(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111580532.3 (22)申请日 2021.12.2 2 (71)申请人 浙江中医药大学 地址 310053 浙江省杭州市滨江区滨 文路 548号 (72)发明人 叶梓恒　周烨辉　金伟锋　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 吴昌榀 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) (54)发明名称 基于蚁群算法的C4烯烃制备的工艺参数优 化方法 (57)摘要 本发明属于化工原料合 成领域， 具体涉及一 种基于蚁群算法的C4烯烃制备的工艺参数优化 方法， 包括： 先构建A CO‑BPNN模型， 然后运用蚁群 算法对所建立模型进行寻优， 确定最佳工艺参 数。 本发明采用蚁群算法与BP神经网络相结合， 建立ACO‑BPNN模型来刻画化工原料合成领域实 验数据之间的复杂关系， 并运用蚁群算法对建立 的模型进行寻优， 得到符合实际的最佳工艺条 件。 根据实际训练结果可以发现， 模型的MA E值均 较小， 说明其具有相对稳定和优 越的性能。 权利要求书3页 说明书8页 附图4页 CN 115293019 A 2022.11.04 CN 115293019 A 1.一种基于蚁群算法的C4烯烃制备的工艺 参数优化方法， 其特 征在于， 包括： S1构建ACO ‑BPNN模型 S1.1构建BPN N拓扑结构， 以工艺条件为输入指标， 以目标产物为输出指标； S1.2根据蚁群算法编码BPN N的网络权值， 并随机产生个 体的初始解向量； S1.3计算每 个个体的适应度函数， 即为个 体的信息素； S1.4将个 体信息素进行归一 化； S1.5根据归一 化后信息与转移概 率的比较， 判断个 体进行局部优化还是全局优化； S1.6进行信息素 更新； S1.7判断是否满足训练条件， 是则解码输出网络 权值， 否则重新进行信息素归一 化； S2运用蚁群算法对所建立模型进行寻优， 确定最佳工艺 参数 S2.1根据蚁群算法与参数 取值范围编码参数工艺， 并随机产生个 体的初始解向量； S2.2带入训练好的神经网络模型中， 计算每 个个体的目标值即为信息素； S2.3将个 体信息素进行归一 化； S2.4根据归一 化后信息与转移概 率的比较， 判断个 体进行局部优化还是全局优化； S2.5进行信息素 更新； S2.6判断是否满足训练条件， 是则解码输出最优工艺参数， 否则重新进行信息素归一 化。 2.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.1的操作包括: 在BPNN拓扑结构中， 输入层和隐层之间的激活函数， 隐层与输出层之间的激活函数分 别为sigmo id函数和purel in函数， 具体如下： 其中， Wij(1),Wj(2),bj(1),b(2)为权值， Xi,Sj,Y分别表示输入、 隐层输出和神经网络输出， i ＝1,2,3,4,5,j＝1,2,3； 选取90％实验数据作为训练集， 剩余10％实验数据作为测试集， 训练集和测试集的拟 合效果均有均方差衡量， 即目标函数 其中， Yk为模型输出值， Ok为实验目标产物收率数据。 3.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.2中， 产生初始种群 个体的操作包括： 确定种群个体数量I， 学习率lr， 转移概率参数P0， 信息素挥发系数lf， 误差κ 以及初始 化信息素矩阵P， 然后根据BPNN拓扑网络中所有参数数量N， 设定参数最大值与最小值， 在参 数范围内随机产生初始蚁群矩阵W。权　利　要　求　书 1/3 页 2 CN 115293019 A 24.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.3中， 个 体适应度函数的计算包括： 将训练样本特征向量输入目标函数中已构建的神经网络， 再根据种群的适应度函数， 即： 上式中P(i,t),MAE(i,t)分别代表第i个蚁群在t次迭代下的信息素和均方差， 计算每 个个体的适应度， 将其升序排列， 并记录t时刻最优个 体解向量及其 适应度。 5.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.4中， 将个 体信息素进行归一 化的操作包括： 将t时刻记录的个 体适应度进行归一 化表示为： 6.根据权利要求5所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.5中， 当归一化后信息素小于转移概率， 则进行局部优化， 反之则进行全局 优化， 具体表示 为： 其中P0是预设的转移概 率， 局部优化表达为： W(i,j)＝ W(i,j)+(R(i,j) ‑0.5)×W(i,j)×lr 其中， W(i,j)为进行局部优化的第i个 蚁群个体， 第j个优化编码的矩阵权值， R(i,j)为 0到1的随机数， lr为学习率； 全局优化表达为： W(i,j)＝ W(i,j)+R(i,j) ×(maxj‑minj)+minj 其中， maxj为第j个编码最大的范围， mi nj为第j个编码最小的范围。 7.根据权利要求6所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.6中， 进行信息素 更新的操作包括： 将进行全局优化和 局部优化完成的个 体重新进行适应度函数， 更新信息素， 表达为： P(i,t)＝P(i,t ‑1)×(1‑lf)+P(i,t) 其中， lf为信息素的衰减系数。 8.根据权利要求1所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方法， 其特 征在于， 所述S1.7中， 终止条件判断包括： 若最优个体输出误差小于ε， 即： Gk＜ε， 则停止训练， 输出结果， 其中Gk为样本预测输出 值与期望 输出值的差值， ε为预设的误差值； 否则训练重新计算个体适应度， 进而产生新的权值、 阈值矩阵， 使得最优个体输出误差 越来越小。 9.根据权利要求1 ‑8中任一所述的一种基于蚁群算法的C4烯烃制备的工艺参数优化方权　利　要　求　书 2/3 页 3 CN 115293019 A 3