微粒群优化算法研究进展

围绕微粒群优化(PSO)算法的原理、特点、改进、应用等方面进行全面综述,介绍针对复杂环境的PSO研究内容,包括多目标、约束、离散和动态优化等,提出PSO有待进一步研究的若干方向和内容。     

基于一类混合PSO算法的函数优化与模型降阶研究

为了克服传统微粒群优化(PSO)算法容易早熟收敛和陷入局部极小的缺点,通过对PSO算法特点和行为的分析,提出一类有机结合模拟退火(SA)算法和PSO算法的混合算法.混合算法不仅利用PSO的机制进行群体全局搜索,而且利用模拟退火的思想恰当地选择微粒的最好历史位置,保障了群体多样性,并有效平衡了算法的探索和趋化能力,进而改善了算法的优化性能.基于典型复杂函数优化问题和模型降阶问题的仿真结果表明,所提混合算法具有很好的优化质量、搜索效率和鲁棒性.     

基于SHPSO-GA-BP的成品汽油调和中加氢汽油组分辛烷值的预测

针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取，考虑遗传算法（genetic algorithm，GA）、粒子群算法（particle swarm optimization，PSO）优化反向传播（back propagation，BP）网络存在的问题，提出了一种串行混合粒子群遗传算法（serial hybrid PSO-GA，SHPSO-GA）优化BP网络，并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群，弃劣留优；然后对留优种群再进行GA的交叉变异操作，进一步优化种群，经过每一代PSO和GA的交替优化，并将最优种群用于BP网络参数优化；最后基于该方法和工业历史数据，建立了加氢汽油组分辛烷值的预测模型，仿真结果表明，较传统BP，以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法，SHPSO-GA-BP由于将PSO与GA进行更优的深度融合，具有更好的预测性能，可以用于辛烷值的预测。     

结合遗传算子的改进粒子群算法在控制系统设计中的应用

针对粒子群优化算法容易陷入局部最优以及早熟等缺点,结合遗传算法的选择交叉变异算子进行改进,得到一种新型PSO算法.将该方法应用于PID控制系统参数调优和被控对象参数辨识,仿真结果显示所提出的算法优化效果优于基本粒子群优化算法和遗传算法,收敛性能也得到较大提高.     

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PSO的精馏塔稳态优化

本文主要研究了精馏塔的稳态优化问题。采用基于平衡级模型的矩阵法,对一个脱甲烷塔进行了模拟计算,精度满足要求,用来获得精馏塔的若干工作状态,利用回归分析得到精馏操作的简化模型作为优化的等式机理约束。基于对过程和实际需要的分析,提出了精馏塔稳态优化问题,最后用微粒群(PSO)优化算法求解目标函数并得到最优化解,优化结果为精馏塔的操作提供了参考指导。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

微粒群算法优化化工建模训练集

提出两种均以微粒群(PSO)算法对原始训练集随机抽样优化,再结合机器学习算法建立预测模型的PSO算法优化化工建模训练集的思路。思路1首先以模型交叉验证的均方误差函数mse最小为目标优化训练集,再通过对验证集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。思路2借鉴提高BP神经网络泛化能力的初期终止(early stop)法,以对验证集预测的mse最小为目标优化训练集,再通过对测试集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。通过仿真实验研究和对某炼油厂调和汽油生产数据的具体分析应用,表明本文思路可以较大幅度提高模型的预测准确性,在化工建模中具有推广应用价值。     

基于PSO-LSSVR的环状流截面含气率软测量方法

由于测量条件高,环状流的截面含气率直接测量往往比较困难。软测量技术的关键在于建立优良的数学模型,在分析了微粒群优化算法(PSO)和最小支持向量回归机(LS-SVR)原理的基础上,利用粒子群算法优化最小二乘支持向量回归机参数的算法,建立了软测量模型,实现了环状流的截面含气率的软测量。实验表明:该模型泛化能力强,测试精度比较高,为环状流截面含气率的测量提供了一种新的测量途径。     

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.     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

