微粒群算法在地震波阻抗反演中的应用

地震波阻抗反演是油藏描述和储层预测中的关键技术,其本质属于多参数的非线性组合优化问题,诸如人工神经网络、模拟退火、遗传算法等非线性反演方法在地震波阻抗反演中已经得到了运用。起源于生物社会学研究和生物行为学模拟的微粒群算法,在多参数、非线性、多极值函数优化问题中具有较强的优越性。通过分析微粒群算法的原理,本文用该非线性算法实现了地震波阻抗反演,并且在理论模型的实验中,证明了算法的可行性。     

微粒群算法在干燥器多变量优化设计中的应用

建立了以具有废气循环的回转干燥系统年总费用为目标函数的优化设计数学模型,在此基础上探讨了惯性权因子对微粒群算法性能的影响,并应用微粒群算法求解干燥器优化设计数学模型,对干燥器出口废气温度与循环比进行优化设计。结果表明,带动态非线性惯性因子的微粒群算法对求解多变量的干燥优化设计问题具有方法简单、所需微粒群规模小、收敛速度快等特点;采用部分废气循环并进行优化设计对干燥系统的节能具有十分重要的意义,对湿空气出口温度和废气循环比进行优化设计,其年总费用比无废气循环的常规设计节省18．2%,比循环比为0．2时的常规设计节省12．6%。     

微粒群算法在模拟移动床色谱分离过程优化中的应用

运用微粒群算法开发出一种非线性模拟移动床(SMB)色谱分离过程的优化策略.该优化策略将模拟移动床的最大吸附剂生产率作为优化问题的目标函数,采用模拟移动床的TMB模型来计算微粒群优化算法的适应值.采用该优化算法对手性化合物萘酚对映体(bi-naphthol)的模拟移动床色谱分离操作条件进行了优化,仿真结果表明了该优化策略的有效性.     

复合粒子群优化算法在模型参数估计中的应用

化工非线性模型的参数估计是较为困难的寻优问题，经典方法常会陷入局部极值。粒子群算法操作简便、容易实现且全局搜索功能较强，适用于非线性参数估计。但其参数值的确定与问题相关，若设定不当，会严重影响全局搜索的性能。今提出引入遗传算法，在粒子群算法的搜索过程中，逐代优选参数，包括惯性权值，加速常数，以此构建为复合粒子群优化算法。分析与测试表明，其全局搜索性能有显著改善。进一步的工作又将两种粒子群算法成功地应用于重油热解模型的参数估计。采用复合粒子群优化算法估计参数构建的重油热解模型，其预报相对误差比常规粒子群优化算法降低了8.97％，比简单遗传算法降低了23.21％，效果明显。     

自适应混合粒子群约束优化算法及其在软测量模型参数估计中的应用

对于软测量模型参数估计问题, 针对传统梯度法求解非线性最小二乘模型时依赖初值、需要追加趋势分析进行验证和无法直接求解复杂问题的缺陷, 提出将参数估计化为约束优化问题, 使用混合优化算法求解的新思路。为此提出一种自适应混合粒子群约束优化算法(AHPSO-C)。在AHPSO-C算法中, 为平衡全局搜索(混沌粒子群)和局部搜索(内点法), 引入自适应内点法最大函数评价次数更新策略。对12个经典测试函数的仿真结果表明, AHPSO-C是求解约束优化问题的一种有效算法。将算法用于淤浆法高密度聚乙烯(HDPE)串级反应过程中熔融指数软测量模型参数估计, 验证了方法的可行性与优越性。     

两群微粒群算法及其在油品调和优化中的应用

针对复杂的非线性约束优化问题,提出了一种含变异算子的两群微粒群算法。算法构造了两个粒子群,分别设置了不同的搜索速度上限,并设计了粒子群间的协调机制和变异算子,使算法的寻优能力得到增强。针对油品调和配方优化进行了实例仿真,研究结果表明所提出的算法能获得较理想的调和配方,在满足调和利润最大的同时能保证对调和指标的卡边,使调和成品油的指标富余量大大降低。     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

