改进粒子群BP神经网络在高炉炉温预测中的应用.pdfVIP

第13卷第2期 石家庄铁路职业技术学院学报 VOL.13 No .2 2014 年6 月 JOURNAL OF SHIJIAZHUANG INSTITUTE OF RAILWAY TECHNOLOGY Jun . 2 0 1 4 改进粒子群BP 神经网络在高炉 炉温预测中的应用 李德雄 靳会超 齐会娟 （石家庄铁路职业技术学院 河北石家庄 050041） 摘要：由于BP 网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺 点，而粒子群优化（PSO ）算法的收敛速度快 （尤其是在进化初始阶段），运算简单、易于实现，又 没有遗传算法的编解码和杂交、变异等复杂运算，因此是一种很好的优化算法。但是，PSO 算法也 存在不足，该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP 神经网络对 高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力，提高算法的收敛速度和搜索全 局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP 算法和标准的粒子群算法。 关键词：改进粒子群算法 神经网络 高炉炉温预测 中图分类号：TP29 文献标识码：A 文章编号：1673-1816(2014)02-0088-04 1 引言 高炉是炼铁的重要设备，高炉冶炼过程的主要目的是用铁矿石经济而高效率的得到温度和成分 合乎要求的液态铁，因此，在高炉冶炼过程控制中，最重要的控制目标就是使高炉稳定工作。 在高炉冶炼过程中，炉温包括铁水的物理温度和化学温度两方面。铁水物理温度由热电偶测量 得到，而化学温度则以铁水硅含量来描述。但是在日常高炉炼铁生产中，炉温主要是指铁水硅含量。 本文中的炉温预测模型即为铁水硅含量的预测模型。 2 粒子群算法及其改进 2.1 粒子群算法 粒子群优化 （Particle Swarm Optimization PSO ）算法是由Kennedy 和Eberhart 于1995 年提出的 一种优化算法。PSO 算法最早源于对鸟群觅食行为的研究，其运行机理是对生物群体的社会行为进 行模拟。研究者发现在生物群体中存在着个体与个体、个体与群体间的相互作用、影响的行为，这 [1,2] 种行为体现的是一种存在于生物群体中的信息共享机制 ，这也是PSO 算法形成的基础。 [3] 其算法描述为 ：假设在D 维搜索空间中，有m 个粒子组成一群体，第i 个粒子在D 维空间中 的位置表示为x =(x ,x ,…..x ) ，第i 个粒子经历过的最好位置（有最好适应度）记为P =(P ,P ,….P ) ， i i1 i2 iD i i1 i2 iD 每个粒子的飞行速度为 V =(V ,V ,….V ) 。在整个群体中，所有粒子经历过的最好位置 i i1 i2 iD 收稿日期：2014-03-18 作者简介：李德雄（1979-），男，讲师，硕士，研究方向自动控制、智能控制。 88 第2 期 李德雄，等 改进粒子群BP 神经网络在高炉炉温预测中的应用 Pg=(Pg1,Pg2, ….PgD),每一代粒子根据下面公式更新自己的速度和位置： V =w V +c r (P - x )+c r (P - x ) （1） id id 1 1 id id 2 2 gd id x =x +V （2 ）