本發(fā)明屬于化工過程控制領(lǐng)域，具體涉及一種引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)建模方法。

背景技術(shù)：

催化裂化是石油煉制的重要生產(chǎn)過程之一，是在熱和催化劑的作用下使重油發(fā)生裂化反應(yīng)，轉(zhuǎn)變?yōu)榱鸦瘹狻⑵秃筒裼偷鹊纳a(chǎn)過程。催化裂化主分餾塔作為催化裂化裝置的主分離設(shè)備是實(shí)現(xiàn)產(chǎn)品分離的關(guān)鍵單元，是催化裂化過程中重要的一環(huán)。建立精確的催化裂化主分餾塔模型有助于實(shí)現(xiàn)流化催化裂化裝置的先進(jìn)控制與優(yōu)化，同時(shí)對于降低催化裂化裝置能耗和提高產(chǎn)品質(zhì)量具有重要的意義。

由于催化裂化主分餾塔是一個(gè)具有滯后和耦合的非線性系統(tǒng)，傳統(tǒng)的機(jī)理建模方法難以滿足高精度建模的需要，因此神經(jīng)網(wǎng)絡(luò)受到人們的關(guān)注。神經(jīng)網(wǎng)絡(luò)是模擬大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的計(jì)算模型，具有逼近任意非線性函數(shù)的能力。但是神經(jīng)網(wǎng)絡(luò)也存在易于陷入局部極小、收斂速度慢等問題。

本發(fā)明提出一種引力搜索rna遺傳算法(rna-ga)，在rna-ga中加入基于萬有引力定律和牛頓第二定律的引力搜索操作，并將引力搜索rna遺傳算法用于催化裂化主分餾塔的神經(jīng)網(wǎng)絡(luò)建模，取得了較理想的效果，該方法也適用于其他復(fù)雜非線性系統(tǒng)的建模。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)的不足，提出了一種引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)建模方法

引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)建模方法，它的步驟如下：

步驟1：獲得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為樣本數(shù)據(jù)，其中輸入數(shù)據(jù)為頂循流量q1、一中流量q2和二中流量q3，輸出數(shù)據(jù)為塔頂溫度t1、粗汽油干點(diǎn)t2和輕柴油傾點(diǎn)t3；

步驟2：建立催化裂化主分餾塔rbf神經(jīng)網(wǎng)絡(luò)模型，模型采用一個(gè)三層rbf神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

設(shè)定t為采樣時(shí)刻，q1(t)、q2(t)和q3(t)分別為t時(shí)刻的頂循流量、一中流量和二中流量數(shù)據(jù)，t1(t)、t2(t)和t3(t)分別為t時(shí)刻的塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)值，rbf神經(jīng)網(wǎng)絡(luò)模型輸入變量個(gè)數(shù)為nin，輸入向量x為

[q1(t)q2(t)q3(t)t1(t-1)t1(t-2)…t1(t-n)t2(t-1)t2(t-2)…t2(t-n)t3(t-1)t3(t-2)…t3(t-n)]

其中n為整數(shù)，設(shè)定n＝3n+3，輸出變量個(gè)數(shù)為nout＝3，輸出變量為[t1(t)t2(t)t3(t)]，從輸入層到輸出層映射可用以下函數(shù)表示：

其中x為輸入向量，||·||表示歐幾里得范數(shù)，d表示隱層數(shù)，w1(i)、w2(i)和w3(i)分別是神經(jīng)網(wǎng)絡(luò)輸出結(jié)點(diǎn)權(quán)值向量中的第i個(gè)分量，由遞推最小二乘法確定；ci是神經(jīng)網(wǎng)絡(luò)第i個(gè)隱層的徑向基函數(shù)中心向量，徑向基函數(shù)φ(·)采用薄板樣條函數(shù)，表示為：

φ(v)＝v²ln(v)

其中v表示任意數(shù)；

步驟3：選擇樣本數(shù)據(jù)中的一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，將數(shù)據(jù)輸入到步驟2建立的rbf神經(jīng)網(wǎng)絡(luò)模型中；

步驟4：設(shè)置建立的rbf神經(jīng)網(wǎng)絡(luò)模型中的徑向基函數(shù)中心；

步驟5：利用引力搜索rna遺傳算法對步驟2建立的rbf神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心進(jìn)行尋優(yōu)，獲得rbf神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心的最優(yōu)解；

步驟6：利用步驟5獲得的最優(yōu)解作為催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型徑向基函數(shù)中心，并利用測試樣本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型。

