計算智能方法研究及其在流程工業(yè)中應用.pdf

1、隨著計算智能方法的發(fā)展，將計算智能方法用于解決工程問題己成為其研究的首要任務。而流程工業(yè)中建模與優(yōu)化技術對于石化企業(yè)具有重要的現(xiàn)實意義，它的不斷完善和應用可以帶來十分可觀的經(jīng)濟效益。對于具有多樣的信息模型、多變量和強耦合特性，以及龐大計算量的復雜流程工業(yè)過程，采用單一過程建模與優(yōu)化手段的作法顯然無法滿足生產(chǎn)要求。隨著多學科相互交叉和滲透，將高效的建模與優(yōu)化技術和計算智能相結合已成為必然的趨勢。鑒于實際流程工業(yè)建模與優(yōu)化問題的復雜性、約束

2、性、非線性、多極小、建模困難等特點，尋求合適的建模與優(yōu)化方法已成為計算智能學科的一個主要研究目標。因此本文針對流程工業(yè)的建模與優(yōu)化問題，結合計算智能方法中粒子群算法和蟻群算法，并借助于神經(jīng)網(wǎng)絡和模糊分析工具，進行了如下探討：
　　 針對流程工業(yè)神經(jīng)網(wǎng)絡建模時，算法的局部收斂問題，采用模糊粒子群算法改進神經(jīng)網(wǎng)絡學習問題。該算法將模糊粒子群引入神經(jīng)網(wǎng)絡學習算法，將網(wǎng)絡輸出誤差和當前的初始權重作為模糊輸入變量，粒子的權重變化值作為模糊

3、輸出，使得粒子群的權重自適應更新，同時模糊粒子群自適應調(diào)整神經(jīng)網(wǎng)絡權重參數(shù)，保證了網(wǎng)絡的收斂性。將模糊粒子群神經(jīng)網(wǎng)絡算法，用于建立乙烯裂解工業(yè)中裂解爐出口溫度(COT)、裂解產(chǎn)品收率及工業(yè)PTA溶劑脫水系統(tǒng)中醋酸含量等軟測量模型，取得了較好的應用效果。
　　 針對復雜工業(yè)對象的多個優(yōu)化目標問題存在相互沖突、難以協(xié)調(diào)一致的問題，研究了基于Pareto機制的多目標粒子群算法(Multi objectiveParticle swarm

4、 optimization，簡稱MOPSO)。提出基于Pareto機制的模糊多目標粒子群算法，新算法在Pareto排序基礎上引入子目標的最優(yōu)解來擴展非劣解集的范圍，使非劣解集對于每個單目標而言都有較廣的覆蓋范圍，確保非劣解集均勻分布，并逼近非劣前沿，改進了非劣解集的質(zhì)量；同時對非劣解引入目標偏好信息，通過后驗的模糊評價，來確定非劣解的滿意解，為決策者提供了明確的決策范圍。將模糊多目標粒子群算法用于解決乙烯裂解過程中乙烯和丙烯收率多目標優(yōu)

5、化問題，較好地平衡了兩種目標之間的沖突，為流程工業(yè)多目標優(yōu)化問題提供了理論指導。
　　 針對蟻群算法中影響算法性能的參數(shù)確定問題，研究了基于進化機制的蟻群算法參數(shù)確定方法。該方法將蟻群算法中的參數(shù)作為每只螞蟻的屬性，利用進化機制對螞蟻的種群進行自然選擇，螞蟻的參數(shù)在求解問題的動態(tài)過程中收斂到合理的范圍內(nèi)。驗證結果表明，該算法改進了解的性能。
　　 針對工業(yè)PTA醋酸消耗問題，分析了工業(yè)PTA溶劑脫水塔共沸精餾過程，建立了