智能控制中的优化方法微粒群优化算法.ppt

1.在函数优化中的应用(2)用PSO搜索最优解时，PSO算法参数设置如下：PopSize=20；MaxIt=2000；ErrGoal=1e-18;maxw=1.5；minw=0.1；c1=2.0;c2=2.0;inertdec=(maxw-minw)/MaxIt;w=maxw-(iter-1)*inertdec;测试函数1选为2元Rosenbrock函数，求其最小解：约束条件：第37页,共61页，星期六，2024年，5月1.在函数优化中的应用(3)第38页,共61页，星期六，2024年，5月1.在函数优化中的应用(4)最好位置：x1=1.0000,x2=1.0000最好适应值为:4.6045e-017迭代次数为:2000次第39页,共61页，星期六，2024年，5月1.在函数优化中的应用(5)测试函数2选函数，求其最大值：约束条件：用PSO搜索最优解时，PSO算法参数设置如下：PopSize=30；MaxIt=2500；maxw=1.8；minw=0.1；c1=2.0;c2=2.0;inertdec=(maxw-minw)/MaxIt;w=maxw-(iter-1)*inertdec;第40页,共61页，星期六，2024年，5月1.在函数优化中的应用(6)第41页,共61页，星期六，2024年，5月1.在函数优化中的应用(7)最好位置：x1=12.1000,x2=5.7250最好适应值为:38.7328迭代次数为:2500第42页,共61页，星期六，2024年，5月1.在函数优化中的应用(8)基本PSO:最好位置：x1=12.1000,x2=5.7250最好适应值为:38.7328改进PSO:最好位置：x1=11.6255,x2=5.7250最好适应值为:38.8503迭代次数均为:1500次第43页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(1)本文以实际装置的操作数据为输入、产品质量指标为输出、用前向神经网络（NeuralNetworks,NN）建立产品质量的软测量模型，用PSO搜索NN的最佳权值和最优阀值，便可得到所需的基于PSONN的产品质量软测量模型。并与基于BPNN的软测量模型进行比较。建模时，以NN的各连接权值、各阀值作为微粒的维数。经过搜索，最优微粒的位置便是NN的最佳连接权值和最优阀值。本文是随机选择一定量的数据作为训练样本，余下的数据作为检验样本。建模时，训练样本和检验样本的数据顺序均随机重排，以便减小由于人为数据安排带来的影响、有效地测试出最优模型。第44页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(2)第1套装置选用某一20万吨/年的催化裂化装置（FCCU），用PSO神经网络建立该装置分馏塔粗汽油干点的软测量模型，并与BPNN的进行比较。训练过程中历史全局最优适应值轨迹趋势如图所示：第45页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(3)模型的训练结果对比、泛化结果对比如图所示：第46页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(4)组合模型的训练结果与实际值的对比、泛化结果对比如图所示：第47页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(5)组合模型与BPNN的训练结果对比、泛化结果对比如图所示：第48页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(6)第2套装置选用某一80万吨/年的催化裂化装置（FCCU），用PSO神经网络建立该装置主分馏塔粗汽油干点的软测量模型，并与BPNN的进行比较。训练过程中历史全局最优适应值轨迹趋势如图所示：第49页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(7)基于PSONN的软测量模型的训练结果、泛化结果与实际值的对比：第50页,共61页，星期六，2024年，5月2.在炼油装置产品质量软测量中的应用(8)第51页,共61页，星期六，2024年，5月2.在炼