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

1、隨著計算機控制生產(chǎn)過程的迅速發(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)過程中的穩(wěn)態(tài)優(yōu)化越來越受到人們的重視，它關(guān)系到整個生產(chǎn)線的產(chǎn)量、質(zhì)量和生產(chǎn)成本。然而工業(yè)生產(chǎn)過程所具有的高度復(fù)雜性、強關(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)過程的最佳工況帶來了困難。本論文以穩(wěn)態(tài)工業(yè)生產(chǎn)過程為背景，對粒子群（PSO，particle swarm opt

2、imization）算法的優(yōu)化能力及其在過程控制系統(tǒng)建模、優(yōu)化中的應(yīng)用進行了深入的研究。 工業(yè)生產(chǎn)過程穩(wěn)態(tài)優(yōu)化的核心問題是工業(yè)生產(chǎn)過程模型的建立和過程控制系統(tǒng)參數(shù)的確定。粒子群算法具有實現(xiàn)簡單，迭代初期有效的特點適合于工業(yè)生產(chǎn)過程的穩(wěn)態(tài)優(yōu)化，但對于復(fù)雜的多峰值優(yōu)化控制問題，該算法本身具有的“趨同性”易于使問題的解陷入局部極值。本論文在詳細分析粒子群算法機理的基礎(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體濃度對選擇概率的影響，同時也考慮了個體適應(yīng)值對選擇概率的影響，使那些濃度值低，適應(yīng)值差，卻具有較好的進化趨勢的粒子得以保留。論文對KIPSO算法的魯棒性進行了分析，給出了相關(guān)參數(shù)的推

4、薦值。通過仿真實驗分析了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)對復(fù)雜工業(yè)過程進行建模，詳細分析了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空間的限制。提出了應(yīng)用KIPSO算法對FCMAC神經(jīng)網(wǎng)絡(luò)權(quán)值進行優(yōu)化調(diào)整的建模方法（KIPSO-FCMAC），克服了FCMAC神經(jīng)網(wǎng)絡(luò)以誤差梯度降為學習算法不能分辨局部極小值的缺點，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)選擇對系統(tǒng)性能的影響，為在過程控制系統(tǒng)建模中的實際應(yīng)用提供了理論依據(jù)。 在詳細分析異丙苯氧化單元中過氧化氫異丙苯（CHP，cumene

6、hydroperoxide）分解的工藝過程基礎(chǔ)上，以保證工業(yè)生產(chǎn)過程安全為前提，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)品的溫度為目標建立了CHP分解過程的穩(wěn)態(tài)優(yōu)化模型，并實現(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