论文部分内容阅读
本文系统地阐述了粒子群优化算法(ParticleSwarmOptimization，PSO)及其应用，针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点，提出了三群协同粒子群优化算法(TSC-PSO)和引入信息熵的粒子群优化算法(IE-PSO)。前者将粒子群分成三个各自飞行方向不同的分群，有两个分群朝着最好粒子飞行，一个分群则朝着相反方向飞行。后者在PSO的算法后期，引入信息熵来判断粒子是否落入局部最优。针对一些经典多峰值函数、非凸病态函数，仿真结果显示，两种改进PSO都不同程度增强了全局搜索能力，克服了基本PSO容易陷入局部最优的缺点。
软测量建模问题是优化问题的一种应用，目前常用的软测量建模方法是神经网络建模方法，在神经网络软测量建模中，很重要的一个问题是神经网络的训练问题。
针对兖矿鲁南化肥厂德士古水煤浆气化炉炉膛温度难以在线测量问题，本文将PSO应用于气化炉炉温软测量系统。以德士古水煤浆气化炉炉膛温度为研究对象，采用主元分析、神经网络与PSO相结合的方法建立了气化炉炉温软测量模型：提出了利用TSC-PSO和IE-PSO训练前向神经网络的连接权值，构造出两种改进PSO前向神经网络模型。分别对BP算法、基本PSO、TSC-PSO和IE-PSO建立的神经网络模型进行了对比、分析。系统描述了德士古水煤浆气化装置炉温软测量系统的实施情况。
该系统已于2005年5月投入运行，炉温的软测量精度满足生产要求，取得了较好的应用效果。