自适应粒子群优化算法在聚丙烯熔融指数预报上的应用..docVIP

自适应粒子群优化算法在聚丙烯熔融指数预报上的应用 赵成业 刘兴高 （工业控制技术国家重点实验室 浙江大学控制系 浙江 杭州 310027） （E-mail: lxg@zju.edu.cn） 摘 要：针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求，以及过程变量间相关性高的特点，提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性，融合了主成分分析、统计建模以及智能优化方法，降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报，并与国内外相关研究报道相比较，表明了本文所提出的预报方法的有效性和更高的准确性。 关键词：聚丙烯熔融指数预报，自适应粒子群优化算法,径向基函数神经网络， Melt index prediction of propylene polymerization based on adaptive particle swarm optimization Zhao Chengye Liu Xinggao (State Key Laboratory of Industrial Control Technology, Control Department, Zhejiang University, Hangzhou 310027) （E-mail: lxg@zju.edu.cn） Abstract: A high-precision on-line method of predicting melt index of propylene polymerization based on principal component analysis and adaptive particle swarm optimization is proposed to overcome the high correlation characteristics and high nonlinear characteristics in the propylene polymerization process. Adaptive particle swarm optimization (APSO) is employed to get better search efficiency and higher precision than classical particle swarm optimization (PSO), and principal component analysis is used to reduce the complexity of predicting model. A new method of optimizing both structure and parameters of radial basis function (RBF) network is also proposed. The validity of these methods is demonstrated through practical data in real factory, and research result shows higher precision and shorter computing time than before. Key words: melts index prediction of propylene polymerization, adaptive particle swarm optimization, radial basis function neural network. 引言 粒子群优化算法（PSO）是由Kenedy和Eberhart在1995年提出的群智算法，该算法从鸟类迁徙和鱼群巡游过程中提炼出一种简单的群体运动机制，用来引导群体中的粒子找到问题的全局最优解。PSO算法易于实现的优点使得它在近年来发展迅速，并被应用到许多实际领域[1]。 作为一种基于群体的迭代进化算法，PSO算法的收敛比较缓慢，而且经典的PSO算法在解决复杂的多维优化问题时容易过早的陷入局部最优点。这些弱点限制了PSO算法的应用范围。因此提高PSO算法的收敛速度和防止算法陷入局部最优点是PSO算法研究的重要方面，主要措施包括控制算法运行时参数以及引入附加进化操作算子[2]。 RBF神经网络基于多变量有限点严格插值理论，能够逼近任意非线性函数并且具有快速收敛性。文献[3]将径向基函数网络与主元分析分析结合