盧鵬飛,王霄,楊文博,陳卓,秦國(guó)偉

(1.長(zhǎng)慶工程設(shè)計(jì)有限公司,西安 710018; 2.中國(guó)石油長(zhǎng)慶油田分公司第一采氣廠,榆林 718500;3.西安石油大學(xué)石油工程學(xué)院,西安 710065)

管道運(yùn)輸作為一種運(yùn)輸量大、經(jīng)濟(jì)可控的方式被廣泛應(yīng)用于現(xiàn)代工業(yè)。隨著管道“老齡化”程度加深,因腐蝕引起的管道失效造成的經(jīng)濟(jì)損失以及人員傷亡事故頻發(fā)[1]。因此,及時(shí)掌握管道的腐蝕情況并在管道失效前對(duì)存在的安全隱患進(jìn)行排除,是確保管道安全運(yùn)行的關(guān)鍵內(nèi)容[2-3]。目前關(guān)于管道腐蝕的研究有很多,其中管道腐蝕速率的預(yù)測(cè)一直是研究的重點(diǎn)。

迄今為止,中外學(xué)者對(duì)管道腐蝕情況預(yù)測(cè)方法進(jìn)行了大量的研究。主要可歸納為概率統(tǒng)計(jì)法、可靠度函數(shù)分析法、灰色系統(tǒng)理論預(yù)測(cè)法、機(jī)器學(xué)習(xí)預(yù)測(cè)法等[4]。其中在管道腐蝕速率的預(yù)測(cè)研究中,機(jī)器學(xué)習(xí)預(yù)測(cè)法發(fā)揮了重要的作用。機(jī)器學(xué)習(xí)預(yù)測(cè)法在對(duì)大量實(shí)驗(yàn)數(shù)據(jù)進(jìn)行學(xué)習(xí)的基礎(chǔ)上,通過(guò)建立相關(guān)模型來(lái)預(yù)測(cè)未知數(shù)據(jù),其不需要探究影響管道腐蝕速率的具體機(jī)理,目前已廣泛應(yīng)用于管道腐蝕速率的預(yù)測(cè)中[4]。張新生等[4]為更精確地預(yù)測(cè)海洋管道外腐蝕速率,建立了基于因子分析(factor analysis,FA)和天牛須搜索算法(beetle antennae searc,BAS)的極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)腐蝕速率預(yù)測(cè)模型。駱正山等[5]通過(guò)對(duì)管道內(nèi)腐蝕機(jī)理及影響因素進(jìn)行分析,提出了基于主成分分析法(principal component analysis,PCA) 和改進(jìn)甲蟲(chóng)天牛須算法(improve beetle antennae search,IBAS)的極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)預(yù)測(cè)模型。趙清娜等[6]建立了支持向量機(jī)(support vector machine,SVM)和反向誤差傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)模型對(duì)管道腐蝕速率進(jìn)行預(yù)測(cè),對(duì)比發(fā)現(xiàn)SVM具有更高的預(yù)測(cè)精度。夏俏健等[7]引進(jìn)主成分法分析(principal component analysis,PCA)各因素與腐蝕速率的關(guān)系,建立了PCA-SVM管道腐蝕速率模型。Zhang等[8]引入粒子群算法(particle swarm optimization,PSO)對(duì)SVM模型的參數(shù)進(jìn)行優(yōu)化,建立了PSO-SVM管道腐蝕預(yù)測(cè)模型。Sobhan等[9]引入烏鴉搜索算法(crow search algorithm,CSA)對(duì)最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)的懲罰參數(shù)和核參數(shù)進(jìn)行尋優(yōu)處理,構(gòu)建了CSA-LSSVM管道腐蝕速率模型。Liang等[10]引入遺傳算法(genetic algorithm,GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重與閾值,構(gòu)建了GA-BPNN腐蝕速率模型。上述學(xué)者所提出的模型方法都具有獨(dú)特的優(yōu)勢(shì),但受限于優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)自身局限性,可能導(dǎo)致針對(duì)多因素、高維度問(wèn)題無(wú)法實(shí)現(xiàn)對(duì)管道腐蝕速率的精確預(yù)測(cè)。

