粒子群算法研究及其在過(guò)程控制系統(tǒng)穩(wěn)態(tài)優(yōu)化中的應(yīng)用.pdf

1、隨著計(jì)算機(jī)控制生產(chǎn)過(guò)程的迅速發(fā)展，能源和原材料的日趨短缺，生產(chǎn)成本的不斷提高，工業(yè)生產(chǎn)過(guò)程中的穩(wěn)態(tài)優(yōu)化越來(lái)越受到人們的重視，它關(guān)系到整個(gè)生產(chǎn)線的產(chǎn)量、質(zhì)量和生產(chǎn)成本。然而工業(yè)生產(chǎn)過(guò)程所具有的高度復(fù)雜性、強(qiáng)關(guān)聯(lián)性、非線性、不確定性，以及常伴隨著十分苛刻的生產(chǎn)條件和環(huán)境，如高溫、高壓、低溫、真空、易燃、易爆、有毒物質(zhì)，都為保持生產(chǎn)過(guò)程的最佳工況帶來(lái)了困難。本論文以穩(wěn)態(tài)工業(yè)生產(chǎn)過(guò)程為背景，對(duì)粒子群（PSO，particle swarm opt

2、imization）算法的優(yōu)化能力及其在過(guò)程控制系統(tǒng)建模、優(yōu)化中的應(yīng)用進(jìn)行了深入的研究。 工業(yè)生產(chǎn)過(guò)程穩(wěn)態(tài)優(yōu)化的核心問(wèn)題是工業(yè)生產(chǎn)過(guò)程模型的建立和過(guò)程控制系統(tǒng)參數(shù)的確定。粒子群算法具有實(shí)現(xiàn)簡(jiǎn)單，迭代初期有效的特點(diǎn)適合于工業(yè)生產(chǎn)過(guò)程的穩(wěn)態(tài)優(yōu)化，但對(duì)于復(fù)雜的多峰值優(yōu)化控制問(wèn)題，該算法本身具有的“趨同性”易于使問(wèn)題的解陷入局部極值。本論文在詳細(xì)分析粒子群算法機(jī)理的基礎(chǔ)上，提出了基于K-means聚類的免疫粒子群（KIPSO，K-mea

3、ns immune PSO）算法。將K-means聚類算法，用于免疫疫苗的抽取，確定最高平均適應(yīng)值的聚類中心及其最大鄰域，得到符合具有最優(yōu)個(gè)體特征的疫苗集，使疫苗具有了多樣性，并以自適應(yīng)方式確定疫苗集進(jìn)行疫苗更新，提高算法的適應(yīng)性；在免疫選擇中考慮了群體個(gè)體濃度對(duì)選擇概率的影響，同時(shí)也考慮了個(gè)體適應(yīng)值對(duì)選擇概率的影響，使那些濃度值低，適應(yīng)值差，卻具有較好的進(jìn)化趨勢(shì)的粒子得以保留。論文對(duì)KIPSO算法的魯棒性進(jìn)行了分析，給出了相關(guān)參數(shù)的推

4、薦值。通過(guò)仿真實(shí)驗(yàn)分析了KIPSO算法的性能，結(jié)果表明KIPSO算法具有良好的收斂性和搜索能力。 采用小腦模型關(guān)聯(lián)控制器（CMAC，cerebella model articulation controller）神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜工業(yè)過(guò)程進(jìn)行建模，詳細(xì)分析了CMAC的泛化能力，給出了CMAC神經(jīng)網(wǎng)絡(luò)參數(shù)，如采樣精度、量化精度、泛化常數(shù)對(duì)泛化能力的影響。應(yīng)用模糊小腦模型關(guān)聯(lián)控制器（FCMAC，fuzzy CMAC）神經(jīng)網(wǎng)絡(luò)改善了CMA

5、C神經(jīng)網(wǎng)絡(luò)建模能力受量化精度和存儲(chǔ)空間的限制。提出了應(yīng)用KIPSO算法對(duì)FCMAC神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化調(diào)整的建模方法（KIPSO-FCMAC），克服了FCMAC神經(jīng)網(wǎng)絡(luò)以誤差梯度降為學(xué)習(xí)算法不能分辨局部極小值的缺點(diǎn)，提高了FCMAC神經(jīng)網(wǎng)絡(luò)的逼近能力。深入討論了KIPSO-FCMAC神經(jīng)網(wǎng)絡(luò)參數(shù)選擇對(duì)系統(tǒng)性能的影響，為在過(guò)程控制系統(tǒng)建模中的實(shí)際應(yīng)用提供了理論依據(jù)。 在詳細(xì)分析異丙苯氧化單元中過(guò)氧化氫異丙苯（CHP，cumene

6、hydroperoxide）分解的工藝過(guò)程基礎(chǔ)上，以保證工業(yè)生產(chǎn)過(guò)程安全為前提，在分解單元的液位、壓力、溫度、CHP流量、粗產(chǎn)品流量的允許范圍內(nèi)，以盡量降低粗產(chǎn)品的溫度為目標(biāo)建立了CHP分解過(guò)程的穩(wěn)態(tài)優(yōu)化模型，并實(shí)現(xiàn)了控制變量值的優(yōu)化。建模方法分別采用CMAC、FCMAC和KIPSO-FCMAC神經(jīng)網(wǎng)絡(luò)方法，優(yōu)化算法采用了線性遞減權(quán)值粒子群（LDWPSO，linearly decreasing weight PSO）、模擬退火粒子群（S