粒子群算法改进及其在PTA溶剂脱水塔中的应用

论文摘要

粒子群优化算法(Particle Swarm Optimization，PSO算法)源于鸟群和鱼群群体运动行为的研究，是一种基于种群搜索策略的自适应随机算法，是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整，且不需要梯度信息，在工程实践中表现出巨大潜力，现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。本文从PSO算法的基本原理、算法流程、参数设置等方面做了较为系统的论述，并讨论了PSO的两种标准算法：惯性权重模型和收缩因子模型。标准PSO算法都是着眼于如何更有效地使粒子群在解空间中搜索最优解，但在高维复杂问题寻优时仍然存在早熟收敛、收敛精度比较差的缺点。针对粒子群算法易陷入局部最优解的缺点，在前人研究的基础上，通过粒子变异来提高算法的全局搜索能力，仿真试验证明改进后的粒子群算法在收敛精度上优于标准粒子群算法和惯性权重线形递减粒子群算法。PTA溶剂脱水塔是PTA生产中的关键设备，其平稳、安全、高效运行对PTA生产过程具有举足轻重的作用，因此对溶剂脱水塔进行操作优化具有重要的理论和实际意义，本文以PTA装置溶剂脱水塔为研究对象，采用主元分析PCA与BP神经网络相结合的方法建立了溶剂脱水塔塔底醋酸收率的模型。在此基础上采用改进粒子群算法对PTA溶剂脱水塔操作优化，以指定的醋酸收率为目标函数，优化操作命题，获得溶剂脱水塔的最优化操作条件，实际应用表明，与原操作工况相比，溶剂脱水塔能获得更优的塔底醋酸收率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 优化问题简介
• 1.3 粒子群优化算法
• 1.4 溶剂脱水塔简介
• 1.5 本文研究的主要内容及章节安排
• 第二章 粒子群优化算法
• 2.1 引言
• 2.2 原始粒子群优化算法
• 2.2.1 算法原理
• 2.2.2 算法流程
• 2.2.3 算法参数设置
• 2.3 标准粒子群算法
• 2.3.1 惯性权重的引入
• 2.3.2 收缩因子的引入
• 2.4 粒子群算法的应用
• 2.4.1 神经网络的训练
• 2.4.2 参数优化
• 2.4.3 组合优化
• 2.4.4 其他应用
• 第三章 粒子群算法的改进
• 3.1 粒子群算法的改进方式
• 3.1.1 基于惯性权值的改进
• 3.1.2 基于加速因子的改进
• 3.1.3 基于收敛性分析的改进粒子群算法
• 3.1.4 导入其他演化算法思想的改进粒子群算法
• 3.1.5 其他建立非数值问题模型的改进粒子群算法
• 3.2 基于粒子变异的改进粒子群算法
• 3.2.1 线形递减惯性权重粒子群算法
• 3.2.2 粒子变异到其他区域
• 3.3 仿真试验
• 3.4 小结
• 第四章 改进粒子群算法在PTA溶剂脱水塔中的应用
• 4.1 溶剂脱水塔系统
• 4.1.1 工艺流程
• 4.1.2 机理分析
• 4.2 PTA溶剂脱水塔塔底醋酸收率模型
• 4.2.1 输入变量和样本数据的选择
• 4.2.2 BP神经网络模型
• 4.2.3 PCA-BP模型
• 4.2.4 结果对比
• 4.3 溶剂脱水塔的操作优化
• 4.3.1 优化命题描述
• 4.3.2 塔底醋酸收率神经网络模型
• 4.3.3 基于改进粒子群算法的操作优化
• 第五章 结论与展望
• 5.1 论文总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间进行的相关工作
• 作者和导师简介
• 硕士研究生学位论文答辩委员会决议书