在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中,Elman神經(jīng)網(wǎng)絡(luò)是較為常用的一種,其具有實(shí)時(shí)反饋、短期記憶的功能(在傳統(tǒng)三層網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上增加了關(guān)聯(lián)層)[11]。與BP神經(jīng)網(wǎng)絡(luò)相比,Elman神經(jīng)網(wǎng)絡(luò)雖在網(wǎng)絡(luò)穩(wěn)定性和計(jì)算精度上更優(yōu),但也存在一定缺陷(泛化能力不足、易陷入極小值)[12],如何通過(guò)相關(guān)優(yōu)化算法對(duì)其進(jìn)行改進(jìn)仍是目前研究的一個(gè)重要內(nèi)容。爬行動(dòng)物搜索算法(reptile search algorithm,RSA)是種新型元啟發(fā)式算法,其具有求解精度高、運(yùn)算速度快的優(yōu)點(diǎn)[13]。爬行動(dòng)物搜索算法在應(yīng)用過(guò)程中,其存在的一個(gè)難題就是如何取得全局與局部搜索之間的最佳平衡。事實(shí)上,這也是該算法存在的一個(gè)不足。

考慮到爬行動(dòng)物搜索算法的優(yōu)勢(shì)以及目前研究的不足,現(xiàn)引入圓形混沌映射(circle chaotic map)并結(jié)合鯨魚(yú)優(yōu)化算法(whale optimization algorithm,WOA)的狩獵策略,提出一種改進(jìn)爬行動(dòng)物搜索算法(improved reptile search algorithm,IRSA),構(gòu)建了IRSA-ENN模型并通過(guò)實(shí)例驗(yàn)證所建新模型的有效性,研究結(jié)果對(duì)于管道腐蝕速率的準(zhǔn)確預(yù)測(cè)具有重要的指導(dǎo)意義。

1 基于改進(jìn)爬行動(dòng)物搜索算法的優(yōu)化ENN模型構(gòu)建

1.1 ENN模型構(gòu)建

Elman神經(jīng)網(wǎng)絡(luò)是典型的局部回歸網(wǎng)絡(luò),其在傳統(tǒng)三層結(jié)構(gòu)(輸入層、隱含層、輸出層)的基礎(chǔ)上增加了承接層,通過(guò)將上一時(shí)刻的隱層狀態(tài)連同當(dāng)前的網(wǎng)絡(luò)輸入一同作為隱層輸入,因此具有記憶的特性。

文中隱含層的傳遞函數(shù)采用Sigmoid函數(shù),ENN的非線性狀態(tài)空間表述為

(1)

式(1)中:k為時(shí)刻;y(k)為輸出節(jié)點(diǎn)單元的輸出;x(k)為中間層的輸出;xc(k)為承接層的輸出;u為輸入層單元向量;w1、w2、w3分別為承接層與隱含層的連接權(quán)矩陣、輸入層與隱含層的連接權(quán)矩陣、輸出層與隱含層的連接權(quán)矩陣;P為輸出神經(jīng)元的傳遞函數(shù);Q為中間層神經(jīng)元的傳遞函數(shù)。

1.2 爬行動(dòng)物搜索算法原理

爬行動(dòng)物搜索算法是由Abualigah等[13]提出的元啟發(fā)式算法,其是一種通過(guò)對(duì)自然界中鱷魚(yú)的社會(huì)行為、包圍獵物機(jī)制和狩獵機(jī)制的研究而建立的基于種群且無(wú)梯度的算法。文獻(xiàn)[13-14]已給出爬行動(dòng)物搜索算法的詳細(xì)原理。爬行動(dòng)物搜索算法尋優(yōu)過(guò)程,主要分為2個(gè)階段:探索階段和開(kāi)發(fā)階段,表述如下。

