【摘要】：化學(xué)工業(yè)在國(guó)民經(jīng)濟(jì)領(lǐng)域中始終占有極其重要地位,它不僅牽涉千家萬(wàn)戶的日常生活,還影響著其它行業(yè)甚至國(guó)防等重要領(lǐng)域。由于現(xiàn)代化的化工過(guò)程存在著許多復(fù)雜性,而傳統(tǒng)的優(yōu)化方法已無(wú)法解決其中的諸多問(wèn)題,因此智能的建模和優(yōu)化方法倍受關(guān)注。本文針對(duì)合成氨、德士古氣化以及甲醇合成等復(fù)雜的煤化工過(guò)程,研究了神經(jīng)網(wǎng)絡(luò)(NN)的智能建模方法以及粒子群優(yōu)化算法(PSO)進(jìn)化方法,并將提出的新方法應(yīng)用于煤化工過(guò)程軟測(cè)量建模。此外,還針對(duì)物流集配的組合實(shí)際問(wèn)題提出了一種新的智能技術(shù)。本文的主要研究成果如下： (1)討論了常見(jiàn)智能優(yōu)化算法的分類(lèi)和特點(diǎn)、粒子群優(yōu)化算法及軟測(cè)量建模的基本原理。著重介紹了粒子群優(yōu)化算法的發(fā)展、算法改進(jìn)和應(yīng)用情況以及軟測(cè)量技術(shù)的發(fā)展�；仡櫫撕铣砂薄⒓状脊I(yè)的發(fā)展現(xiàn)狀、生產(chǎn)工藝及工作原理,并簡(jiǎn)述了企業(yè)內(nèi)部物料配送過(guò)程特別是托盤(pán)集配問(wèn)題,最后介紹了智能優(yōu)化方法在這些領(lǐng)域的應(yīng)用。 (2)為了克服粒子群優(yōu)化算法(PSO)易于“早熟收斂”問(wèn)題,提出一種自導(dǎo)式粒子群優(yōu)化算法(Self-Government Particle Swarm Optimization,SGPSO)。在SGPSO中,粒子位置的更新不僅與粒子歷史局部最優(yōu)和粒子群全局最優(yōu)的有關(guān),而且與粒子在之前實(shí)驗(yàn)中所搜索到的局部最優(yōu)位置信息有關(guān),從而大大提高了算法的尋優(yōu)能力。通過(guò)對(duì)典型測(cè)試函數(shù)的仿真結(jié)果表明,所提出的SGPSO和RSGPSO這2種新算法無(wú)論在收斂速度還是收斂精度上均優(yōu)于標(biāo)準(zhǔn)PSO算法。將SGPSO和RSGPSO算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合,建立了基于SGPSO-NN的氣化爐爐溫軟測(cè)量模型。模型結(jié)果表明,SGPSO-NN的測(cè)試誤差較小,具有較強(qiáng)的泛化能力,能夠滿足實(shí)際生產(chǎn)中對(duì)氣化爐爐溫的測(cè)量要求。 (3)PSO的學(xué)習(xí)因子直接影響到算法的尋優(yōu)能力,提出了學(xué)習(xí)因子的2種隨機(jī)取值的調(diào)整方式：激進(jìn)調(diào)整方式和保守調(diào)整方式,從而提出隨機(jī)學(xué)習(xí)因子的PSO算法(RLFPSO)。為了進(jìn)一步提高算法的性能,有效降低種群陷入局部最優(yōu)的風(fēng)險(xiǎn),提出了兩類(lèi)隨機(jī)學(xué)習(xí)因子混沌粒子群優(yōu)化算法(RLFPSOC1和RLFPSOC2)。兩類(lèi)算法分別在種群進(jìn)化初期和后期引入混沌的遍歷性特點(diǎn),從而提高的算法的收斂速度和精度。通過(guò)經(jīng)典函數(shù)來(lái)測(cè)試RLFPSO算法及RLFPSOC1和RLFPSOC2算法的性能,并和其它幾種方法進(jìn)行比較,結(jié)果表明RLFPSO算法優(yōu)化經(jīng)典連續(xù)函數(shù)的結(jié)果明顯優(yōu)于PSO算法；兩種RLFPSOC算法的優(yōu)化性能均較RLFPSO算法有了較大提升。最后,將基于RLFPSO和RLFPSOC的神經(jīng)網(wǎng)絡(luò)模型用于甲醇合成塔轉(zhuǎn)化率的軟測(cè)量建模,并與PSO-NN、 CenPSO-NN進(jìn)行了比較。比較結(jié)果表明,基于RLFPSOC1-NN和RLFPSOC2-NN的甲醇合成轉(zhuǎn)化率預(yù)測(cè)模型較其它幾種方法具有更好的預(yù)測(cè)能力,能夠較準(zhǔn)確地估計(jì)甲醇合成塔的質(zhì)量轉(zhuǎn)化率。 (4)傳統(tǒng)的粒子群算法存在較容易陷入局部極小點(diǎn)等缺陷。為改善算法性能,提出了一種新的粒子群優(yōu)化算法——?dú)v史最優(yōu)共享的粒子群優(yōu)化算法(VSHBPSO)。 VSHBPSO算法的基本思想是粒子的更新不僅學(xué)習(xí)當(dāng)前全局最優(yōu)位置,而且向之前實(shí)驗(yàn)中搜索的全局歷史最優(yōu)位置學(xué)習(xí)。采用典型測(cè)試函數(shù)對(duì)VSHBPSO及其擴(kuò)展形式VRSHBPSO、AVRSHBPSO進(jìn)行仿真研究,并與標(biāo)準(zhǔn)PSO進(jìn)行比較。仿真表明,基于歷史最優(yōu)共享的粒子群優(yōu)化算法及其擴(kuò)展算法對(duì)于低維、高維函數(shù)的優(yōu)化問(wèn)題均具有較好的適用性和有效性。同時(shí)。ARVSHPSO算法在3種改進(jìn)PSO算法中的優(yōu)化性能最好。將基于ARVSHPSO-NN的模型用于合成氨塔出口氨含量的估計(jì),建立了相應(yīng)的軟測(cè)量模型。實(shí)驗(yàn)結(jié)果驗(yàn)證了其算法的可行性和有效性,可用于指導(dǎo)實(shí)際的生產(chǎn)過(guò)程。 (5)針對(duì)實(shí)際的物料集配問(wèn)題,提出了一種新的物料分組托盤(pán)建模方式,并計(jì)算了物料集配問(wèn)題的復(fù)雜度,提出了一種新的離散型粒子群優(yōu)化算法。在離散PSO算法中,子代個(gè)體向個(gè)體歷史最優(yōu)、全局歷史最優(yōu)以及前次的全局最優(yōu)個(gè)體學(xué)習(xí),從而有效提高了算法性能。離散型PSO算法采用適用于托盤(pán)分組集配問(wèn)題的0-1編碼方式,并提出了幾種個(gè)體互相學(xué)習(xí)的更新策略。為了驗(yàn)證算法解決物料集配問(wèn)題的有效性,選取兩個(gè)不同維數(shù)的實(shí)際問(wèn)題進(jìn)行模擬測(cè)試,找出了最優(yōu)的集配方案。測(cè)試結(jié)果表明,相比于其它幾種方法,提出的離散型PSO算法具有更好的尋優(yōu)性能,可嵌入物流管理信息系統(tǒng),對(duì)物料進(jìn)行自動(dòng)分組集配,實(shí)現(xiàn)制造業(yè)的快速物料集配。
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄧巧云;朱燕玲;沈辰棟;黃麗華;李大綱;;新型紙積層板托盤(pán)的工藝技術(shù)和應(yīng)用研究[J];包裝工程;2010年11期

