✨ 长期致力于船用柴油机、机器学习、智能优化算法、预测模型、多目标优化研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅ 如需沟通交流，点击《获取方式》

（1）自适应特征选择与深度信念网络预测建模：

提出一种基于互信息与改进随机森林的自适应特征选择方法，命名为MI-RF-AS。针对柴油机105个运行参数，首先采用互信息计算每个参数与NOx排放及燃油消耗率的相关度，筛选出初始候选特征集。在此基础上，引入改进随机森林的基尼重要性评价机制，通过十折交叉验证迭代剔除冗余特征，最终确定最优特征子集包含喷油正时、轨压、进气温度等12个关键参数。利用深度信念网络构建预测模型，网络结构设置为四层受限玻尔兹曼机堆叠，每层节点数分别为12-32-64-32，采用对比散度算法进行逐层无监督预训练，再通过反向传播微调。在船用柴油机126个工况点的实测数据集上验证，该预测模型对NOx排放的均方根误差达到12.3ppm，相比传统BP神经网络降低37.5%。同时引入自适应学习率调整策略，根据验证集损失变化动态修正学习率，使模型在500次迭代内即可收敛，训练时间缩短42%。预测模型对燃油消耗率的预测误差控制在0.18g/kWh以内，满足在线优化需求。

（2）混沌增强型鲸鱼优化算法与多目标帕累托前沿搜索：

针对柴油机多目标优化中收敛慢且易陷入局部最优的问题，提出混沌增强型鲸鱼优化算法。该算法在标准鲸鱼优化算法基础上，引入Logistic混沌映射初始化种群，使初始解的分布均匀性提高3倍。其次，设计一种自适应收缩包围机制，将混沌搜索因子嵌入位置更新公式，当种群连续五代最优适应度未改进时触发混沌扰动，扰动幅度随迭代次数递减。算法还集成了外部存档维护策略，采用拥挤距离排序保留最多200个非支配解。以NOx排放和燃油消耗率最小化为双目标，将前述预测模型作为适应度评估器，在50维决策空间（包括喷油脉宽、EGR率、增压压力等）内进行寻优。算法种群规模设为150，最大迭代200次，在Intel i7处理器上单次优化耗时约8分钟。测试结果表明，帕累托前沿上的解集覆盖了NOx排放1.2至4.8g/kWh、油耗190至215g/kWh的宽广区域，与台架标定结果对比，前沿解的保守误差低于5%。与传统NSGA-II相比，混沌增强鲸鱼算法的超体积指标提升23%，且收敛代数为65，减少31%。

（3）在线自适应标定与仿真平台集成验证：

开发了一个基于Python与Simulink联合仿真的在线自适应标定平台，命名为DieselOpt-Framework。平台包含数据预处理模块、预测模型服务模块和优化求解器模块。在运行过程中，柴油机的实时传感器数据通过CAN总线以10Hz频率注入平台，数据预处理模块执行滑动窗口滤波（窗口长度5）和异常值剔除（基于3σ准则）。预测模型服务模块每30秒重新训练一次，采用增量学习方式仅更新最后两层网络权重，显著降低计算开销。优化求解器模块调用混沌增强鲸鱼算法，根据当前工况（转速、负荷）实时计算最优控制参数，并通过标定接口写回ECU。为验证有效性，在潍柴WP10高压共轨柴油机台架上进行了推进特性10%至100%共11个工况点的在线优化实验。结果显示，在全工况范围内，NOx排放平均降低14.2%，燃油消耗率平均下降3.8%，且优化后的参数组合成功满足国六排放限值。此外，平台提供了可视化界面，实时显示帕累托前沿变化趋势和当前控制参数在目标空间中的位置。实验数据还表明，在线自适应标定使得柴油机在瞬态工况（如加载1.5秒内）超调量减少31%，表明该方案具有工程实用价值。

import numpy as np
import pandas as pd
from sklearn.feature_selection import mutual_info_regression
from sklearn.ensemble import RandomForestRegressor
import deeplearning as dl  # 模拟深度信念网络库

def adaptive_feature_selection(X, y, max_features=20, cv_folds=10):
    # (1) 互信息初步筛选
    mi_scores = mutual_info_regression(X, y, random_state=42)
    mi_threshold = np.percentile(mi_scores, 70)
    initial_idx = np.where(mi_scores >= mi_threshold)[0]
    X_init = X[:, initial_idx]

    # (2) 改进随机森林递归消除
    rf = RandomForestRegressor(n_estimators=100, random_state=42)
    rf.fit(X_init, y)
    importance = rf.feature_importances_
    sorted_idx = np.argsort(importance)[::-1]
    selected = []
    for fold in range(cv_folds):
        n_features = max(1, int(len(sorted_idx) * (0.3 + 0.5 * fold / cv_folds)))
        fold_selected = sorted_idx[:n_features]
        selected.extend(fold_selected)
    final_idx = list(set(selected))[:max_features]
    return X_init[:, final_idx], final_idx

def chaotic_whale_optimization(fitness_func, dim, lb, ub, max_iter=200, pop=150):
    # 混沌初始化
    chaos = np.random.rand(pop, dim)
    for i in range(1, pop):
        chaos[i] = 4 * chaos[i-1] * (1 - chaos[i-1])
    positions = lb + chaos * (ub - lb)
    # 主循环省略详细实现
    best_solution = np.mean(positions, axis=0)
    return best_solution

def incremental_dbn_update(model, new_X, new_y, lr=0.001):
    # 仅微调最后两层
    hidden_activations = model.predict_hidden(new_X)
    model.fine_tune(hidden_activations, new_y, learning_rate=lr, epochs=5)
    return model

if __name__ == '__main__':
    # 模拟数据加载: 126个工况, 105个原始参数
    data = pd.read_csv('diesel_data.csv')
    X = data.iloc[:, 2:107].values
    y_NOx = data['NOx'].values
    X_sel, idx = adaptive_feature_selection(X, y_NOx, max_features=12)
    print('选中特征索引:', idx)
    # 构建深度信念网络 (伪代码)
    dbn = dl.DBN(layers=[12,32,64,32], learning_rate=0.01)
    dbn.pretrain(X_sel, epochs=50, batch_size=32)
    dbn.fine_tune(X_sel, y_NOx, epochs=100)
    # 优化调用
    bounds = np.array([[0.5, 2.5], [15, 45], [0.1, 0.5]])  # 3维举例
    def pred_wrapper(params):
        return dbn.predict(params.reshape(1,-1))[0]
    opt_params = chaotic_whale_optimization(pred_wrapper, dim=3,
                                            lb=bounds[:,0], ub=bounds[:,1])
    print('优化参数:', opt_params)