(1)探索階段(環(huán)繞)。爬行動(dòng)物在包圍獵物時(shí),有兩種行走方式,即高位行走和低位匍匐行走,其數(shù)學(xué)表達(dá)式為

Xi,j(t+1)=

(2)

式(2)中:Xi,j(t+1)為第i結(jié)果上位于階段j位置獲得的當(dāng)前解;Bestj(t)為該階段j位置上獲得的最優(yōu)解;t為當(dāng)前的迭代步數(shù);T為最大的迭代步數(shù);Ci,j為第i結(jié)果上的第j位置上的狩獵運(yùn)算符;β為修正參數(shù),控制該階段中高走約束條件下解的精度;Ri,j為Reduce函數(shù),主要作用是縮小搜索范圍;r1為[1,N]的隨機(jī)數(shù),N為候選解的數(shù)量;xr1,j為第i個(gè)解的隨機(jī)位置;ES(t)為進(jìn)化比,是迭代過(guò)程中介于[-2,2]隨機(jī)遞減的概率比;rand為[0,1]的隨機(jī)數(shù)。

(2)開(kāi)發(fā)階段(狩獵)。爬行動(dòng)物在狩獵階段,有兩種社會(huì)行為,即協(xié)調(diào)與合作,其數(shù)學(xué)表達(dá)式為

Xi,j(t+1)=

(3)

式(3)中:Pi,j為第j位置上的最優(yōu)解的與當(dāng)前解之差的百分比;δ為一個(gè)小值。

1.3 改進(jìn)爬行動(dòng)物搜索算法的基本思路

爬行動(dòng)物搜索算法作為新的群體智能優(yōu)化算法,其和傳統(tǒng)的優(yōu)化算法都存在共同的缺陷,即:無(wú)法在局部和全局搜索之間獲得最佳平衡,尤其是當(dāng)其應(yīng)用于高維數(shù)據(jù)集中的特征選擇時(shí)[14]。全局搜索與局部搜索不平衡則會(huì)導(dǎo)致收斂緩慢并很快陷入局部最優(yōu)問(wèn)題。因此,本文提出改進(jìn)爬行動(dòng)物搜索算法,主要從兩方面著手,第一方面是將圓形混沌映射應(yīng)用于初始解來(lái)增強(qiáng)算法的種群多樣性;第二方面是通過(guò)引入鯨魚(yú)優(yōu)化算法中的狩獵策略對(duì)爬行動(dòng)物搜索算法的原始狩獵策略進(jìn)行改進(jìn)。

具體來(lái)說(shuō),改進(jìn)爬行動(dòng)物搜索算法是利用圓形混沌映射增強(qiáng)種群多樣性和借鑒鯨魚(yú)優(yōu)化算法的優(yōu)勢(shì)改進(jìn)爬行動(dòng)物搜索算法的一種耦合算法。在IRSA中,圓形混沌映射被用作豐富RSA的種群探索空間范圍的能力;WOA的狩獵策略被用作RSA的局部搜索從而提高其解決不同優(yōu)化問(wèn)題的能力,兩者增加了IRSA探索和利用搜索空間的能力和靈活性。

1.3.1 圓形混沌映射的引入

混沌映射是用于解決優(yōu)化算法中種群多樣性問(wèn)題和低收斂速度的有效方法。使用圓形混沌映射來(lái)初始化種群位置,可以有效提高算法的求解性能[14]。此外,引進(jìn)圓形混沌映射可進(jìn)一步擴(kuò)展搜索空間(與原始隨機(jī)搜索方法相比),其表達(dá)式為

CircleChaosMap=xn+1=xn+b-

CircleChaosMap∈(0,1)

(4)

