排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法(IAPSO)来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是:该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。 相似文献
2.
为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明:在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性. 相似文献
3.
基于粒子群优化算法的熔融指数预报 总被引:1,自引:0,他引:1
针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种实用高精度的软测量方法,以弥补传统的实验室分析严重滞后所导致的生产控制瓶颈问题。采用主元分析,提取少量主元反映多个变量的综合信息,以降低预报模型的复杂度。并在此基础上建立基于径向基函数神经网络的统计预报模型,提出利用粒子群优化算法优化神经网络的结构与参数,以减少人为因素对建模的影响,得到最优预报结果。通过对工厂实际生产过程进行详细的预报检测,并进一步与国内外相关研究报道进行比较,结果表明,所提出的预报方法具有更强的可靠性和更高的准确性。 相似文献
4.
为满足微裂隙岩体注浆加固要求,需研究一种强度高、黏度低的高性能注浆材料。选用超细水泥、硅粉、超细粉煤灰、聚羧酸系减水剂为原料,结合单因素试验和正交试验,对浆液进行改性。试验结果表明:在水泥中掺加4%~12%的硅粉,浆液的结石体强度可以提高8%~34%|用超细粉煤灰替代一定量的水泥,可以降低浆液的黏度,当粉煤灰替代量超过20%后,浆液黏度不再降低,达到作用极限值|聚羧酸系减水剂对于降低水泥浆液的黏度有着显著效果,掺加0.1%~0.5%的减水剂,浆液的黏度可以降低25%~90.6%,减水剂掺量越高,浆液析水率越大,浆液越不稳定|当水灰比为0.8、硅粉掺量为10%、粉煤灰代替量为20%、减水剂掺量为0.3%时配置的浆液性能最优,新型浆液结石体28d抗压强度为22.98MPa,比纯水泥浆液结石体的抗压强度提高13.6%,黏度为21.83s,比纯水泥浆液黏度降低89%。 相似文献
5.
6.
7.
8.
针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性,并且融合了主成分分析、统计建模以及智能优化方法,从而降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报,并与国内外相关研究报道相比较,表明了本文所提出的预报方法的有效性和更高的准确性。 相似文献
9.
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。 相似文献
10.
智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法(IAPSO)来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是:该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。 相似文献
1