论文部分内容阅读
随着科技的日益进步和社会的发展,现代工业过程呈现出多变量耦合、强非线性以及模型不确定等复杂特性,严重制约着工业的生产和快速发展。如何对复杂的工业生产过程进行准确的预测和控制成为了当今学者研究的一个热点问题。而人工智能算法以其应用领域广、易建模等特点在近些年得到了快速发展。通过基于粒子群和支持向量机智能算法,对青霉素发酵过程中的补料优化控制过程以及电力系统领域的短期负荷预测问题进行了分析和研究。首先针对粒子群算法(PSO:Particle Swarm Optimization)计算形式简单,复杂度比较低,需要确定的参数个数少,同时能够保证算法模型的最终收敛精度比较高的这些原理和特点进行了分析,然后针对粒子群算法容易陷入局部陷阱、空间探索能力以及进行快速收敛质量差等缺点,分别引入指数递减惯性权重、收敛因子以及模拟退火算法对原始粒子群算法进行改进,通过四组标准测试函数对改进的粒子群算法进行验证,结果表明基于禁忌搜索退火原理的PSO算法在运算速度以及搜索能力上都有明显的提高。基于结构风险最小化的支持向量机(SVM)算法能够在小样本数据下建立非常好的非线性映射模型,大大降低了模型的复杂度,克服了粒子群算法容易陷入局部极小值的缺陷,同时相对于粒子群算法还具有很强的泛化能力。但学习能力较差,受惩罚因子以及核函数参数影响很大,且传统的参数选择方法既费时又效率低下,急需要一种新的参数选择方法对其进行优化。通过对PSO以及SVM算法的分析与对比,将两者结合起来,利用改进后的PSO算法对SVM模型中的惩罚因子及核函数参数进行优化,采用优化参数后的SVM算法和模型进行预测和控制,形成PSO-SVM算法。首先对青霉素发酵过程进行补料的控制模型进行PSO-SVM优化,结果表明基于PSO-SVM算法的生产过程更加稳定、产量有所提高同时又能缩短发酵时间;其次对短期电力负荷进行基于PSO-SVM算法的建模与预测,并与常规的SVM算法进行对比,结果表明改进后的电力负荷预测模型精度更高且运算速度显著提高。