微粒群算法及其在锌电解整流供电系统优化中的应用研究

微粒群算法及其在锌电解整流供电系统优化中的应用研究

论文摘要

鉴于科学研究和实际工程中许多问题的复杂性、约束性、非线性、多局部极小和建模困难等特点,寻找适用于各种不同需求的新型智能优化方法一直是许多学科的一个重要研究方向。群智能优化技术是模仿自然界群体生物行为特征而产生的一类新兴智能优化算法,该算法在没有集中控制且不提供全局模型的前提下,为求解复杂问题的最优解提供了基础。本文在研究群智能优化算法的模型之一——微粒群算法的基本原理和研究现状的基础上,针对基本微粒群算法研究中存在的一些问题,提出了多种改进的微粒群算法,并研究这些改进算法在复杂科学研究和工程问题中的应用策略。本文的研究目的:一方面是探索微粒群算法的改进形式,使之能够有效地解决神经网络训练、复杂多峰函数寻优、多目标优化等理论问题;另一方面是将改进的微粒群算法应用于复杂工业系统的优化控制与决策。本文的主要研究工作包括以下几个方面:1.在分析基本微粒群算法和协同微粒群算法特点的基础上,借鉴生态学中的种群划分思想,设计出一种多种群协同进化微粒群算法,并分析了该算法的收敛性能;在分析径向基函数神经网络结构的基础上,提出了基于多种群协同进化微粒群算法的径向基函数神经网络结构和权值优化设计策略,并在混沌序列预测、系统辨识、语音信号处理等应用仿真实验中验证了算法的有效性。2.将一种“基于密度”的聚类算法与小生境微粒群算法相结合,提出了一种基于聚类的小生境微粒群算法(CBNPSO),克服了目前存在的算法在多峰函数寻优中存在的缺陷。提出的算法组合了两种方法来实现小生境技术的思想:第一,采用多种群策略实现全局和各子微粒群按不同的PSO算法进化:第二,采用聚类算法区分微粒群中存在的不同子微粒群。3.研究了微粒群算法在聚类分析中的应用。提出了将微粒群算法与山峰聚类思想结合起来寻找聚类中心的方法,克服了传统的C均值或模糊C均值等聚类算法中存在的聚类结果与参数设置密切相关、聚类结果与初始聚类中心的选择以及样本输入顺序密切相关、要求设置的参数较多等缺陷。(1)将变惯性系数的ι-best PSO与山峰聚类法相结合,得到一种基于微粒群优化算法的山峰聚类算法;(2)简化山峰函数的计算,提出了一种基于微粒群算法的快速山峰聚类算法;(3)将小生境微粒群算法山峰聚类的思想结合起来,提出了基于小生境微粒群算法的山峰聚类法,实现了自动获取多维未知样本数据的聚类中心个数和位置。4.在研究应用微粒群算法实现多目标优化的关键技术的基础上,提出了一种随机多目标微粒群算法(SMOPSO),并应用齐次马尔科夫链理论对SMOPSO的收敛性进行了分析。仿真实验表明,该算法不仅计算简单,而且能够获得较多的分布比较均匀的非劣解。5.以某冶炼厂锌电解分时供电调度系统为对象,在已有文献研究的基础上,建立了锌电解生产过程分时供电优化调度系统的多目标优化数学模型,应用整数空间的随机多目标PSO算法实现锌电解过程分时供电的优化调度,克服了采用单目标模拟退火算法进行优化调度时存在惩罚因子选取的先验知识不足、搜索效率较低等缺点。锌电解过程分时供电优化调度系统不仅有效缓解了城市用电矛盾,而且为企业带来了巨大的经济效益。6.在研究锌电解整流供电系统控制特点的基础上,建立了基于整流效率的锌电解生产整流供电系统优化控制数学模型,并针对该模型设计出一种递阶多目标微粒群算法,用于整流所直流电力经济运行的优化决策,在保证电解过程分时供电调度措施要求的输出电流稳流精度情况下,以提高整流效率为中心,优化并联运行多台机组的投运组合和电流分配,达到有效提高整流所整流效率、节约能源的目的,为有色金属电解生产的节能降耗提供了一种新的思路和方法。7.开发了锌电解整流供电智能优化与监控系统,实现了锌电解整流供电系统的遥测、遥信、遥控、遥调等“四遥”功能,达到无人值班、优化运行和稳流控制的目的,进一步提高了有色金属生产的自动化和智能化水平。最后总结了整个论文研究工作的成果,并展望了微粒群算法需要进一步研究的方向及其在复杂工业系统优化控制中的应用研究。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 引言
  • 1.2 最优化问题及优化算法
  • 1.2.1 最优化问题
  • 1.2.2 优化算法
  • 1.3 进化计算
  • 1.3.1 遗传算法
  • 1.3.2 进化策略
  • 1.3.3 进化规划
  • 1.3.4 进化算法的一般框架
  • 1.4 群智能优化算法
  • 1.4.1 蚁群算法
  • 1.4.2 微粒群算法