2 趙菲;焦彥軍;王鐵強(qiáng);崔悅;閆奇;;基于WAMS的輸電線路參數(shù)在線辨識(shí)的研究[J];電力科學(xué)與工程;2011年08期

3 韓愷;趙均;錢(qián)積新;;電力系統(tǒng)機(jī)組組合問(wèn)題的閉環(huán)粒子群算法[J];電力系統(tǒng)自動(dòng)化;2009年01期

4 李曉磊,錢(qián)積新;基于分解協(xié)調(diào)的人工魚(yú)群優(yōu)化算法研究[J];電路與系統(tǒng)學(xué)報(bào);2003年01期

5 韓璞,王學(xué)厚,李劍波,王東風(fēng);粒子群優(yōu)化的模糊控制器設(shè)計(jì)[J];動(dòng)力工程;2005年05期

6 沈廣;陳允平;劉棟;;改進(jìn)離散粒子群算法在冷負(fù)荷啟動(dòng)的配電網(wǎng)饋線恢復(fù)中的應(yīng)用[J];電網(wǎng)技術(shù);2006年07期

7 吳杰;楊陽(yáng);盧志剛;;應(yīng)用粒子群算法的諧波狀態(tài)估計(jì)量測(cè)點(diǎn)綜合最優(yōu)配置[J];電網(wǎng)技術(shù);2010年09期

8 曾令全;羅富寶;丁金Z，

本文編號(hào)：2686534