粒子群優(yōu)化算法研究及其在動(dòng)態(tài)數(shù)據(jù)校正中的應(yīng)用.pdf

1、粒子群優(yōu)化算法(PSO)是近年來(lái)被廣為關(guān)注和研究的一種群體智能優(yōu)化算法,源于對(duì)鳥(niǎo)群覓食行為規(guī)律的模擬。PSO算法具有編程簡(jiǎn)潔易行、調(diào)整參數(shù)少、收斂速度快和通用性強(qiáng)等優(yōu)點(diǎn),然而PSO算法也存在早熟收斂,容易陷入局部最優(yōu)等缺點(diǎn)。因此本文首先從理論上分析了PSO算法的早熟收斂等問(wèn)題,進(jìn)而提出了兩種可以避免早熟收斂和增強(qiáng)全局收斂能力的PSO改進(jìn)算法。其次以連續(xù)攪拌反應(yīng)槽系統(tǒng)(CSTR)為研究對(duì)象,將兩種:PSO改進(jìn)算法應(yīng)用到CSTR中動(dòng)態(tài)數(shù)據(jù)校

2、正領(lǐng)域,從而提出了基于PSO算法的動(dòng)態(tài)數(shù)據(jù)校正下技術(shù)研究的新方法。最后通過(guò)仿真驗(yàn)證了兩種PSO改進(jìn)算法均能避免早熟收斂和改善全局收斂性能,并且在CSTR動(dòng)態(tài)數(shù)據(jù)校正中也均能顯著提高優(yōu)化效率和優(yōu)化性能。
　　 本文主要工作如下:
　　 1.提出一種基于不確定知識(shí)的粒子群優(yōu)化算法(PSO-UK)。PSO-UK算法將不確定知識(shí)引入到粒子群優(yōu)化算法中,并對(duì)個(gè)體知識(shí)、群體知識(shí)和不確定知識(shí)隨機(jī)參數(shù)進(jìn)行了歸一化,使得粒子在每一步演化中

3、都能獲得完備的知識(shí),從而抑制了粒子的退化,并且克服了粒子早熟現(xiàn)象。理論分析說(shuō)明了PSO-UK算法具有全局優(yōu)化能力,最后通過(guò)典型測(cè)試函數(shù)進(jìn)行優(yōu)化測(cè)試,并與其它改進(jìn)的PSO算法進(jìn)行仿真比較,驗(yàn)證了PSO-UK算法的優(yōu)越性。
　　 2.提出了一種基于周期性演化策略的粒子群優(yōu)化算法(PSO-PES)。PSO-PES算法構(gòu)建了基于群能量的最優(yōu)值擾動(dòng)策略,使得粒子群能夠周期性演化,這樣既能保持算法的多樣性,又能提高算法的收斂速度和精度。PS

4、O-PES算法能有效的避免在求解最優(yōu)解時(shí)的粒子早熟問(wèn)題,并與PSO-UK算法進(jìn)行仿真對(duì)比,證明了PSO-PES算法有較好的克服粒子早熟收斂特性和提高全局收斂的性能。
　　 3.提出將PSO改進(jìn)算法應(yīng)用在動(dòng)態(tài)數(shù)據(jù)校正領(lǐng)域。為了改善動(dòng)態(tài)數(shù)據(jù)校正性能,將PSO-UK和PSO-PES算法應(yīng)用在CSTR的動(dòng)態(tài)數(shù)據(jù)領(lǐng)域里?；诟倪M(jìn)PSO算法的的動(dòng)態(tài)數(shù)據(jù)校正方法能夠有效的識(shí)別出顯著誤差,同時(shí)也能得到最接近測(cè)量值的估計(jì)值,并且通過(guò)仿真驗(yàn)證了兩種