非线性时变系统时滞和参数在线联合估计的SMSA方法

针对输入带纯迟延的一类非线性系统,提出时变时滞和参数在线联合估计的一种SMSA混合算法。该方法有机结合具有概率突跳特性的模拟退火和基于高维欧氏空间中凸多面体结构的单纯形搜索法,在最小化平均平方误差意义下动态寻找时滞和参数的最优估计值。基于实际非线性水箱系统的仿真验证了混合算法对非线性系统时滞和参数在线联合估计的有效性及其一定的抗噪声能力。     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

过程系统变负荷下的数据校正与参数估计方法

过程系统的数据校正与参数估计是进行实时操作优化与过程控制的基础。过程系统变负荷下由于模型参数变化的非线性及显著误差的影响,导致数据校正与参数估计的结果不准确,从而影响实时操作优化与过程控制的效率。针对此问题,本文提出了一种用于变负荷下的数据校正与参数估计方法。此方法主要包括过程的稳态检测与数据采样,多工况下的数据聚类和基于多组测量的数据校正与参数估计。首先选择有效和可靠的过程测量数据,根据变负荷下工况的波动性与系统的非线性特征进行数据聚类,最后基于聚类结果调整模型参数使得模型输出与过程测量数据偏差最小。此方法可有效地减小模型参数变化的非线性及显著误差对数据校正与参数估计结果的影响。基于现场的测量数据,将此方法应用于空气分离流程系统中,结果显示了基于此方法的数据校正与参数估计结果更准确。     

基于PSO-SVR算法的燃煤锅炉结渣特性预测

针对燃煤锅炉结渣特性的有限样本、非线性和高维数问题,提出了一种基于粒子群优化（PSO）和支持向量回归（SVR）的预测模型。对于支持向量回归机在建模中存在的参数选取问题,采用改进的粒子群算法（PSO）对模型参数进行优化,该方法结合了PSO的快速全局优化能力和SVR的结构风险最小化理论,精确地逼近非线性映射关系的能力。仿真结果表明：相比遗传算法（GA）SVR预测模型和模拟退火（SA）SVR预测模型,PSO-SVR模型预测燃煤锅炉结渣特性具有较高的准确率。     

基于粒子群优化的磨矿分级过程多层数据协调

准确稳定的过程数据是选矿厂进行过程优化控制和决策管理的依据,今针对磨矿分级过程数据特点,建立了多层数据协调模型,包括总物料平衡层、粒度分布/品位层和不同粒度下的成分分析层(金属分布率层);针对模型维数较高的问题,引入粒子群优化(PSO)算法进行求解。根据不同的测量信息,可选择相应的层次进行协调,并采用从低层向高层逐层协调的方法,实现了部分非线性约束到线性约束的转化,提高了数据协调效率。将该多层模型和PSO算法用于某选矿厂磨矿分级过程实际生产数据的协调,结果表明协调后的数据更准确、更稳定,包含的信息更丰富完整。     

基于粒子群算法的多传感器数据融合

粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行、收敛速度快,但存在收敛精度不高、易陷入局部极值点的缺点。本文对原有算法中的固定惯性权重进行改进,着重分析了惯性权值因子在粒子群优化(PSO)算法中的作用,在现有的线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性地运用到多传感器融合的领域,运用该算法对数据融合中的加权因子进行估计。实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度/互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,有效地从各融合数据中提取有用信息,成功排除噪声干扰,取得了良好的融合结果。     

基于局部建模的预测控制及其在芳烃异构化过程的应用

针对一类非线性系统提出了基于局部建模的预测控制算法,对于局部模型的训练数据选取,同时考虑了样本数据之间的欧氏距离与向量的夹角,使得训练数据的选取更合理,并对芳烃异构化过程进行了实验仿真。首先通过最小二乘支持向量机进行局部建模,并将局部模型作为算法的预测模型。然后利用粒子群优化算法进行滚动优化,寻找到最优控制量。最终仿真实验验证了该算法的有效性和鲁棒性。     

