Page 49 - 2024年第55卷第2期

为实现数据集的无量纲化，采用极
差法对样本 数 据 进 行 归 一化 处理，然后
进行网格训练：
ｘ－ ｘ ｍｉｎ
ｄｉ
ｘ′ ＝ （５）
ｄｉ
ｘ － ｘ
ｍｉｎ
ｍａｘ
式中：ｘ′为归一化后的样本数据；ｘ 为
ｄｉ ｄｉ
原始样本数据；ｘ 、ｘ 为 ｘ 中的最大
ｍａｘ ｍｉｎ ｄｉ
值、最小值。
３．３ ＰＳＯ－ ＢＰＮＮ － ＭＩＧＡ耦合优化模型
预测仿真智能算法（ＰＳＯ － ＢＰＮＮ） ［１５ － １６］
利用粒子 群 算 法 ［１７］ （ＰＳＯ）优化 ＢＰ神经
网络 ［１８ － １９］ 的权值与阈值来提升对信息间
非线性映射关系的预测能力，算法流程如
图 ３所示。多岛遗传算法（ＭＩＧＡ） ［２０ － ２２］ 以 图 ３ ＰＳＯ － ＢＰＮＮ算法流程图
遗传算法（ＧＡ）为基础，将种群分割为多
个相互独立的 “岛” 并进行 ＧＡ优化求
解，同时各 “岛” 间个体定期迁移互换
保证了群体多样性，其有效提升了计算
能力、运行速度和全局搜索能力，算法
流程如图 ４所示。
由于流场特性评价指标之间具有明
图 ４ ＭＩＧＡ算法流程图
显的非一致性且进水结构设计参数对其
流场特 性 的 影 响 存 在 复 杂 非 线 性 关 系，
需要对流场特性评价指标与 结构设 计参
数之间的非线性映射关系进行准确辨识。
基于 ＰＳＯ － ＢＰＮＮ和 ＭＩＧＡ构建多参数多
目标耦 合 优 化 模 型 ＰＳＯ－ ＢＰＮＮ－ ＭＩＧＡ，
利用 ＰＳＯ － ＢＰＮＮ预测辨识和拟合泵站原
型进水结构流场特性评价指 标与设 计参
数间的映射 关系，对 预 测输 出的 指标利
用线性加权 法 构 建目 标函数，最 后通过
ＭＩＧＡ对目标函数进行全局搜索寻优，实
现泵站原型进水结构流场特 性参数 多目
图 ５ ＰＳＯ － ＢＰＮＮ － ＭＩＧＡ耦合优化模型流程图
标优化。耦 合 优 化 模 型 运 算 流 程 如 图 ５
所示，由相关研究成果 ［２３ － ２４］ 和经验得到模型参数配置，如表 ５所列。

表 ５ ＰＳＯ － ＢＰＮＮ － ＭＩＧＡ耦合优化模型参数配置
ＢＰＮＮ算法 ＰＳＯ算法 ＭＩＧＡ算法
神经网络结构 ６ － １０ － ３ 惯性权重 ０．９～０．４ 岛数 １０
传递函数 ｔａｎｓｉｇ 学习因子 １．５ 岛上个体数 １０
训练函数 ｔｒａｉｎｌｍ 种群规模 ５０ 交叉率 １
训练速率 ０．０１ 最大迭代次数 １００ 变异率 ０．０２
期望误差 １０ － ６ 迁移率 ０．３
迁移间隔 ３
进化代数 １００

— １ ７ １ —