式(4)中:xn為混沌序列的第n個(gè)混沌數(shù);b和a為控制變量,b取0.2,a取0.5;CircleChaosMap的值用來(lái)更新改進(jìn)爬行動(dòng)物搜索算法中隨機(jī)粒子初始位置;mod為取余函數(shù)。

1.3.2 鯨魚(yú)優(yōu)化算法狩獵策略的引入

鯨魚(yú)優(yōu)化算法主要是模仿座頭鯨捕獵時(shí)的生物學(xué)行為。分為兩種策略:包圍策略和狩獵策略。改進(jìn)爬行動(dòng)物搜索算法主要引入鯨魚(yú)優(yōu)化算法的狩獵策略,利用螺旋修正位置機(jī)制來(lái)修正Bestj(t)和Xi,j(t+1) 之間的距離,計(jì)算公式為

Xi,j(t+1)=Dis′eblcos(2πl(wèi))+Bestj(t)

(5)

式(5)中:l為對(duì)數(shù)螺旋形狀的值,為[-1,1]的隨機(jī)數(shù);Dis′為當(dāng)前搜索個(gè)體到當(dāng)前最優(yōu)解之間的距離;b為定義螺旋線的形狀參數(shù);Bestj(t)為該階段j位置上獲得的最優(yōu)解。

2 基于改進(jìn)爬行動(dòng)物搜索算法優(yōu)化ENN模型的建模過(guò)程

2.1 IRSA-ENN模型構(gòu)建

將改進(jìn)爬行動(dòng)物搜索算法應(yīng)用到優(yōu)化傳統(tǒng)ENN模型的初始權(quán)值和閾值,從而構(gòu)造出IRSA-ENN模型。通過(guò)這種方法構(gòu)造的改進(jìn)ENN模型能克服傳統(tǒng)ENN模型預(yù)測(cè)精度低、泛化能力不足等問(wèn)題,模型建立步驟如下。

(1)在對(duì)管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理的基礎(chǔ)上,對(duì)傳統(tǒng)ENN模型進(jìn)行初始化,確定輸入層、隱含層、輸出層的層數(shù)。并引入爬行動(dòng)物搜索算法,對(duì)初始參數(shù)進(jìn)行設(shè)置(包括種群數(shù)量、迭代次數(shù)、問(wèn)題維度等)。

(2)引入圓形混沌映射[式(4)],初始化爬行動(dòng)物種群序列和豐富爬行動(dòng)物探索空間。并對(duì)構(gòu)造的適應(yīng)度函數(shù)(訓(xùn)練樣本的均方誤差)進(jìn)行計(jì)算,用以衡量整體尋優(yōu)過(guò)程中的最優(yōu)解。

(3)利用鯨魚(yú)優(yōu)化算法的狩獵策略對(duì)爬行動(dòng)物搜索算法進(jìn)行改進(jìn),體現(xiàn)為采用鯨魚(yú)優(yōu)化算法的狩獵策略[式(5)]來(lái)替換爬行動(dòng)物搜索算法的狩獵策略[式(3)]。并時(shí)刻更新迭代各爬行動(dòng)物位置,進(jìn)一步尋找各爬行動(dòng)物的全局最優(yōu)位置。

(4)通過(guò)每次迭代尋找的各爬行動(dòng)物全局最優(yōu)位置對(duì)適應(yīng)度函數(shù)進(jìn)行更新計(jì)算。達(dá)到終止條件時(shí),終止計(jì)算,否則繼續(xù)步驟(3)。

(5)將獲取的最優(yōu)爬行動(dòng)物位置賦值給傳統(tǒng)ENN模型,通過(guò)重新訓(xùn)練學(xué)習(xí)后,進(jìn)而構(gòu)造出改進(jìn)的ENN模型,并輸出最優(yōu)的預(yù)測(cè)解,流程如圖1所示。

圖1 IRSA-ENN模型建模流程

2.2 模型驗(yàn)證指標(biāo)

