控制理论与应用

作者：温在鑫,钱斌,胡蓉,金怀平,杨媛媛

单位：昆明理工大学,昆明理工大学,昆明理工大学,昆明理工大学,昆明理工大学

关键词：深度强化学习; 双向GRU; 人工蜂群算法; 乙烯裂解炉; 生产能力预测

基金：国家自然科学基金项目(62173169, 61963022), 云南省基础研究重点项目(202201AS070030)

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.

来源：2023年第10期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2023年第10期