一种混合粒子群优化的沉降ARMAX模型

为了提高氧化铝生产质量和降低能耗,分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用系统辨识的方法建立沉降系统的带外部输入的自回归滑移ARMAX模型.为此提出了基于二阶混沌的混合粒子群算法,解决了粒子群算法容易早熟以及全局寻优效率偏低等问题,进而建立了基于二阶混沌的混合粒子群优化算法的沉降槽密度ARMAX模型.仿真实验...     

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.     

一种基于PSO算法的闭环辨识方法

闭环模型辨识一直是工业先进控制领域中的一个主要课题。而现在基于粒子群优化算法PSO的辨识,大多都是连续开环系统的辨识。离散闭环模型辨识在计算机控制、运算量等方面比连续开环系统的辨识有较大的优势。文中讨论了PSO的时变惯性权重算法与参数初值的设置和选择方法。通过仿真实验表明,PSO与最小二乘递推算法相比,在有效性和一致性方面,有着明显的优势。PSO算法是一种有效地解决优化问题的群集智能算法,它的突出特点是算法中需要选择的参数少,程序实现简单,并在种群数量、寻优速度等方面较其他进化算法具有一定的优势。该方法在实际项目的应用中取得了较好的效果,应用前景广阔。     

基于多数据源的连铸软测量模型校正方法研究

针对铸坯凝固传热软测量模型的准确性问题,提出了基于多数据源的模型校正方法。首先在铸坯不同位置测量其表面温度,然后根据测量数据和凝固传热数学模型的计算数据将参数辨识问题转化为参数优化问题,采用自适应粒子群优化算法进行模型参数辨识。最后利用凝固坯壳厚度的测量数据验证传热模型的准确性,结果表明:校正后的凝固传热模型可以满足工程应用要求,可用于实际连铸机的计算分析。     

一种求解化工动态优化问题的迭代自适应粒子群方法

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。     

一种求解化工动态优化问题的迭代自适应粒子群方法

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。     

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。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

基于自适应粒子群优化算法的预测控制算法及其在加热炉支管平衡中的应用

多变量和输出受限系统的预测控制问题一般表现为一个不易直接求解的多变量且多约束的非线性动态规划问题.传统优化方法在解决此优化问题时,存在易收敛到非法解或局部极小、计算时间长以及对模型参数与初值依赖性强的缺点.提出了一种基于自适应粒子群优化的预测控制算法(APSO-DMC),采用自适应粒子群优化算法(APSO)作为模型预测控制的优化方法,在线实时求解最优控制律,从而有效地克服了传统优化方法的不足.将此算法应用于常减压装置加热炉支管温度平衡控制中,仿真试验结果显示了该方法的有效性.     

基于改进粒子群算法的TTCAN系统矩阵的优化

在基于时间触发的CAN总线控制系统中,TTCAN协议的任务调度是一个很重要的问题。针对这一问题,提出了基于改进粒子群算法的TTCAN系统矩阵优化方法,给出了详细的优化过程,并对算法进行了仿真研究。结果表明,改进的粒子群算法有效地减少了CAN的干扰抖动问题,提高了TTCAN网络带宽利用率,使得在实时控制系统中总线负载达到峰值时仍然能得到可靠的传输。     

应用群能量恒定粒子群优化算法的批次流加发酵过程批次间优化(英文)

An iterative optimization strategy for fed-batch fermentation process is presented by combining a run-to-run optimization with swarm energy conservation particle swarm optimization (SEC-PSO). SEC-PSO, which is designed with the concept of energy conservation, can solve the problem of premature convergence frequently appeared in standard PSO algorithm by partitioning its population into several sub-swarms according to the energy of the swarm and is used in the optimization strategy for parameter iden-tification and operation condition optimization. The run-to-run optimization exploits the repetitive nature of fed-batch processes in order to deal with the optimal problems of fed-batch fermentation process with inaccurate process model and unsteady process state. The kinetic model parameters, used in the operation condition optimization of the next run, are adjusted by calculating time-series data obtained from real fed-batch process in the run-to-run optimization. The simulation results show that the strategy can adjust its kinetic model dynamically and overcome the instability of fed-batch process effectively. Run-to-run strategy with SEC-PSO provides an effective method for optimization of fed-batch fermentation process.     

基于杂交粒子群算法的多元线性回归参数估计及预测区间研究

为了提高多元线性回归分析模型预测混凝土28 d抗压强度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数,依据正态分布和t分布求出预测点置信度为95%的预测区间。实验结果表明:此模型的预测精度优于传统基于最小二乘估算的回归分析模型,且预测结果可以是相关量的取值范围,扩大了相关量的适用范围,提高了预测的可靠性。     

基于粒子群优化算法的板翅式换热器优化设计

以板翅式换热器的质量作为目标函数,以换热器芯体外形尺寸和翅片参数作为优化变量,采用粒子群优化算法对其结构尺寸进行优化设计,获得了换热器质量减轻、体积减小的效果。     

Establishment and solution of eight-lump kinetic model for FCC gasoline secondary reaction using particle swarm optimization

An eight-lump kinetic model contained 21 kinetic parameters was proposed to describe the secondary reaction process of fluid catalytic cracking (FCC) gasoline. The model was solved by hybrid particle-swarm optimization (HPSO) which incorporated evolutionary strategies and the simulated annealing method into particle swarm optimization (PSO). A series of experiments were carried out in a riser reactor over an improved Y zeolite catalyst with different temperatures, catalyst to oil ratios and vapor residence times. The product distribution was obtained to estimate the 21 kinetic parameters of model; the calculated results obtained using the HPSO algorithm agreed well with the experimental results.     

基于EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

自增长混合神经网络及其在燃料电池建模中的应用

为了提高非线性辨识的精度, 提出了一种基于混合算子的自增长混合神经网络。该神经网络通过自增长的混合隐含层结构, 包括加算子和乘算子, 形成神经元个数少、结果精确、增长快速的网络。论文在级联神经网络的结构基础上, 提出GQPSOI算法来引导神经网络的结构自增长以及权值更新。通过对燃料电池的建模与比较分析, 证明了方法的有效性和良好的应用前景。     

基于PSO的丁二酸发酵动力学模型参数优化

丁二酸是一种重要的化工原料,对丁二酸发酵过程进行模型化研究可以为工艺放大提供必要的基础数据。根据丁二酸发酵过程的实验数据,在已有的丁二酸发酵动力学模型的基础上,采用粒子群优化算法进行模型参数优化研究,求得最优参数并利用其进行过程仿真。结果表明优化后的模型能够更好地模拟丁二酸分批发酵过程。和采用遗传算法进行的研究结果相比,粒子群算法提高了模型计算值与实验测量值的拟合程度,且算法简单,易于实现。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.