引進(jìn)3個(gè)評(píng)價(jià)參數(shù)對(duì)模型的預(yù)測(cè)精度進(jìn)行評(píng)估,均方根誤差(root mean square error,RMSE)、平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE),兩者數(shù)值越小則證明模型預(yù)測(cè)精度越高。相關(guān)系數(shù)R2越接近于1,則證明預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)越接近。其三者計(jì)算公式為

(6)

(7)

(8)

3 基于實(shí)測(cè)數(shù)據(jù)的改進(jìn)新模型預(yù)測(cè)精度分析

3.1 數(shù)據(jù)選取與預(yù)處理

以文獻(xiàn)[15-16]中給出的兩組不同環(huán)境因素下的管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)為例(分別對(duì)應(yīng)實(shí)例一、實(shí)例二),用以驗(yàn)證改進(jìn)模型的泛化性能(對(duì)不同實(shí)驗(yàn)樣本的學(xué)習(xí)能力),并對(duì)比分析所建IRSA-ENN模型和其他模型的預(yù)測(cè)精度。文獻(xiàn)[15-16]中給出的腐蝕速率實(shí)驗(yàn)數(shù)據(jù)均為20組,分別隨機(jī)選取其中的15組數(shù)據(jù)作為訓(xùn)練樣本建立模型,采用剩余的5組數(shù)據(jù)(預(yù)測(cè)樣本)來(lái)對(duì)比分析各模型的預(yù)測(cè)精度。具體的管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)分別如表1和表2所示。

表2 管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)[16](實(shí)例二)

在對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)時(shí),由于變量間的量綱不同,需要使用mapminmax函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,即把各變量轉(zhuǎn)化為[0,1]的數(shù)。

3.2 仿真結(jié)果對(duì)比分析

使用MATLAB軟件自主編程實(shí)現(xiàn)仿真過(guò)程,其中電腦端參數(shù)如表3所示。

表3 電腦軟硬件參數(shù)

傳統(tǒng)ENN模型在對(duì)實(shí)例一、實(shí)例二訓(xùn)練樣本進(jìn)行機(jī)器學(xué)習(xí)時(shí),以訓(xùn)練樣本的均方誤差最小為衡量標(biāo)準(zhǔn),確定最佳隱含層節(jié)點(diǎn)數(shù)。其中傳統(tǒng)ENN模型學(xué)習(xí)設(shè)定參數(shù)如表4所示。

傳統(tǒng)ENN模型針對(duì)實(shí)例一、實(shí)例二管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)確定隱含層節(jié)點(diǎn)數(shù)H時(shí),經(jīng)驗(yàn)公式為

(9)

式(9)中:m為輸入層節(jié)點(diǎn)個(gè)數(shù);n為輸出層節(jié)點(diǎn)個(gè)數(shù);a取1～10的整數(shù)。

基于實(shí)例一、實(shí)例二不同隱藏層節(jié)點(diǎn)數(shù)求解的訓(xùn)練樣本均方誤差結(jié)果,如表5和表6所示。

表5 不同隱含層節(jié)點(diǎn)數(shù)計(jì)算訓(xùn)練樣本的均方誤差(實(shí)例一)

表6 不同隱含層節(jié)點(diǎn)數(shù)計(jì)算訓(xùn)練樣本的均方誤差(實(shí)例二)

由表5可見(jiàn),當(dāng)隱藏層節(jié)點(diǎn)數(shù)為9時(shí),對(duì)應(yīng)的訓(xùn)練樣本均方誤差最小(實(shí)例一),故實(shí)例一仿真試驗(yàn)確定構(gòu)建10-9-1三層ENN模型。同樣由表6可見(jiàn),當(dāng)隱藏層節(jié)點(diǎn)數(shù)為10時(shí),對(duì)應(yīng)的訓(xùn)練樣本均方誤差最小(實(shí)例二),故實(shí)例二仿真試驗(yàn)確定構(gòu)建7-10-1三層ENN模型。

