改进的粒子群优化算法研究及其若干应用

发布时间：2020-05-29 06:23

【摘要】：化学工业在国民经济领域中始终占有极其重要地位,它不仅牵涉千家万户的日常生活,还影响着其它行业甚至国防等重要领域。由于现代化的化工过程存在着许多复杂性,而传统的优化方法已无法解决其中的诸多问题,因此智能的建模和优化方法倍受关注。本文针对合成氨、德士古气化以及甲醇合成等复杂的煤化工过程,研究了神经网络(NN)的智能建模方法以及粒子群优化算法(PSO)进化方法,并将提出的新方法应用于煤化工过程软测量建模。此外,还针对物流集配的组合实际问题提出了一种新的智能技术。本文的主要研究成果如下： (1)讨论了常见智能优化算法的分类和特点、粒子群优化算法及软测量建模的基本原理。着重介绍了粒子群优化算法的发展、算法改进和应用情况以及软测量技术的发展。回顾了合成氨、甲醇工业的发展现状、生产工艺及工作原理,并简述了企业内部物料配送过程特别是托盘集配问题,最后介绍了智能优化方法在这些领域的应用。 (2)为了克服粒子群优化算法(PSO)易于“早熟收敛”问题,提出一种自导式粒子群优化算法(Self-Government Particle Swarm Optimization,SGPSO)。在SGPSO中,粒子位置的更新不仅与粒子历史局部最优和粒子群全局最优的有关,而且与粒子在之前实验中所搜索到的局部最优位置信息有关,从而大大提高了算法的寻优能力。通过对典型测试函数的仿真结果表明,所提出的SGPSO和RSGPSO这2种新算法无论在收敛速度还是收敛精度上均优于标准PSO算法。将SGPSO和RSGPSO算法与BP神经网络结合,建立了基于SGPSO-NN的气化炉炉温软测量模型。模型结果表明,SGPSO-NN的测试误差较小,具有较强的泛化能力,能够满足实际生产中对气化炉炉温的测量要求。 (3)PSO的学习因子直接影响到算法的寻优能力,提出了学习因子的2种随机取值的调整方式：激进调整方式和保守调整方式,从而提出随机学习因子的PSO算法(RLFPSO)。为了进一步提高算法的性能,有效降低种群陷入局部最优的风险,提出了两类随机学习因子混沌粒子群优化算法(RLFPSOC1和RLFPSOC2)。两类算法分别在种群进化初期和后期引入混沌的遍历性特点,从而提高的算法的收敛速度和精度。通过经典函数来测试RLFPSO算法及RLFPSOC1和RLFPSOC2算法的性能,并和其它几种方法进行比较,结果表明RLFPSO算法优化经典连续函数的结果明显优于PSO算法；两种RLFPSOC算法的优化性能均较RLFPSO算法有了较大提升。最后,将基于RLFPSO和RLFPSOC的神经网络模型用于甲醇合成塔转化率的软测量建模,并与PSO-NN、 CenPSO-NN进行了比较。比较结果表明,基于RLFPSOC1-NN和RLFPSOC2-NN的甲醇合成转化率预测模型较其它几种方法具有更好的预测能力,能够较准确地估计甲醇合成塔的质量转化率。 (4)传统的粒子群算法存在较容易陷入局部极小点等缺陷。为改善算法性能,提出了一种新的粒子群优化算法——历史最优共享的粒子群优化算法(VSHBPSO)。 VSHBPSO算法的基本思想是粒子的更新不仅学习当前全局最优位置,而且向之前实验中搜索的全局历史最优位置学习。采用典型测试函数对VSHBPSO及其扩展形式VRSHBPSO、AVRSHBPSO进行仿真研究,并与标准PSO进行比较。仿真表明,基于历史最优共享的粒子群优化算法及其扩展算法对于低维、高维函数的优化问题均具有较好的适用性和有效性。同时。ARVSHPSO算法在3种改进PSO算法中的优化性能最好。将基于ARVSHPSO-NN的模型用于合成氨塔出口氨含量的估计,建立了相应的软测量模型。实验结果验证了其算法的可行性和有效性,可用于指导实际的生产过程。 (5)针对实际的物料集配问题,提出了一种新的物料分组托盘建模方式,并计算了物料集配问题的复杂度,提出了一种新的离散型粒子群优化算法。在离散PSO算法中,子代个体向个体历史最优、全局历史最优以及前次的全局最优个体学习,从而有效提高了算法性能。离散型PSO算法采用适用于托盘分组集配问题的0-1编码方式,并提出了几种个体互相学习的更新策略。为了验证算法解决物料集配问题的有效性,选取两个不同维数的实际问题进行模拟测试,找出了最优的集配方案。测试结果表明,相比于其它几种方法,提出的离散型PSO算法具有更好的寻优性能,可嵌入物流管理信息系统,对物料进行自动分组集配,实现制造业的快速物料集配。
【学位授予单位】：华东理工大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TP18

【参考文献】