(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111536202.4 (22)申请日 2021.12.16 (65)同一申请的已公布的文献号 申请公布号 CN 113935556 A (43)申请公布日 2022.01.14 (73)专利权人 中船重工 （武汉） 凌久高科有限公 司 地址 430000 湖北省武汉市洪山区关山 街 珞瑜路718号 (72)发明人 刘鑫　皮辉　郭朝霞　许雷　 范俊甫　蔡烨彬　程佳斌　杨志祥　 谢倩　 (74)专利代理 机构 武汉泰山北斗专利代理事务 所(特殊普通 合伙) 42250 代理人 董佳佳 (51)Int.Cl. G06Q 10/04(2012.01)G06N 3/12(2006.01) (56)对比文件 CN 112989529 A,2021.0 6.18 CN 111368970 A,2020.07.0 3 CN 107391789 A,2017.1 1.24 US 6006604 A,1999.12.28 宋雷震等.基 于改进DNA遗传算法的微电网 DG选址定容研究. 《黑龙江工业学院学报》 .2020, 第20卷(第10期),第81-87页. 张连振等.基 于多目标遗传算法的传感器优 化布点研究. 《工程力学》 .20 07,第24卷(第4期), 第168-173页. 李纯思等.水稻浸种催芽箱温度传感器优化 配置——基于遗传算的发. 《农机化研究》 .2017, (第6期),第27- 32页. 审查员 许光华 (54)发明名称 一种基于DNA遗传算法的温度传感器优化布 置方法 (57)摘要 本发明适用 于人工智能和智能优化计算技 术领域， 提供一种基于DNA遗传算法的温度传感 器优化布置方法， 所述方法包括： 选择温度传感 器可能布置的点位， 将能耗测量精度和能耗变化 敏感度作为优化目标建立多目标优化函数； 建立 多目标期望值模 型并随机模拟求解， 结合所述多 目标优化函数， 得到多目标优 化模型； 利用DNA 遗 传算法随机模拟， 计算所述多目标优化模型； 得 到两个优化目标的目标Pareto最优解， 反复计算 得到一组最优解集， 作为深度学习算法输入集， 通过深度学习算法寻找更优解。 权利要求书2页 说明书5页 附图2页 CN 113935556 B 2022.03.22 CN 113935556 B 1.一种基于DNA遗传算法的温度传感器优化布置方法， 其特征在于， 所述方法包括下述 步骤： 步骤S1、 选择温度传感器可能布置的点位， 将能耗测量精度和能耗变化敏感度作为优 化目标建立多目标优化 函数； 步骤S2、 建立多目标期望值模型并随机模拟求解， 结合所述多目标优化函数， 得到多目 标优化模型； 步骤S3、 利用DNA遗传算法随机模拟， 计算所述多目标优化模型； 步骤S4、 得到两个优化目标的目标Pareto最优解， 反复计算得到一组最优解集， 作 为深 度学习算法输入集， 通过深度学习算法寻找更优解； 所述步骤S1具体包括： S11、 选择温度传感器可能布置的点 位； S12、 重构温度场； S13、 构造精度目标函数 ， 用以描述重构温度场的精 度； n为温度传感器总数， j为第j个温度传感器， 为第j个温度传感器的测点温度， 为第j个温度传感器的温度场， f1为精度目标函数； S14、 构造了敏感度目标函数 ， 用以描述重构温度场对 温差变化的灵敏度， n为温度传感器总数， j为第j  个 温度传感器， f2为敏感度目标函数， 为 的均值； S15、 得到多目标优化 函数 ， min表示取最小值； 所述步骤S2具体包括： S21、 建立多目标期望值模型  其中,  是一组随机约 束函数， p是约束函数 数量， x是决策向量， 是随机向量， E表示期望值 算子； S22、 通过随机模拟求解所述多目标期望值模型 ,得到最终的多目标优化模型 。 2.如权利要求1所述基于DNA遗传算法的温度传感器优化布置方法， 其特征在于， 所述 步骤S3具体包括： S31、 输入参数， 参数包括种群规模、 交叉概 率、 变异概 率和倒位 概率； S32、 初始产生DNA 链形成初始群 体， 并用随机模拟验证该DNA 链的可行性；权　利　要　求　书 1/2 页 2 CN 113935556 B 2S33、 将群体中的每一个DNA链的密码子根据密码表翻译成参数值， 然后运用随机模拟 计算个体的适应度； S34、 按一定 的概率从DNA链群体中选出DNA链个体， 作为双亲用于繁殖后代， 并用随机 模拟验证这些后代的可 行性， 将满足可 行性的新个 体加入下一代； S35、 对DNA链进行交叉、 变异和倒位 运算， 其中仍 运用随机模拟检验后代的可 行性； S36、 将产生的新 一代DNA群 体重复S3 3‑S35， 直到满足收敛 条件为止 。 3.如权利要求2所述基于DNA遗传算法的温度传感器优化布置方法， 其特征在于， 所述 步骤S4具体包括： S41、 通过步骤S3计算得到两个优化目标的目标Pareto最优解， 反复计算两个优化目标 的目标Pareto 最优解， 形成一组最优解 集； S42、 将所述 最优解集作为深度学习算法的训练集、 验证集和 测试集； S43、 进行深度学习训练和验证； S44、 将测试集用训练好的深度学习模型进行推理， 得到更优解布置方式。权　利　要　求　书 2/2 页 3 CN 113935556 B 3