催化裂化主分餾塔的輸入輸出數(shù)據(jù)可通過現(xiàn)場采集或?qū)嶒?yàn)獲得。

上述步驟5可采用如下具體步驟實(shí)現(xiàn)：

步驟5.1：設(shè)定引力搜索rna-ga的參數(shù)，包括：種群數(shù)s、輸入變量個(gè)數(shù)n、個(gè)體編碼長度l、最大迭代次數(shù)gmax、轉(zhuǎn)位換位概率pc、置換交叉概率pt、自適應(yīng)變異概率pml和pmh；設(shè)定引力搜索rna-ga終止規(guī)則為：引力搜索rna-ga迭代次數(shù)達(dá)到最大迭代次數(shù)gmax；

步驟5.2：對神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心進(jìn)行堿基編碼，隨機(jī)生成一個(gè)初始種群，種群中包含s個(gè)個(gè)體，每個(gè)參數(shù)均由字符集{0,1,2,3}編碼為一個(gè)長度為l的rna子序列，rbf神經(jīng)網(wǎng)絡(luò)模型的參數(shù)有n×d個(gè)，一個(gè)rna序列的編碼長度為n×d×l，每個(gè)個(gè)體代表的參數(shù)如下：

其中c(i)表示第i個(gè)個(gè)體，cd,n表示個(gè)體中第d個(gè)隱層對應(yīng)的神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心向量中的第n個(gè)分量；

步驟5.3：將種群中每個(gè)rna序列解碼為rbf神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，并采用最小二乘法計(jì)算出相應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出結(jié)點(diǎn)權(quán)值向量，將不同時(shí)刻催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型的輸出值和與催化裂化主分餾塔的實(shí)際輸出值t1、t2和t3的誤差絕對值之和作為引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)的適應(yīng)度函數(shù)，表示為：

式中和分別表示第j組模型輸出的塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)值，t1(j)、t2(j)和t3(j)則為第j組塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)據(jù)實(shí)際數(shù)值，nt是樣本數(shù)據(jù)個(gè)數(shù)；

步驟5.4：根據(jù)適應(yīng)度函數(shù)值，利用輪盤賭法來選擇個(gè)體，并利用適應(yīng)度函數(shù)值選擇適應(yīng)度函數(shù)值最優(yōu)的s/2個(gè)個(gè)體組成的中性個(gè)體集合en與適應(yīng)度函數(shù)值最差的s/2個(gè)個(gè)體組成的有害個(gè)體集合ed構(gòu)成新的種群e；

步驟5.5：在中性個(gè)體集合en中，以轉(zhuǎn)位換位概率pc執(zhí)行相應(yīng)的轉(zhuǎn)位操作或換位操作，產(chǎn)生有s/2個(gè)個(gè)體的集合ec1，具體操作步驟為：

1)在0～1之間隨機(jī)選擇一個(gè)數(shù)h，若h小于概率pc時(shí)，進(jìn)行轉(zhuǎn)位操作；

2)當(dāng)h大于等于概率pc時(shí)，進(jìn)行換位操作；

步驟5.6：在中性個(gè)體集合en中，以置換交叉概率pt執(zhí)行置換操作，產(chǎn)生s/2個(gè)個(gè)體，集合為ec2；

步驟5.7：在集合[ec1；ec2；ed]中，以高位變異概率pmh和低位變異概率pml執(zhí)行自適應(yīng)變異操作，得到集合e2，其中自適應(yīng)變異概率為：

其中，a1是初始變異概率，b1為變異概率變化范圍，aa為變異速率，g為當(dāng)前進(jìn)化代數(shù)，g0為轉(zhuǎn)折點(diǎn)；

步驟5.8：在集合e2中找出適應(yīng)度函數(shù)值最優(yōu)的個(gè)體bests；

步驟5.9：檢查迭代次數(shù)是否達(dá)到終止條件，若滿足要求則獲得神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心，否則到步驟5.10；

步驟5.10：將集合e2進(jìn)行引力搜索，得到新的種群，回到步驟5.3，進(jìn)行下一輪迭代。

上述步驟5.10中引力搜索可采用如下具體步驟實(shí)現(xiàn)：

1)計(jì)算每個(gè)個(gè)體對應(yīng)的質(zhì)量，計(jì)算公式如下：

其中m表示個(gè)體的質(zhì)量，worst表示種群中最差個(gè)體的適應(yīng)度函數(shù)值，best表示種群中最優(yōu)個(gè)體的適應(yīng)度函數(shù)值，f表示該個(gè)體的適應(yīng)度函數(shù)值；

2)計(jì)算引力常數(shù)，計(jì)算公式如下：

其中g(shù)0＝100，α＝20，g表示當(dāng)前迭代次數(shù)，gmax表示最大迭代次數(shù)，g為引力常數(shù)，e是自然常數(shù)；

