群体智能优化算法及其在生化过程控制中的应用研究

论文题目: 群体智能优化算法及其在生化过程控制中的应用研究

论文类型: 博士论文

论文专业: 轻工信息技术与工程

作者: 冯斌

导师: 须文波

关键词: 群体智能算法,粒子群优化算法,生化过程,人工神经网络,支撑矢量机

文献来源: 江南大学

发表年度: 2005

论文摘要: 随着生物工程技术的迅速发展,生化工业在国民经济中的地位已越来越重要。但是由于生化反应过程机理复杂,具有非线性、时变性、模型的不确定性等特点,以及缺乏可靠的传感器用于过程变量的在线检测等原因,其自动化水平与其它工业生产过程相比还远未成熟。因此,寻求具有智能特征的新算法并应用于生化过程已成为相关学科的一个引人注目的研究方向,对于促进我国生化技术的发展,降低原材料和动力的消耗,提高经济效益有着及其重要的意义。本文以谷氨酸发酵过程为研究对象,对群体智能优化算法及其在生化过程中的应用进行了研究。首先对国际上目前的研究前沿量子粒子群优化算法进行理论研究,将量子谐振子势能场引入了粒子群系统,建立了粒子群算法的量子谐振子模型,并设计了一种参数控制方法。证明了量子谐振子粒子群算法(QOPSO)的收敛性能明显优于一般的粒子群算法。为了提高QOPSO算法的全局收敛能力,本文将一种自适应机制引入到QOPSO算法,进一步设计出了自适应的量子谐振子粒子群算法(AQOPSO),并取得了较好的性能测试仿真结果。为了验证QOPSO算法的实用性,本文将QOPSO算法与RBF神经网络相结合,并应用于谷氨酸发酵过程。通过智能优化算法对操作变量的优化,使得在满足生产要求的情况下,尽可能减少资源的消耗量,使谷氨酸的产量能有一定的提高。本文还将回归支撑矢量机SVM应用于生化变量参数预估,取得较好效果。有鉴于此,SVM方法可望开辟生化过程参数预报的新途径。由于量子谐振子粒子群算法QOPSO的收敛速度明显高于遗传算法(GA算法),且鲁棒性好,因而对于微生物发酵过程有着广阔的实际应用前景。

论文目录:

中文摘要

英文摘要

第一章 绪论

1.1 课题背景及研究意义

1.2 生化过程优化控制的研究概况

1.2.1 神经网络在控制过程中的研究进展

1.2.2 模糊逻辑系统及其在控制系统中的应用

1.2.3 回归支撑矢量机(SVM)及其在控制系统中的应用

1.3 智能优化算法的研究概况

1.3.1 遗传算法

1.3.2 群体智能算法

1.3.3 蚁群算法

1.3.4 粒子群算法

1.3.5 基本粒子群算法

1.3.6 基本粒子群算法的优化

1.3.7 基本粒子群算法的社会行为分析

1.3.8 粒子群算法的两种基本进化模型

1.4 改进的粒子群算法

1.4.1 带有惯性因子的粒子群算法

1.4.2 带有收缩因子的粒子群算法

1.4.3 基于遗传思想改进粒子群算法

1.4.4 利用小生境思想的粒子群算法

1.4.5 其他的改进粒子群算法

1.4.6 量子粒子群算法

1.5 本文主要研究内容

参考文献

第二章 量子谐振子粒子群算法及自适应算法研究

2.1 引言

2.2 量子粒子群算法的势能场模型

2.2.1 模型的建立

2.2.2 粒子位置的度量

2.2.3 粒子的收敛性

2.3 量子谐振子粒子群算法(QOPSO 算法)

2.3.1 参数控制方法

2.3.2 QOPSO 算法

2.4 性能测试与实验结果讨论

2.5 自适应的量子谐振子粒子群算法研究

2.6 小结

参考文献

第三章 谷氨酸发酵过程中智能优化算法的研究

3.1 谷氨酸工艺过程概述

3.2 基于 RBF 神经元网络的谷氨酸发酵过程控制

3.2.1 RBF 神经元网络概述

3.2.2 RBF 网络的学习算法

3.2.3 RBF 神经网络预估器的拓扑结构

3.2.4 RBF 神经网络的训练数据

3.2.5 系统仿真结果

3.3 两类智能优化算法在谷氨酸发酵过程优化控制中的应用

3.3.1 遗传算法

3.3.2 谷氨酸发酵优化控制体系结构

3.3.3 两类智能优化算法的优化系统在谷氨酸发酵中的仿真研究

3.4 小结

参考文献

第四章 智能预估模型在谷氨酸发酵过程中的应用探讨

4.1 基于支撑矢量机(SVM)的生化变量预估模型

4.1.1 支撑矢量机(SVM)的基本思想

4.1.2 支撑矢量机(SVM)的关键技术

4.1.3 基于 SVM 的生化变量预估模型系统仿真结果

4.2 基于 TSK 模糊逻辑系统的生化变量预估模型

4.2.1 TSK 模糊逻辑系统概述

4.2.2 TSK 模糊逻辑系统构造

4.2.3 系统仿真结果

4.3 智能预估模型 SVM、RBF 和 TSK 的性能比较

4.4 小结

参考文献

结论与展望

论文创新点

致谢

附录 A 攻读博士学位期间完成的论文和参加的科研项目

附录 B 智能预估模型仿真实验界面

附录 C 发酵过程参数测控仪表配置

发布时间: 2006-07-20

相关论文

• [1].群体智能算法研究及其应用[D]. 赵吉.江南大学2010
• [2].粒子群优化算法的理论及实践[D]. 张丽平.浙江大学2005
• [3].智能优化方法及其应用研究[D]. 钟一文.浙江大学2005
• [4].电力系统的群体智能优化及电力市场稳定研究[D]. 侯云鹤.华中科技大学2005
• [5].连续蚁群优化算法的研究及其化工应用[D]. 程志刚.浙江大学2005
• [6].粒子群优化算法的行为分析与应用实例[D]. 熊勇.浙江大学2005
• [7].基于计算智能的若干优化问题研究[D]. 葛宏伟.吉林大学2006
• [8].生化过程智能控制研究[D]. 潘丰.江南大学2001
• [9].一种新的基于蚂蚁混沌行为的群智能优化算法及其应用研究[D]. 李丽香.北京邮电大学2006
• [10].粒子群优化算法的改进及应用[D]. 王俊伟.东北大学2006

标签：群体智能算法论文;  粒子群优化算法论文;  生化过程论文;  人工神经网络论文;  支撑矢量机论文;