  • 1.5 微粒群算法的研究进展
  • 1.5.1 算法本身的改进
  • 1.5.2 微粒群拓扑结构的改进
  • 1.5.3 算法参数的改进
  • 1.5.4 混合微粒群算法
  • 1.5.5 复杂环境下PSO算法的应用
  • 1.6 微粒群算法研究中存在的主要问题
  • 1.7 本文的主要研究工作与组织结构
  • 第2章 微粒群算法及其收敛性分析
  • 2.1 基本微粒群算法
  • 2.1.1 算法原理
  • 2.1.2 参数选择
  • 2.2 基本微粒群算法分析
  • 2.2.1 算法行为分析
  • 2.2.2 g-best模型和l-best模型
  • 2.2.3 微粒群的邻域拓扑结构
  • 2.3 离散微粒群算法
  • 2.3.1 二进制 PSO原理
  • 2.3.2 整数空间的微粒群算法
  • 2.4 与其它智能优化算法的比较研究
  • 2.4.1 与遗传算法比较
  • 2.4.2 与蚁群算法比较
  • 2.5 微粒群算法的收敛性分析
  • 2.5.1 微粒的轨迹分析
  • 2.5.2 随机优化算法的收敛准则
  • 2.5.3 基本微粒群算法的收敛性分析
  • 2.6 本章小结
  • 第3章 多种群协同进化微粒群算法
  • 3.1 引言
  • 3.2 标准微粒群算法分析
  • 3.3 协作微粒群算法
  • 3.3.1 CPSO-S算法
  • K算法'>3.3.2 CPSO-SK算法
  • 3.4 多种群协同微粒群算法
  • 3.4.1 GCPSO算法
  • 3.4.2 基本概念
  • 3.4.3 MCPSO算法设计
  • 3.4.4 MCPSO算法收敛性证明
  • 3.5 基于MCPSO的神经网络训练
  • 3.5.1 径向基函数神经网络分析
  • 3.5.2 基于MCPSO的RBF网络学习策略
  • 3.5.3 仿真实验
  • 3.6 本章小结
  • 第4章 多峰函数的微粒群优化算法
  • 4.1 目标函数变换方法
  • 4.1.1 偏移法
  • 4.1.2 拉伸法
  • 4.1.3 排挤法
  • 4.2 小生境微粒群算法
  • 4.2.1 小生境技术
  • 4.2.2 小生境微粒群算法
  • 4.2.3 NichePSO的测试
  • 4.3 基于聚类的小生境微粒群算法
  • 4.3.1 多种群策略
  • 4.3.2 聚类算法选择
  • 4.3.3 CBNPSO算法测试
  • 4.4 本章小结
  • 第5章 基于微粒群算法的山峰聚类
  • 5.1 引言
  • 5.2 山峰聚类
  • 5.2.1 构造网格
  • 5.2.2 构造山峰函数
  • 5.2.3 选择聚类中心
  • 5.2.4 减法聚类法
  • 5.3 基本微粒群算法在山峰聚类中的应用
  • 5.3.1 PSO参数设置
  • 5.3.2 基于l-best PSO的山峰聚类算法
  • 5.3.3 仿真实验
  • 5.4 基于微粒群算法的快速山峰聚类
  • 5.4.1 简化山峰函数计算
  • 5.4.2 基于微粒群算法的快速山峰聚类算法
  • 5.4.3 仿真实验
  • 5.5 基于小生境微粒群算法的山峰聚类
  • 5.5.1 算法流程
  • 5.5.2 算法执行策略
  • 5.5.3 仿真实验
  • 5.6 本章小结
  • 第6章 多目标优化微粒群算法
  • 6.1 引言
  • 6.2 多目标优化问题
  • 6.2.1 基本概念和术语
  • 6.2.2 多目标优化算法的评价标准
  • 6.3 应用 PSO实现多目标优化的关键问题
  • 6.3.1 pbest的选择方法
  • 6.3.2 gbest或lbest的选择
  • 6.4 随机多目标 PSO
  • 6.4.1 算法基本的思想
  • 6.4.2 SMOPSO算法流程
  • 6.4.3 算法测试
  • 6.5 SMOPSO算法的收敛性分析
  • 6.5.1 相关定义和引理
  • 6.5.2 SMOPSO算法收敛性分析
  • 6.6 本章小结
  • 第7章 基于微粒群算法的锌电解分时供电优化调度
  • 7.1 引言
  • 7.2 锌电解过程的能耗分析
  • 7.2.1 锌电解过程的电流效率及电耗
  • 7.2.2 锌电解条件试验结果
  • 7.3 分时供电优化调度系统的数学模型
  • 7.3.1 电流效率的非线性回归模型
  • 7.3.2 电流效率的径向基函数神经网络模型
  • 7.3.3 锌电解分时供电多目标优化调度数学模型