3)計(jì)算引力加速度

其中，ai,k為第i個(gè)個(gè)體的第k個(gè)隱節(jié)點(diǎn)對應(yīng)的引力加速度向量，g為當(dāng)前迭代中的引力常數(shù)，rand為0～1的隨機(jī)數(shù)向量，mj是第j個(gè)個(gè)體對應(yīng)的質(zhì)量，表示對應(yīng)元素相乘，eps為非0常數(shù)，ei,k和ej,k分別為第i個(gè)個(gè)體和第j個(gè)個(gè)體第k個(gè)隱節(jié)點(diǎn)對應(yīng)的向量，rk表示第i個(gè)個(gè)體與第j個(gè)個(gè)體對應(yīng)第k個(gè)隱節(jié)點(diǎn)的歐幾里得范數(shù)，表示為：

rk＝||ei,k-ej,k||

4)根據(jù)加速度和初始速度，每次迭代記為一次移動，由此獲得新種群，相關(guān)計(jì)算公式如下：

e′＝e+v

v′表示新的速度矩陣，v表示速度矩陣，rn為隨機(jī)數(shù)矩陣，a表示加速度矩陣，e為種群，e′表示為新的種群。

本發(fā)明利用引力搜索rna遺傳算法對催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)中心進(jìn)行尋優(yōu)，獲得催化裂化主分餾塔的神經(jīng)網(wǎng)絡(luò)模型。后續(xù)實(shí)施例中數(shù)據(jù)也表明該建模方法在實(shí)際使用時(shí)能取得理想的效果，該方法不僅適用于催化裂化主分餾塔，也可用于其他復(fù)雜系統(tǒng)的建模。

附圖說明

圖1為催化裂化主分餾塔系統(tǒng)圖；

圖2為催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型示意圖；

圖3為基于引力搜索rna-ga流程圖；

圖4為塔頂溫度t1采樣輸出和神經(jīng)網(wǎng)絡(luò)模型輸出對比圖；

圖5為粗汽油干點(diǎn)t2采樣輸出和神經(jīng)網(wǎng)絡(luò)模型輸出對比圖；

圖6為輕柴油傾點(diǎn)t3采樣輸出和神經(jīng)網(wǎng)絡(luò)模型輸出對比圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明做進(jìn)一步闡述。

催化裂化主分餾塔的系統(tǒng)流程圖如圖1所示，催化裂化主分餾塔是一個(gè)多輸入多輸出系統(tǒng)，本發(fā)明目的在于建立能夠預(yù)測塔頂溫度t1、粗汽油干點(diǎn)t2和輕柴油傾點(diǎn)t3三個(gè)指標(biāo)的神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明中引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型示意圖如圖2所示，該模型中徑向基函數(shù)中心的尋優(yōu)算法如圖3所示，建模方法的具體步驟如下：

步驟1：通過采樣獲得催化裂化主分餾塔的輸入輸出數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的樣本數(shù)據(jù)(采樣數(shù)據(jù)來源于鐘璇、張泉靈、王樹青催化裂化主分餾塔產(chǎn)品質(zhì)量的廣義預(yù)測控制策略[j].控制理論與應(yīng)用2001(18):134-137中的主分餾塔模型所產(chǎn)生)，其中輸入數(shù)據(jù)為頂循流量q1、一中流量q2和二中流量q3，輸出數(shù)據(jù)為塔頂溫度t1、粗汽油干點(diǎn)t2和輕柴油傾點(diǎn)t3。以頂循流量q1、一中流量q2和二中流量q3同時(shí)分別經(jīng)歷0→0.2→0.6，0→0.5→0.8和0→0.4→0.6共600組數(shù)據(jù)作為輸入數(shù)據(jù)，相應(yīng)的變量塔頂溫度t1、粗汽油干點(diǎn)t2和輕柴油傾點(diǎn)t3數(shù)據(jù)作為輸出數(shù)據(jù)；

步驟2：建立催化裂化主分餾塔rbf神經(jīng)網(wǎng)絡(luò)模型，模型采用一個(gè)三層rbf神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

設(shè)定t為采樣時(shí)刻，q1(t)、q2(t)和q3(t)分別為t時(shí)刻的頂循流量、一中流量和二中流量數(shù)據(jù)，t1(t)、t2(t)和t3(t)分別為t時(shí)刻的塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)值，rbf神經(jīng)網(wǎng)絡(luò)模型輸入變量個(gè)數(shù)為nin，輸入向量x為

