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(shù)RBF神經(jīng)網(wǎng)絡的優(yōu)勢在于采用全局收斂的線性優(yōu)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(jīng)網(wǎng)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(fā)現(xiàn)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(huán)境安全都具有極其重要的現(xiàn)實意義。

關鍵詞 遺傳算法 神經(jīng)網(wǎng)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(xiàn)狀進行的評價分析?？茖W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(jīng)網(wǎng)絡進行優(yōu)化，保證了并行處理規(guī)模較大信息的能力，發(fā)揮了概括、聯(lián)想、類比、推理等綜合處理數(shù)據(jù)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(jīng)網(wǎng)絡的核電廠安全管理評價模型，既確保了對大規(guī)模數(shù)據(jù)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(xiàn)狀，提升核電廠日常管理水平，有效保障企業(yè)員工的生命安全、國家財產安全和生態(tài)環(huán)境安全具有重要意義。

一、遺傳算法和RBF神經(jīng)網(wǎng)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(yōu)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(yōu)方法，自動獲取和指導優(yōu)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(yōu)勝劣汰、適者生存的遺傳機制，所以如果出現(xiàn)優(yōu)勢個體（局部最優(yōu)解）時，就造成了過早收斂現(xiàn)象，也就無法搜索產生全局最優(yōu)解；其次在經(jīng)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(yōu)值；再次傳統(tǒng)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(shù)據(jù)種群占據(jù)優(yōu)勢，同樣無法產生全局最優(yōu)解。

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

輸出函數(shù)為：

為隱含層神經(jīng)元的輸出， 為權值，二者的乘積累加和即為RBF神經(jīng)網(wǎng)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(shù)（高斯函數(shù)）[3]。RBF神經(jīng)網(wǎng)絡由高斯函數(shù)表示為：

其中，Ci代表了基函數(shù)的中心， 代表了函數(shù)的寬度參數(shù)。從上述公式中可以看出：高斯函數(shù)的徑向范圍與 函數(shù)的寬度參數(shù)成反比。在實際計算中，函數(shù)寬度參數(shù) 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(jīng)元的輸出 。

二、對RBF神經(jīng)網(wǎng)路原理的優(yōu)化

依據(jù)生物神經(jīng)網(wǎng)絡的機理建立基于RBF神經(jīng)網(wǎng)絡安全管理評價模型，通過在不同網(wǎng)絡傳遞環(huán)節(jié)選取恰當?shù)乃惴▽δＰ瓦M行優(yōu)化改進，以此得到安全管理評價的優(yōu)化模型。但是在應用過程中RBF神經(jīng)網(wǎng)絡關鍵函數(shù)基函數(shù)中心值、網(wǎng)絡權值等難以得到最優(yōu)解，因此選擇遺傳算法，利用其優(yōu)勢對神經(jīng)網(wǎng)絡模型進行優(yōu)化完善。

（一）最優(yōu)基函數(shù)中心值的確定

應用遺傳算法進行數(shù)據(jù)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(shù)據(jù)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(jīng)網(wǎng)絡的適應度函數(shù) 為期望輸出 和實際輸出 之差的絕對值累加和的倒數(shù)：

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(yōu)勢個體即完成一次進化。以此方式循環(huán)迭代，直到個體達到給定最大代數(shù)或滿足給定的精度，此時個體則為最優(yōu)基函數(shù)中心值。

（二）最優(yōu)權值w的確定

權值的優(yōu)化是一個長期復雜的過程，實數(shù)編碼值能夠較好地反應現(xiàn)實情況，用一個數(shù)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(jù)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(shù)，將輸出樣本的平方作為適應度函數(shù)：

根據(jù)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(jù)核電廠安全管理評價指標，建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡的核電廠安全管理評價模型。其實現(xiàn)流程如圖所示：

四、結語

本文建立基于遺傳算法和RBF神經(jīng)網(wǎng)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(fā)現(xiàn)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡優(yōu)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(jīng)網(wǎng)絡優(yōu)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.