基于蚁群算法的工业过程稳态优化设计

论文摘要

随着工业生产的大规模集成化、自动化,人们对控制系统的性能要求不断提高。稳态优化技术根据控制系统的某些指标来寻找或维持工业过程最优工况的设备参数或工艺变量,是一种投资小、效益显著的控制技术。怎样建立准确的系统模型和找到一种有效的优化算法来完成优化设计方案是稳态优化的两个关键的问题。针对工业过程的复杂性、非线性和不准确性,本文采用人工神经网络来智能建模。人工神经网络不仅可任意逼近非线性,且具有大规模并行处理、知识分布存储、自学习能力强、容错性好等特点,其中的多层前向神经网络可以以任意精度逼近任何连续函数,典型的有径向基(RBF,Radial Rasis Function Neural Network)神经网络。RBF网络是一种局部神经网络,其结构简单、训练简洁,而且学习收敛速度快,本文采用资源优化网络来训练径向基函数建模,实现网络结构的精简,保证RBF网络的泛化能力,并通过实验验证。为获得优化参数,本文采用蚁群优化算法来寻优,为了克服蚁群算法易于陷于局部最优和收敛速度慢的缺点对其进行改进,通过自适应的改变信息素的挥发因子及信息素强度来提高算法寻优速度及其全局性。通过对旅行商(TSP,Traveling Salesman Problem)问题31个城市的路线寻优仿真验证了算法的有效性。本文以蓝星石化公司的过氧化氢异丙苯分解单元为优化对象,通过对现场数据的采集和分析,结合生产工艺的要求确定优化参数和目标。应用资源优化RBF神经网络进行系统建模,进而采用改进的蚁群优化算法进行参数寻优,通过实验证明算法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源背景及研究意义
• 1.2 工业稳态优化的研究现状
• 1.2.1 传统工业稳态优化的研究
• 1.2.2 智能优化的发展
• 1.2.3 国内外优化软件的发展
• 1.3 课题来源及研究内容
• 1.3.1 课题来源
• 1.3.2 本文主要内容
• 第2章 工业过程稳态优化设计方法
• 2.1 稳态优化问题的描述
• 2.2 建模方法
• 2.2.1 传统建模
• 2.2.2 智能建模
• 2.3 优化算法
• 2.3.1 传统优化算法
• 2.3.2 智能优化算法
• 2.4 优化设计方案的提出
• 2.5 本章小结
• 第3章 建立径向基神经网络系统模型
• 3.1 神经网络模型的理论基础
• 3.1.1 人工神经网络概述及特点
• 3.1.2 人工神经网络学习方法
• 3.2 RBF 神经网络结构和函数
• 3.2.1 RBF 神经网络结构
• 3.2.2 径向基函数
• 3.3 RBF 神经网络的学习算法
• 3.3.1 基本学习算法
• 3.3.2 改进学习算法
• 3.4 资源优化RBF 神经网络算法
• 3.4.1 算法简述
• 3.4.2 RON 在线RBF 神经网络设计方法
• 3.4.3 算法实现
• 3.4.4 仿真研究
• 3.5 本章小结
• 第4章 基本蚁群优化算法及其改进算法
• 4.1 群体智能概述
• 4.2 蚁群算法的应用现状
• 4.3 基本蚁群算法
• 4.3.1 蚁群算法搜索原理
• 4.3.2 基本蚁群算法的描述
• 4.3.3 基本蚁群算法的实现步骤及流程图
• 4.4 几种主要的改进算法
• 4.4.1 基本蚁群算法的优点与不足
• 4.4.2 蚁群系统
• 4.4.3 最大-最小蚂蚁系统
• 4.5 基于自适应调整信息素的蚁群算法
• 4.5.1 算法改进
• 4.5.2 仿真实验
• 4.6 本章小结
• 第5章 过氧化氢异丙苯稳态优化方案的设计
• 5.1 过氧化氢异丙苯分解原理分析
• 5.2 RON 在线RBF 网络模型建立
• 5.3 蚁群算法的优化
• 5.4 本章小结
• 结论
• 附录1
• 附录2
• 参考文献
• 攻读硕士学位期间所发表的学术论文
• 致谢