基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型

呂方可

中圖分類號：F273 文獻標識：A 文章編號：1674-1145（2017）03-000-02

摘 要 遺傳算法具有很強的全局搜索能力，但是容易造成未成熟的收斂，而徑向基函數RBF神經網絡的優勢在于采用全局收斂的線性優化算法，唯一最佳逼近點唯一，二者結合的應用能彌補各自的缺陷。兩種方法結合應用到核電廠安全管理評價領域，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發現風險，采取應對措施，對于降低核電廠安全管理風險，確保人民群眾生命財產安全和社會環境安全都具有極其重要的現實意義。

關鍵詞 遺傳算法 神經網絡 核電廠 安全管理評價

核電廠的安全管理評價是對核電廠的安全管理現狀進行的評價分析。科學合理準確的評價可以對核電廠的日常安全管理提供指導，為科學的開展安全管理提升提供參考。

利用遺傳算法對RBF神經網絡進行優化，保證了并行處理規模較大信息的能力，發揮了概括、聯想、類比、推理等綜合處理數據的能力。因此常被用來處理復雜問題，并做出科學的預測。建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，既確保了對大規模數據的處理能力，又提升了安全管理評價的科學化水平，對于準確掌握核電廠安全管理現狀，提升核電廠日常管理水平，有效保障企業員工的生命安全、國家財產安全和生態環境安全具有重要意義。

一、遺傳算法和RBF神經網路原理

遺傳算法于1975年，由美國的J.Holland教授提出。該隨機化搜索方法借鑒了自然進化法則，即優勝劣汰、適者生存的遺傳機制。該方法直接對結構對象進行操作；選用概率化的尋優方法，自動獲取和指導優化的搜索范圍。但該方法在實際應用中也存在部分局限性：因借鑒了優勝劣汰、適者生存的遺傳機制，所以如果出現優勢個體（局部最優解）時，就造成了過早收斂現象，也就無法搜索產生全局最優解；其次在經過多次重組演化后，容易丟失上一代的的基因片段，即同樣造成無法得到全局最優值；再次傳統的遺傳算法通過雜交變異的手段，確定搜索空間，導致相似模式的數據種群占據優勢，同樣無法產生全局最優解。

RBF神經網絡是一種前饋式神經網絡，網絡結構分為三部分：輸入層、隱含層、輸出層。它依據輸入層少數的神經元（基礎數據），利用隱含層（高效徑向基函數），決定神經網絡的輸出層（預測數據）。隱含層（高效徑向基函數），實際是通過利用高斯函數，執行固定的非線性操作指令，即將輸入層（基礎數據）映射到一個新的空間，通過輸出層節點線性加權組合，輸出形成結果。

輸出函數為：

為隱含層神經元的輸出， 為權值，二者的乘積累加和即為RBF神經網絡的輸出。輸入層、隱含層相互連接，其中隱含層為一系列同一類型的徑向基函數（高斯函數）[3]。RBF神經網絡由高斯函數表示為：

其中，Ci代表了基函數的中心， 代表了函數的寬度參數。從上述公式中可以看出：高斯函數的徑向范圍與 函數的寬度參數成反比。在實際計算中，函數寬度參數 的確定一般采用自適應梯度下降法確定，而確定Ci 、 、w的取值也就確定了為隱含層神經元的輸出 。

二、對RBF神經網路原理的優化

依據生物神經網絡的機理建立基于RBF神經網絡安全管理評價模型，通過在不同網絡傳遞環節選取恰當的算法對模型進行優化改進，以此得到安全管理評價的優化模型。但是在應用過程中RBF神經網絡關鍵函數基函數中心值、網絡權值等難以得到最優解，因此選擇遺傳算法，利用其優勢對神經網絡模型進行優化完善。

（一）最優基函數中心值的確定

應用遺傳算法進行數據編碼。將學習樣本進行編號：1，2，3，……，N，進而從樣本中隨機選擇M個數據為一組中心矢量作為種群中的一個個體進行編碼。如下所示，以第i個染色體為例，神經網絡的適應度函數 為期望輸出 和實際輸出 之差的絕對值累加和的倒數：

從上一代中任意選取兩個母體進行交叉以此獲得兩個子個體，再將兩個子個體以一定的概率進行變異，染色體其他位的編號值用1，2，3，……，N，中任意值以一定的變異概率替換。將母體與子體進行比較從中選擇優勢個體即完成一次進化。以此方式循環迭代，直到個體達到給定最大代數或滿足給定的精度，此時個體則為最優基函數中心值。

（二）最優權值w的確定

權值的優化是一個長期復雜的過程，實數編碼值能夠較好地反應現實情況，用一個數碼代表一個染色體，一個染色體則代表一個X值；群體初始化，根據遺傳算法的搜索范圍將權值以 分布隨機確定（-0.8，0.4，0.65，0.5）；選取適應度函數，將輸出樣本的平方作為適應度函數：

根據遺傳操作原理，采用染色體交叉變異，選擇交叉的概率Pn、變異的概率Pm。

U11=（-0.8，0.4，0.65，0.5），U21=（0.3，0.7，0.6，-0.8），交叉：U21=（-0.8，0.4，0.6，0.5）變異：U22=（-0.8，0.4，0.5，0.5）

三、安全管理評價模型的建立

依據核電廠安全管理評價指標，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型。其實現流程如圖所示：

四、結語

本文建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發現風險，采取應對措施，切實降低了核電廠安全管理風險，并為核電廠科學管理，安全管理提升提供參考和技術支持。

參考文獻：

[1] 郭贊.基于遺傳算法和RBF神經網絡的鈾尾礦庫安全預警模型[J].綠色科技，2015.3：243-245.

[2] 魏艷強.基于RBF神經網絡的公路貨運量預測方法研究[J].天津理工大學學報，2008.2（1）：17-20.

[3] 徐杰.基于遺傳算法的RBF神經網絡優化及應用[J].信息技術，2011（5）：165-168.

[4] 李紅利.基于遺傳算法的RBF神經網絡優化設計[J].計算機仿真，2003.11（11）：67-70.

[5] 蚩志峰.基于遺傳算法與BP算法的水質評價模型[J].重慶科技學院學報，2009.2（1）：122-124.