為了驗(yàn)證和評(píng)估IRSA-ENN模型的預(yù)測(cè)精度,建立了ENN、WOA-ENN、RSA-ENN模型與其對(duì)比。為了便于分析,保持上述模型種群規(guī)模為30,迭代次數(shù)50次,其中WOA-ENN模型初始化常量取a=[0,2],b=1,l=[-1,1];RSA-ENN、IRSA-ENN模型初始化常量取α=0.1,β=0.005。各模型基于實(shí)例一在訓(xùn)練過(guò)程中的均方誤差迭代曲線,如圖2所示。

圖2 基于不同算法耦合ENN模型的訓(xùn)練迭代過(guò)程(實(shí)例一)

圖2通過(guò)各模型在訓(xùn)練過(guò)程中均方誤差求解迭代結(jié)果對(duì)比,可明顯看出,IRSA較RSA和WOA具有更高的求精精度。

仿真求解結(jié)束后,得到各模型腐蝕速率的預(yù)測(cè)結(jié)果并計(jì)算相對(duì)誤差,結(jié)果分別如表7～表9、圖3和圖4。

表7 不同模型的預(yù)測(cè)結(jié)果及相對(duì)誤差(實(shí)例一)

表8 不同模型的預(yù)測(cè)結(jié)果及相對(duì)誤差(實(shí)例二)

表9 不同模型預(yù)測(cè)精度對(duì)比

圖3 不同模型預(yù)測(cè)值結(jié)果對(duì)比

圖4 IRSA-ENN與ENN模型預(yù)測(cè)誤差對(duì)比

從表7～表9、圖3及圖4可見(jiàn),對(duì)于實(shí)例一預(yù)測(cè)結(jié)果而言,ENN模型的MAPE為12.766 9%,相關(guān)系數(shù)R2為0.944 98;WOA-ENN模型的MAPE為2.202 1%,相關(guān)系數(shù)R2為0.997 59;RSA-ENN模型的MAPE為2.419 8%,相關(guān)系數(shù)R2為0.998 1;IRSA-ENN模型的MAPE為0.547 6%,相關(guān)系數(shù)為0.999 87。對(duì)于實(shí)例二預(yù)測(cè)結(jié)果而言,ENN模型的MAPE為10.062%,相關(guān)系數(shù)R2為0.966 62;WOA-ENN模型的MAPE為1.828 1%,相關(guān)系數(shù)R2為0.998 97;RSA-ENN模型的MAPE為2.716 8%,相關(guān)系數(shù)R2為0.999 28;IRSA-ENN模型的MAPE為0.7831 %,相關(guān)系數(shù)為0.999 76。

從兩組不同實(shí)例預(yù)測(cè)結(jié)果來(lái)看,新建的IRSA-ENN模型預(yù)測(cè)精度最高,傳統(tǒng)ENN模型的預(yù)測(cè)精度相對(duì)較低,WOA-ENN、RSA-ENN模型的預(yù)測(cè)精度均高于傳統(tǒng)ENN模型,這也證明了所用改進(jìn)模型的有效性。通過(guò)所建模型對(duì)兩組不同管道腐蝕速率實(shí)驗(yàn)數(shù)據(jù)的學(xué)習(xí)預(yù)測(cè),可以明顯看出傳統(tǒng)ENN模型泛化能力不強(qiáng)(基于實(shí)例一、實(shí)例二兩組管道腐蝕速率預(yù)測(cè)時(shí),MAPE分別為12.766 9%、10.062 0%)。而改進(jìn)的ENN模型在對(duì)不同樣本進(jìn)行學(xué)習(xí)預(yù)測(cè)時(shí),具有較強(qiáng)的泛化能力(對(duì)不同實(shí)驗(yàn)樣本的管道腐蝕速率預(yù)測(cè)時(shí),精度較高)。其原因是:傳統(tǒng)的ENN模型采用基于梯度下降法求解E(k)對(duì)權(quán)值的偏導(dǎo)數(shù),因此存在容易陷入局部極小點(diǎn)的缺陷,對(duì)Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練較難達(dá)到全局最優(yōu)[17-19]。而使用改進(jìn)算法可對(duì)傳統(tǒng)ENN模型隨機(jī)初始化的權(quán)值與閾值進(jìn)行迭代尋優(yōu)處理,最終獲得最優(yōu)的權(quán)值與閾值,因此能夠大幅度提高傳統(tǒng)模型的預(yù)測(cè)精度,且可以避免初始權(quán)值與閾值的隨機(jī)性導(dǎo)致泛化能力不強(qiáng)的缺陷。