[q1(t)q2(t)q3(t)t1(t-1)t1(t-2)t1(t-3)t2(t-1)t2(t-2)t2(t-3)t3(t-1)t3(t-2)t3(t-3)]

其中有n＝12，輸出變量個(gè)數(shù)為nout＝3，輸出變量為[t1(t)t2(t)t3(t)]，從輸入層到輸出層映射可用以下函數(shù)表示：

其中x為輸入向量，||·||表示歐幾里得范數(shù)，d表示隱層數(shù)，具體d＝50，w1(i)、w2(i)和w3(i)分別是神經(jīng)網(wǎng)絡(luò)輸出結(jié)點(diǎn)權(quán)值向量中的第i個(gè)分量，由遞推最小二乘法確定，ci是神經(jīng)網(wǎng)絡(luò)第i個(gè)隱層的徑向基函數(shù)中心向量，徑向基函數(shù)φ(·)采用薄板樣條函數(shù)，表示為：

φ(v)＝v²ln(v)

其中v表示任意數(shù)；

步驟3：選擇樣本數(shù)據(jù)中的400組數(shù)據(jù)作為訓(xùn)練樣本，將數(shù)據(jù)輸入到步驟2建立的rbf神經(jīng)網(wǎng)絡(luò)模型中；

步驟4：設(shè)置建立的rbf神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)(徑向基函數(shù)中心)；

步驟5：提出引力搜索rna遺傳算法，將其用于對步驟2提出的rbf神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心進(jìn)行尋優(yōu)，運(yùn)行引力搜索rna遺傳算法，獲得rbf神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心的最優(yōu)解；該步驟的具體實(shí)現(xiàn)方式為：

步驟5.1：設(shè)定引力搜索rna-ga的參數(shù)：種群數(shù)s＝30、輸入變量個(gè)數(shù)n＝12、個(gè)體編碼長度l＝8、最大迭代次數(shù)gmax＝20、轉(zhuǎn)位換位概率pc＝0.8、置換交叉概率pt＝0.8、自適應(yīng)變異概率pml和pmh，設(shè)定引力搜索rna-ga終止規(guī)則為：引力搜索rna-ga迭代次數(shù)達(dá)到最大迭代次數(shù)gmax；

步驟5.2：對神經(jīng)網(wǎng)絡(luò)模型中待尋優(yōu)參數(shù)(徑向基函數(shù)中心)進(jìn)行堿基編碼，隨機(jī)生成一個(gè)初始種群，種群中包含s個(gè)個(gè)體，每個(gè)參數(shù)均由字符集{0,1,2,3}編碼為一個(gè)長度為l的rna子序列，rbf神經(jīng)網(wǎng)絡(luò)模型的參數(shù)有n×d個(gè)，則一個(gè)rna序列的編碼長度為n×d×l，每個(gè)個(gè)體代表的參數(shù)如下：

其中c(i)表示第i個(gè)個(gè)體，cd,n表示個(gè)體中第d個(gè)隱層對應(yīng)的神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心向量中的第n個(gè)分量；

步驟5.3：將種群中每個(gè)rna序列解碼為rbf神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，并采用最小二乘法計(jì)算出相應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出結(jié)點(diǎn)權(quán)值向量，將不同時(shí)刻催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型的輸出值和與催化裂化主分餾塔實(shí)際輸出t1、t2和t3實(shí)際數(shù)據(jù)間的誤差絕對值之和作為引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)的適應(yīng)度函數(shù)，表示為：

式中和分別表示第j組模型輸出的塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)據(jù)，t1(j)、t2(j)和t3(j)則為第j組塔頂溫度、粗汽油干點(diǎn)和輕柴油傾點(diǎn)數(shù)據(jù)實(shí)際數(shù)據(jù)，nt是樣本數(shù)據(jù)個(gè)數(shù)；

步驟5.4：根據(jù)適應(yīng)度函數(shù)值，利用輪盤賭法來選擇個(gè)體，并利用適應(yīng)度函數(shù)值選擇適應(yīng)度函數(shù)值最優(yōu)的s/2個(gè)個(gè)體組成的中性個(gè)體集合en與適應(yīng)度函數(shù)值最差的s/2個(gè)個(gè)體組成的有害個(gè)體集合ed組成新的種群e；

步驟5.5：在中性個(gè)體集合en中，以轉(zhuǎn)位換位概率pc執(zhí)行相應(yīng)的轉(zhuǎn)位操作或換位操作，產(chǎn)生有s/2個(gè)個(gè)體的集合ec1，具體操作步驟為：

