針對成品汽油調(diào)和配方建模中加氫汽油組分辛烷值難以實時獲取,考慮遺傳算法（genetic algorithm,GA）、粒子群算法（particle swarm optimization,PSO）優(yōu)化反向傳播（back propagation,BP）網(wǎng)絡(luò)存在的問題,提出了一種串行混合粒子群遺傳算法（serial hybrid PSO-GA,SHPSO-GA）優(yōu)化BP網(wǎng)絡(luò),并用于辛烷值的預(yù)測建模。該方法首先將PSO算法的輸出依據(jù)適應(yīng)度值分為優(yōu)劣2個種群,棄劣留優(yōu);然后對留優(yōu)種群再進行GA的交叉變異操作,進一步優(yōu)化種群,經(jīng)過每一代PSO和GA的交替優(yōu)化,并將最優(yōu)種群用于BP網(wǎng)絡(luò)參數(shù)優(yōu)化;最后基于該方法和工業(yè)歷史數(shù)據(jù),建立了加氫汽油組分辛烷值的預(yù)測模型,仿真結(jié)果表明,較傳統(tǒng)BP,以及改進的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于將PSO與GA進行更優(yōu)的深度融合,具有更好的預(yù)測性能,可以用于辛烷值的預(yù)測。 

【文章來源】：化工學(xué)報. 2020,71(07)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

SHPSO-GA-BP算法基本流程

為顯現(xiàn)文中方法的優(yōu)越性，本文分別對GA-BP、PSO-BP、PSO-GA-BP以及SHPSO-GA-BP幾種方法進行對比研究，采用均方誤差作為適應(yīng)度值，其適應(yīng)度值隨進化次數(shù)的變化曲線如圖2所示。從圖2可以看出，經(jīng)過50次的種群進化，采用GA、PSO以及PSO-GA優(yōu)化BP權(quán)值和閾值之后，其適應(yīng)度值均不同程度地減小，GA-BP在28代附近達到穩(wěn)定值0.026,PSO-BP在7代附近達到穩(wěn)定值0.0275,PSO-GA-BP在31代附近達到穩(wěn)定值0.0261,SHPSO-GA-BP在11代附近達到穩(wěn)定值0.0256。對比可知GA-BP預(yù)測模型適應(yīng)度值較小，但收斂速度慢，PSO-BP算法收斂速度最快，但精度不足。文中對PSO與GA算法的深度融合，使得混合算法SHPSO-GA-BP既有快速收斂性又有較小的均方誤差，很好地繼承了兩者的優(yōu)點。但在傳統(tǒng)PSO-GA-BP模型中，PSO、GA兩種算法各占迭代次數(shù)的一半，在25代之前PSO起作用，可以看出其收斂速度很快，在第7代已經(jīng)收斂，但卻陷入了局部極小值，25代之后GA起作用，跳出了局部極小值，也得到最小均方誤差。

從圖4可以看出，BP網(wǎng)絡(luò)的誤差在0.08之前分布較為均勻，0.1左右頻數(shù)較大，說明網(wǎng)絡(luò)的訓(xùn)練結(jié)果與實際值存在一定偏差；GA-BP網(wǎng)絡(luò)的誤差大部分控制在0.08之內(nèi)，其后誤差分布平緩，說明訓(xùn)練結(jié)果的大部分值能很好地接近實際值，但也存在部分異常值；PSO-BP網(wǎng)絡(luò)的誤差部分聚集在0.04之內(nèi)，其余大部分分布在0.04～0.16,0.2之后也有部分分布，說明訓(xùn)練結(jié)果除了部分能很好地接近實際值之外，大部分存在一定偏差；PSO-GA-BP網(wǎng)絡(luò)的誤差一大部分聚集在0.08之內(nèi)，其余的大部分聚集在0.2之前，其后有少量分布，說明網(wǎng)絡(luò)的訓(xùn)練結(jié)果能很好地接近實際值，網(wǎng)絡(luò)偏差較��；SHPSO-GA-BP網(wǎng)絡(luò)的誤差有接近40個聚集在0.04之內(nèi)，其余的大部分也能聚集在0.2之前，說明其誤差更小。因此，從最小預(yù)測誤差來看，SHPSO-GA-BP預(yù)測性能最好，PSO-GA-BP次之。從表1可以看出，采用本文PSO與GA交替融合的算法優(yōu)化BP網(wǎng)絡(luò)之后，其預(yù)測值的均方誤差、絕對誤差和以及相應(yīng)誤差內(nèi)的準確率等性能，較其他方法均有很大提升；在網(wǎng)絡(luò)的訓(xùn)練時間上，與其他三種混合優(yōu)化算法相比，其值也有顯著下降。通過比較誤差在0.05、0.15范圍之內(nèi)的準確率，還可以看出文中提出的方法均具有最好的準確率。綜上結(jié)果表明文中的SHPSO-GA-BP模型用于預(yù)測辛烷值具有更優(yōu)的性能。

【參考文獻】：
期刊論文
[1]拉曼光譜結(jié)合后向間隔偏最小二乘法用于調(diào)和汽油辛烷值定量分析[J]. 王拓,戴連奎,馬萬武.  分析化學(xué). 2018(04)
[2]基于近紅外光譜的汽油辛烷值預(yù)測與模型優(yōu)化[J]. 韓仲志,萬劍華,劉康煒.  分析試驗室. 2015(11)
[3]汽油組分及汽油辛烷值預(yù)測方法研究進展[J]. 仇愛波,周如金,邱松山,曾興業(yè).  天然氣化工（C1化學(xué)與化工）. 2014(02)
[4]汽油調(diào)合優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的研究[J]. 鐘英竹.  石油煉制與化工. 2013(05)
[5]基于拉曼技術(shù)的汽油辛烷值測定系統(tǒng)設(shè)計[J]. 蔣書波,林錦國,程明霄,王瑾.  化工學(xué)報. 2011(08)
[6]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的二次反應(yīng)清潔汽油辛烷值預(yù)測[J]. 周小偉,袁俊,楊伯倫.  西安交通大學(xué)學(xué)報. 2010(12)
[7]一種全局收斂的PSO算法及其收斂分析[J]. 高浩,冷文浩,須文波.  控制與決策. 2009(02)
[8]一種用拓撲指數(shù)和基團組成預(yù)測烷烴辛烷值的方法[J]. 王寧,溫浩,許志宏,徐亦方.  石油學(xué)報(石油加工). 1998(03)



本文編號：3227147