论文部分内容阅读
粒子群优化(PSO)算法是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO算法通过粒子追随自己找到的最好解和整个群的最好解来完成优化，其有诸如简单的表达方式，较少的需要调节参数及容易操作等优点，但其有容易陷入局部极小、收敛速度慢的缺点。本文将模式抽取(Alopex)引入到PSO的优化过程中，它通过从前次自变量变化对目标函数产生的影响得到启发，用过程控制参数“温度”来控制概率大小，从而完成整个过程的优化，它利用“噪声”来摆脱局部极值，提出了PSO-Alopex混合算法这种新算法。通过对典型的六个标准测试函数实验表明：改进的PSO算法全局搜索能力有了显著提高，特别是对多峰函数能够有效避免早熟收敛问题。改进的PSO算法也被用于优化神经网络的初始权值和阈值，通过分类问题的数据集测试显示其能够成功应用于神经网络的优化问题。最后，改进算法被用于软测量模型的建立，两个实际工业例子---乙烯精馏塔和乙炔加氢反应器，应用改进的PSO算法进行了乙烯精馏塔塔顶乙烷浓度，塔釜乙烯浓度，及乙炔加氢反应器出口乙炔浓度的神经网络软测量模型的建立，实验结果表明通过PSO-Alopex算法训练神经网络权值建立的软测量模型具有好的运行效果，其网络训练和预测效果非常显著。