论文部分内容阅读
差分进化算法(DE)是一种简单高效的优化算法，但是收敛精度不高，容易陷入局部最优。
为了提高差分进化算法的寻优速度和寻优效能，本文提出了一种改进自适应差分进化算法。该算法在基本差分进化算法中引入了自适应变异算子，根据每个个体与最优个体适应度值的相互关系，自动地调节变异算子值，使之在进化初期较大，之后，随着个体逐渐接近最优值，变异算子值逐渐变小，确保了个体向最优值快速稳定的逼近。为了提高全局搜索能力，该算法在每一代变异、交叉和竞争之后，又增加了与随机新种群的竞争操作，以提高算法跳出局部最优点的概率。
本文将改进的差分算法与RBF神经网络相结合，提出了一种基于改进差分进化算法结合径向基神经网络(DE-RBF)的算法。该算法将改进的差分算法用于RBF神经网络的权值求取，这样不仅降低了网络训练陷入局部极小的概率，而且计算效率也有所提高。本文将该算法应用于对苯二甲酸中对羚基苯甲醛含量软测量模型的参数估计中。
实验结果证明，基于改进差分算法的RBF神经网络方法要优于其它一些神经网络方法。将基于改进DE-RBF神经网络方法应用于乙烯精馏过程的塔顶乙烷浓度和塔釜乙烯浓度的神经网络软测量预测模型的建立，网络模型的泛化能力得到了提高，所建预测模型具有良好的辨识非线性系统模型的能力。
最后，将基于改进DE-RBF神经网络方法应用于TEP故障数据的预测中。实验结果表明，该算法不仅在收敛速度上有一定优势，而且模型预测的精度在一定程度上也有所提高，为现场数据的预测提供了有效的辅助信息。