色工艺实验数据
• 附录B 烤烟化学成分与评吸结果数据