1)在0～1之間隨機(jī)選擇一個(gè)數(shù)h，若h小于概率pc時(shí)，進(jìn)行轉(zhuǎn)位操作；

2)當(dāng)h大于等于概率pc時(shí)，進(jìn)行換位操作；

步驟5.6：在中性個(gè)體集合en中，以置換交叉概率pt執(zhí)行置換操作，產(chǎn)生s/2個(gè)個(gè)體，集合為ec2；

步驟5.7：在集合[ec1；ec2；ed](3/2×s個(gè)個(gè)體)中，以高位變異概率pmh和低位變異概率pml執(zhí)行自適應(yīng)變異操作，得到集合e2，其中自適應(yīng)變異概率為：

其中，a1是初始變異概率，b1為變異概率變化范圍，aa為變異速率，g為當(dāng)前進(jìn)化代數(shù)，g0為轉(zhuǎn)折點(diǎn)；

步驟5.8：在集合e2中找出適應(yīng)度函數(shù)值最優(yōu)的個(gè)體bests；

步驟5.9：檢查迭代次數(shù)是否達(dá)到終止條件，若滿足要求則獲得神經(jīng)網(wǎng)絡(luò)的最優(yōu)解，作為徑向基函數(shù)中心，否則到步驟5.10；

步驟5.10：將集合e2進(jìn)行引力搜索，得到新的種群，回到步驟5.3，進(jìn)行下一輪迭代。引力搜索的具體步驟如下：

1)計(jì)算每個(gè)個(gè)體對應(yīng)的質(zhì)量，相應(yīng)的計(jì)算公式如下：

其中m表示個(gè)體的質(zhì)量，worst表示種群中最差個(gè)體的適應(yīng)度函數(shù)值，best表示種群中最優(yōu)個(gè)體的適應(yīng)度函數(shù)值，f表示該個(gè)體的適應(yīng)度函數(shù)值；

2)計(jì)算引力常數(shù)，計(jì)算公式如下：

其中g(shù)0＝100，α＝20，g表示當(dāng)前迭代次數(shù)，gmax表示最大迭代次數(shù)，g為引力常數(shù)，e是自然常數(shù)；

3)計(jì)算引力加速度

其中，ai,k為第i個(gè)個(gè)體的第k個(gè)隱節(jié)點(diǎn)對應(yīng)的引力加速度向量，g為當(dāng)前迭代中的引力常數(shù)，rand為0～1的隨機(jī)數(shù)向量，mj是第j個(gè)個(gè)體對應(yīng)的質(zhì)量，表示對應(yīng)元素相乘，eps為非0常數(shù)，ei,k和ej,k分別為第i個(gè)個(gè)體和第j個(gè)個(gè)體第k個(gè)隱節(jié)點(diǎn)對應(yīng)的向量，rk表示第i個(gè)個(gè)體與第j個(gè)個(gè)體對應(yīng)第k個(gè)隱節(jié)點(diǎn)的歐幾里得范數(shù)，表示為：

rk＝||ei,k-ej,k||

4)根據(jù)加速度和初始速度，每次迭代記為一次移動，由此獲得新種群，相關(guān)計(jì)算公式如下：

e′＝e+v

v′表示新的速度矩陣，v表示速度矩陣(各變量初始速度均為1)，rn為隨機(jī)數(shù)矩陣，a表示加速度矩陣，e為種群，e′表示為新的種群；

步驟5.10：對步驟5.3～5.9進(jìn)行迭代，若當(dāng)前迭代次數(shù)滿足要求，則獲得神經(jīng)網(wǎng)絡(luò)的最優(yōu)解，作為徑向基函數(shù)中心，否則回到步驟5.3。

步驟6：利用步驟5獲得的最優(yōu)解作為催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型徑向基函數(shù)中心，并利用測試樣本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型，以驗(yàn)證其準(zhǔn)確性。

按上述方法將頂循流量q1、一中流量q2和二中流量q3同時(shí)分別經(jīng)歷1→0.5→1→0.7，1→0.6→1→0.4和1→0.7→1→0.5共800組數(shù)據(jù)作為測試輸入數(shù)據(jù)，得到相應(yīng)的變量塔頂溫度t1、粗汽油干點(diǎn)t2和輕柴油傾點(diǎn)t3數(shù)據(jù)分別為圖4、圖5和圖6。從測試結(jié)果圖4、圖5和圖6可以看出，基于引力搜索rna-ga的催化裂化主分餾塔神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確反映實(shí)際系統(tǒng)特性。因此，上述模型可用于準(zhǔn)確預(yù)測催化裂化主分餾塔中的t1、t2和t3三個(gè)變量，作為控制催化裂化系統(tǒng)的依據(jù)。