基于粒子群优化Hopfield网络匹配的稀相颗粒速度测量

提出了一种基于粒子群算法(PSO)和Hopfield神经网络相结合的粒子跟踪测速算法。该方法采用高速摄影系统拍摄气固两相流的稀相颗粒运动图像,经图像处理后,提取形心参数。将粒子匹配问题转化为优化问题,采用粒子群优化算法与Hopfield神经网络相结合的方法进行优化,求出最优解来实现颗粒的正确匹配,然后计算出颗粒的速度矢量,并与互相关法求出的速度进行对比,实验结果表明,该方法能准确地跟踪稀相颗粒,是一种有效的稀相流场速度测量方法。     

群智能优化LSSVM最优聚丙烯熔融指数预报

提出了群智能优化AC_ICPSO(ant colony and immune clone particle swarm optimization)算法,融合蚁群算法与粒子群算法进行动态群体搜索,设计交叉算子和变异算子、群体多次编码、迭代选择等,来提高数据搜索的范围、精度和收敛的效率,避免早熟,降低算法的复杂度。然后利用AC_ICPSO方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,得到最优的AC_ICPSO_LSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的AC_ICPSO_LSSVM方法有效,具有良好的预报精度。     

不确定条件下中间存储时间有限多产品间歇生产过程调度

针对产品处理时间不确定条件下中间存储时间有限多产品间歇生产过程调度问题, 采用三角模糊数描述处理时间的不确定性, 通过一种模糊排序的方法建立了以最小化模糊最大完工时间的值以及不确定度作为调度目标的数学模型, 提出一种基于改进粒子群和分布估计的混合算法(IPSO-EDA)。IPSO-EDA算法在粒子群更新公式中引入基于所有粒子自身最优位置的优质个体分布信息, 提高了算法的全局搜索能力, 同时采用NEH初始化获得理想的初始解, 采用NEH局部搜索提高算法的局部搜索能力。通过正交实验设计对算法的参数进行调节, 仿真结果表明了所提出算法的有效性和优越性。     

基于双种群算法的模拟移动床多目标操作优化

以有限元法求解模拟移动床的稳态TMB模型和动态SMB模型,提出基于Pareto非劣解集的多目标双种群遗传粒子群算法;利用动态SMB模型仿真模拟移动床色谱吸附分离过程,以分离纯度和性能指标分别作为约束条件和目标函数进行多目标操作优化设计.仿真结果表明,SMB模型较之TMB模型更真实可靠,双种群遗传粒子群算法也较单一种群的...     

融合灰狼优化算法在工控系统入侵检测中的应用

针对当前工控系统中数据体量大、维度高的特点，提出了一种融合随机黑洞(random black hole, RBH)策略的灰狼优化(grey wolf optimization integrated random black hole, RBHGWO)算法。该方法在更新下一代灰狼位置时，模拟黑洞的吸引方式，让狼群中的个体能够更快地向着当前全局最优解移动，增强了算法的收敛速度；同时个体以随机策略被黑洞吸引，保持了算法的局部搜索能力。通过优化算法测试函数验证，RBHGWO算法与粒子群优化(particle swarm optimization, PSO)算法、随机黑洞粒子群优化(particle swarm optimization integrated random black hole, RBHPSO)算法、GWO算法和优胜劣汰的灰狼优化(survival of fitness grey wolf optimization, SFGWO)算法进行了实验对比。结果表明，RBHGWO算法具有较快的收敛速度和较好的寻优精度。同时以田纳西-伊斯曼(Tennessee-Eastman, TE)数据集为基础进行仿真实验，结果表明该算法应用于在工控系统入侵检测的特征选择中，其收敛精度、迭代速度以及稳定性都有明显优势。     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

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。     

Control Parameterization‐Based Adaptive Particle Swarm Approach for Solving Chemical Dynamic Optimization Problems

A control parameterization‐based particle swarm optimization (CP‐PSO) approach is presented which combines control parameterization with particle swarm optimization to solve dynamic optimization problems in chemical engineering. To improve search efficiency and convergence rate, a control parameterization‐based adaptive particle swarm optimization (CP‐APSO) approach is proposed, in which inertia weight and acceleration coefficients are updated according to population distribution characteristics. Three benchmark chemical dynamic optimization problems are explored as illustration. The results demonstrate that CP‐APSO is efficient for solving a general class of chemical dynamic optimization problems and CP‐APSO largely outperforms CP‐PSO on the convergence rate.