改进的粒子群优化算法及其在石油性质预测中的应用

论文摘要

在石油化工领域,随着竞争的加剧和企业对经济效益的不断追求,如何利用已有的信息准确预测石油性质,已经成为一个值得研究的问题。人工神经网络（ANN）模仿人脑结构及智能行为,具有并行处理、自组织、自适应等特性,是一种强大的非线性建模手段,目前已在石油性质预测领域得到了应用,但是由于传统人工神经网络自身存在的局限性,对石油性质预测的精度和泛化能力有待于进一步提高。粒子群优化算法（PSO）源于对鸟群捕食行为的研究,是一种基于群体智能的演化计算技术。由于它具有较强的全局搜索能力,较少的参数设置,简单容易实现,所以一经提出,就引起了许多学者的关注,并得到了迅速的发展,目前,该算法已成功应用于函数优化、神经网络训练、模式识别、模糊系统控制等诸多领域。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点,提出一种基于速度夹角的粒子群协同优化算法（V-PSCO）,并且引入了一种基于柯西分布的累积分布函数的惯性权重调整策略。用两个典型测试函数的优化问题测试V-PSCO,实验结果表明,V-PSCO优化性能明显提高。将V-PSCO引入神经网络,优化连接权值和阈值,给出了优化过程的原理和流程。用基于V-PSCO的神经网络建立石油性质的预测模型,实验结果表明,与传统BP算法和标准粒子群优化算法（SPSO）相比,基于V-PSCO神经网络模型预测精度更高,泛化性能更好,为准确预测石油性质提供了一种有效的方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的背景与意义
• 1.2 粒子群算法的研究现状
• 1.2.1 粒子群算法的研究方向
• 1.2.2 粒子群算法的应用
• 1.3 石油性质预测的研究现状
• 1.4 本文的主要工作与结构安排
• 第2章 基本粒子群优化算法
• 2.1 群体智能
• 2.2 基本粒子群算法的提出
• 2.3 算法原理和流程
• 2.3.1 算法原理
• 2.3.2 算法流程
• 2.4 算法社会行为分析
• 2.5 两种基本进化模型
• 2.6 带惯性权重的粒子群算法
• 第3章 粒子群算法的改进
• 3.1 一般惯性权重的设计
• 3.2 惯性权重的改进
• 3.3 基于速度夹角的粒子群协同优化算法
• 3.3.1 V-PSCO算法的基本思想
• 3.3.2 V-PSCO算法实现过程
• 第4章 典型函数优化问题求解
• 4.1 典型测试函数
• 4.2 实验设置
• 4.3 实验结果
• 4.4 实验结论
• 第5章 基于V-PSCO算法的石油性质预测模型研究
• 5.1 人工神经网络原理与结构
• 5.2 人工神经网络学习与泛化
• 5.3 基于V-PSCO的神经网络学习算法
• 5.3.1 算法设计
• 5.3.2 算法流程
• 5.4 基于V-PSCO的神经网络模型预测石油性质
• 5.4.1 训练数据处理
• 5.4.2 神经网络结构选择
• 5.4.3 参数选择
• 5.4.4 性能评价指标
• 5.4.5 实验结果分析
• 5.5 结论
• 总结
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