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。     

免疫PSO_WLSSVM最优聚丙烯熔融指数预报

熔融指数（MI）是聚丙烯生产的重要指标,建立可靠的熔融指数预报模型非常重要。针对标准粒子群算法(PSO)在迭代过程中易出现粒子过早收敛而陷入局部最优的缺陷,通过引入免疫系统的抗体选择机制,构造了一种基于免疫机制的免疫粒子群优化算法(ICPSO),来保持更新粒子的多样性,从而克服标准粒子群算法过早收敛的缺陷;然后利用ICPSO方法对鲁棒最小二乘支持向量机预报模型(WLSSVM)进行参数寻优,得到最优的ICPSO_WLSSVM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ICPSO_WLSSVM模型的有效性和良好的预报精度。     

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。     

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,ASOSELM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。     

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。     

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。     

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。     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

基于优化相关向量机的化工装备故障预测方法

针对影响化工装备的主要因素—腐蚀速率,在采集少量压力容器状态数据的基础上,提出了基于自导式粒子群优化算法(SGPSO)的相关向量机(RVM)故障预测方法。首先判别影响最为显著的5个表征因素;其次,使用SGPSO算法得到RVM模型最优核函数参数;然后通过样本数据计算得到预测结果的均值与方差,同时计算得到预测结果的概率分布与置信区间。仿真结果表明,SGPSORVM方法具有更高的准确率以及可靠度,因此该方法能够更有效的预测腐蚀速率,及时对化工装备的故障进行维修。     

固废基复合胶凝材料配比优化设计及协同效应研究

利用多种固废协同制备固废基复合胶凝材料(MSSWB)是固废资源化利用的有效途径，然而，相对复杂的原材料组成和较低的力学性能限制了MSSWB的应用。本文首先借助D-optimal设计方法设计了100组实验配比作为数据集，然后创建了PSO-BP模型用于MSSWB力学性能的预测，并通过粒子群优化算法(PSO)确定了各原材料的最佳质量配比，最后采用XRD、TG-DTG和NMR等微观分析方法研究了MSSWB的水化产物以及多元固废之间的协同效应。结果表明：PSO-BP模型可有效预测胶凝材料的抗压强度，经粒子群优化算法优化后的配比强度明显高于未优化配比强度，最优配比组的28 d胶砂抗压强度较未优化配比组提高了20.8%;优化配比组的较高强度主要与水化产物钙矾石和C-S-H凝胶生成量较多且水化产物之间的交联度较高有关，这表明各原材料配比优化之后，其协同效应更加明显。