基于PSOGSA前向神经网络的石化控制系统入侵检测

针对日趋严峻的石化行业工业控制系统（ICS）安全形势,提出一种基于粒子群优化（PSO）和万有引力搜索算法（GSA）的前向神经网络（FNNPSOGSA）,用于解决其中的入侵检测问题。分别利用GSA的全局寻优能力和PSO快速局部收敛优势,提出了一种基于PSO和GSA的混合算法PSOGSA,并将其用于前向神经网络（FNNs）的训练。通过多组基准测试数据集,将FNNPSOGSA预测结果同FNNPSO、FNNGSA和参考文献中改进的FRGNN（K-NN）和FRGNN（Naive Bayes）预测结果相比较,验证了PSOGSA在训练FNNs中是可行的,并且FNNPSOGSA具有更高的预测准确率和更强的泛化能力。更进一步,对工控入侵检测标准数据集的仿真结果表明其在工控系统入侵检测中的可行性和有效性。     

基于粒子健康度的快速收敛粒子群优化算法

针对现有粒子群优化算法在工程应用中,特别是在粒子维数较高的情况下,很容易发生早熟收敛等缺点,提出了一种基于粒子健康度的快速收敛粒子群优化算法(HPSO)。给出了粒子健康度的概念及计算方法。该算法通过动态监控粒子的健康度指标,对健康度较低的粒子单独进行变异操作。从而可以在保护健康粒子继续搜索最优值的同时,有效“治疗”非健康的早熟粒子,提高了整个粒子群的寻优能力及跳出局部最优值的能力。然后通过大量的标准测试函数对其进行测试,并将其与标准粒子群优化算法(SPSO)、权重递减的粒子群优化算法(WPSO)进行对比。测试结果表明,在粒子维数较高的应用中HPSO算法的收敛速度更快,效率更高。     

基于智能集成优化的合成塔入口氨含量软测量

文化算法主要由种群空间和信念空间构成,两个空间共同进化来模拟人类文化的进化过程。提出一种智能集成优化算法,将遗传算法、粒子群优化算法应用到文化算法框架中,并与神经网络相结合,构造一种智能集成网络模型,并将其应用到合成塔入口氨含量软测量建模。结合实际工艺,对所建软测量模型进行仿真研究。研究结果表明,该模型的性能优于传统BP神经网络模型、遗传神经网络模型和粒子群神经网络模型,具有较高的精度和良好的应用前景。     

Analysis of the particle swarm algorithm in the optimization of a three-phase slurry catalytic reactor

The Particle Swarm Optimization (PSO) method was employed to optimize an industrial chemical process characterized by being difficult to be optimized by conventional deterministic methods. The chemical process is a three phase catalytic slurry reactor (tubular geometry) in which the reaction of the hydrogenation of o-cresol producing 2-methyl-cyclohexanol is carried out. The optimization problem was formulated considering as input variables the operating conditions of the reactor and as objective function the maximization of productivity, subject to the environmental constraint of conversion. The process was represented by a multivariable non-linear rigorous mathematical model and in order to solve the optimization problem, the performance of the PSO algorithm was evaluated considering four sets of parameters values suggested by the literature. PSO demonstrated to be efficient and robust to solve the constrained optimization problem, independently of the values of the PSO parameters. The solution of the rigorous mathematical model of the reactor was associated with a high computational burden, and although the PSO algorithm presented high rate of convergence, the attempt to make possible the optimization in a timeframe suitable to real time applications failed because the algorithm lost robustness (fraction of the number of runs the algorithm reached the optimization goal) when run with a reduced number of function evaluations. Therefore, if this type of application is desired, simplified mathematical models with fast and simple numerical methods must be preferred.     

改进粒子群算法在酶发酵过程优化控制中的应用

针对发酵过程的非线性、时变等特点,建立了基于BP神经网络的产物浓度预估模型,并在此模型的基础上,利用改进的粒子群算法(PSO)实现对L-天冬酰胺酶Ⅱ发酵过程控制参数的寻优,以确定该过程的优化轨线,通过在线调整实现对优化轨线的跟踪控制,实验应用结果表明效果良好.