此外新建的IRSA-ENN模型較RSA-ENN模型預(yù)測(cè)精度也有所提升,這主要是因?yàn)?引入圓形混沌映射豐富了種群多樣性,擴(kuò)展了種群的搜索空間,可克服RSA在迭代尋優(yōu)初期全局搜索能力不足的缺陷;同時(shí)新模型采用WOA的狩獵策略改進(jìn)了RSA的狩獵策略,能夠進(jìn)一步提高RSA的局部搜索能力。綜合來(lái)看,改進(jìn)爬行動(dòng)物搜索算法無(wú)論是全局搜索能力還是局部搜索能力都較爬行動(dòng)物搜索算法有很大提升,故其預(yù)測(cè)精度較高。

從仿真結(jié)果可見(jiàn),新建的IRSA-ENN模型同樣較WOA-ENN模型預(yù)測(cè)精度有所提升,這主要是因?yàn)?IRSA將其狩獵策略分為兩個(gè)階段,既保留了WOA局部搜索能力強(qiáng)的優(yōu)勢(shì),又在迭代后期很好地平衡了全局搜索與局部搜索之間的關(guān)系,能夠克服原始WOA過(guò)早陷入局部最優(yōu)解的缺陷,故其預(yù)測(cè)精度仍較高。

4 結(jié)論

(1)引入圓形混沌映射并結(jié)合鯨魚(yú)優(yōu)化算法的狩獵策略對(duì)爬行動(dòng)物搜索算法進(jìn)行改進(jìn),提出了一種基于改進(jìn)爬行動(dòng)物搜索算法的優(yōu)化ENN模型并預(yù)測(cè)了管道的腐蝕速率。仿真結(jié)果表明,所建的優(yōu)化ENN模型預(yù)測(cè)結(jié)果與實(shí)際值吻合很好,其用來(lái)預(yù)測(cè)管道的腐蝕速率完全可行。

(2)對(duì)比IRSA-ENN模型與其他模型的預(yù)測(cè)精度可知,IRSA-ENN模型的預(yù)測(cè)精度最高(兩個(gè)實(shí)例的MAPE分別為0.547 6%、0.783 1%),其次是鯨魚(yú)優(yōu)化算法建立的改進(jìn)ENN模型(兩個(gè)實(shí)例的MAPE分別為2.202 1、1.828 1%)和傳統(tǒng)爬行動(dòng)物搜索算法建立的改進(jìn)ENN模型(兩個(gè)實(shí)例的MAPE分別為2.419 8%、2.716 8%),而傳統(tǒng)ENN模型的精度較差(兩個(gè)實(shí)例的MAPE分別為12.766 9%、10.062 0%)。

(3)新建的IRSA-ENN模型有效解決了傳統(tǒng)ENN模型預(yù)測(cè)時(shí)泛化能力不足、易陷入極小值的缺陷,且克服了傳統(tǒng)爬行動(dòng)物搜索算法在迭代尋優(yōu)初期全局搜索能力不足和迭代尋優(yōu)后期易陷入局部最優(yōu)解的缺陷,其為管道腐蝕速率的準(zhǔn)確預(yù)測(cè)提供了一種新思路。