进化优选算法设计最小RBF网及其在动力配煤预测中的应用

"最小RBF网设计的进化优选算法及其在动力配煤过程状态预测建模中的应用" 本文探讨了一种进化优选算法在设计最小径向基函数网络(RBF网络)中的应用，以提高动力配煤过程状态预测建模的准确性。动力配煤是优化煤炭质量、降低成本的重要手段，但其复杂的化学反应和物理变化使得建立精确的预测模型极具挑战。传统的加权平均法和经验公式在预测效果上并不理想，而BP神经网络虽然取得一定成果，但也存在陷入局部最小、收敛速度慢和结构设计困难等问题。 RBF网络因其在非线性建模和函数逼近上的优势成为替代选择。根据Moody准则，减少有效参数数量可以增强网络的泛化能力。因此，寻找满足特定学习精度的最小RBF网络结构至关重要。文章中提出的进化优选算法旨在解决这一问题，通过优化算法设计出的RBF网络能够在保证预测精度的同时，减少隐含层节点的数量，从而提升泛化性能。 文章对比了进化优选算法与两种常见的RBF网络设计方法——聚类方法和正交最小二乘(OLS)算法。聚类方法依赖于样本输入的聚类产生隐节点，但确定最佳聚类数（即隐节点数）是个难题。尽管OLS算法能够自动调整网络结构以满足精度要求，但可能无法找到最小结构，并且学习精度不易控制。相比之下，进化优选算法在保证模型精度的同时，能更有效地寻找最小结构的RBF网络。 通过动力配煤中煤灰软化温度预测的例子，作者展示了如何应用该算法进行状态预测建模，并证明了进化优选算法设计的RBF网络模型在泛化能力上的优越性。这一研究成果为动力配煤过程的建模提供了新的思路，有助于实现更高效、更精准的配煤策略，推动洁净煤技术的发展。