  • 7.4 分时供电的多目标 PSO优化调度策略
  • 7.4.1 PSO优化调度策略
  • 7.4.2 实验结果分析
  • 7.5 本章小结
  • 第8章 整流供电系统的微粒群优化控制策略研究与实现
  • 8.1 引言
  • 8.2 锌电解整流供电系统优化控制模型
  • 8.2.1 整流供电系统简介
  • 8.2.2 整流机组的整流效率
  • 8.2.3 确定整流机组效率时应计算的损耗
  • 8.2.4 锌电解整流供电系统优化控制模型
  • 8.3 递阶多目标PSO算法
  • 8.3.1 递阶编码
  • 8.3.2 递阶多目标PSO算法
  • 8.4 实验分析
  • 8.4.1 设备参数及系统数学模型
  • 8.4.2 实验结果
  • 8.5 锌电解整流供电优化与监控系统
  • 8.5.1 系统总体设计
  • 8.5.2 系统原理
  • 8.5.3 主要人机交互界面
  • 8.5.4 系统运行结果分析
  • 8.6 本章小结
  • 第9章 结论
  • 9.1 本文研究工作的总结
  • 9.2 需进一步研究的问题
  • 参考文献
  • 致谢
  • 攻读博士学位期间发表的论文和完成的科研项目
  • 相关论文文献

    • [1].锌电解专用起重机设计及其自动化探讨[J]. 有色设备 2019(05)
    • [2].株冶锌电解厂持续产出高质量析出锌[J]. 中国有色冶金 2020(01)
    • [3].锌电解剥锌机、刷洗机安装调整技术[J]. 内蒙古科技与经济 2020(05)
    • [4].锌电解废液碎铝脱氟试验研究[J]. 云南冶金 2020(04)
    • [5].锌电解体系中电解新液除氟研究[J]. 有色金属(冶炼部分) 2017(04)
    • [6].锌电解节能清洁升级改造生产实践[J]. 世界有色金属 2016(10)
    • [7].反溶对锌电解过程影响的数值模拟与分析[J]. 中国有色金属学报 2018(11)
    • [8].基于液相传质的锌电解过程多物理场仿真分析[J]. 中南大学学报(自然科学版) 2017(01)
    • [9].控制锌电解系统含锰的生产实践[J]. 世界有色金属 2012(10)
    • [10].锌电解过程流量专家控制[J]. 自动化与仪表 2009(02)
    • [11].从锌电解阳极泥中回收锌锰并富集铅银的试验研究[J]. 中国有色冶金 2017(04)
    • [12].基于锌电解过程机理模型的酸锌浓度控制策略[J]. 化工学报 2013(12)
    • [13].改进锌电解冷却塔的措施[J]. 有色冶金节能 2010(03)
    • [14].国内首台锌电解多功能自动吊车研发成功[J]. 稀有金属与硬质合金 2013(04)
    • [15].锌电解过程节能降耗优化控制技术[J]. 计算机测量与控制 2009(12)
    • [16].工艺条件对锌电解能耗的影响[J]. 有色金属(冶炼部分) 2018(03)
    • [17].硫氰酸汞-硫酸高铁铵分光光度法快速测定锌电解新液和废液中的氯量[J]. 湖南有色金属 2009(02)
    • [18].锌电解车间空气冷却塔的改进[J]. 有色冶金节能 2018(05)
    • [19].一种实现锌电解多功能起重机全自动运行的方式[J]. 起重运输机械 2014(09)
    • [20].有机物对锌电解影响的研究及工业生产[J]. 云南冶金 2009(S1)
    • [21].新型除钴有机试剂对锌电解影响的研究[J]. 有色金属(冶炼部分) 2018(04)
    • [22].锌电解阳极梁的关键工艺控制[J]. 云南冶金 2016(01)
    • [23].做好新时代的“老黄牛”——访全国劳动模范、株洲冶炼集团股份有限公司锌电解厂二工段长柳祥国[J]. 现代企业文化(上旬) 2015(05)
    • [24].锌电解双梁行车主电源导电结构方式的研究与生产实践[J]. 低碳世界 2019(10)
    • [25].锌电解搭接式阴极板接触的有限元分析[J]. 中国有色冶金 2017(05)
    • [26].长周期锌电解“分时电流”生产实践成本讨论[J]. 云南冶金 2009(S1)
    • [27].基于混合粒子群算法的锌电解过程能耗优化[J]. 控制工程 2009(06)
    • [28].基于改进粒子群优化算法的锌电解过程模型研究[J]. 计算机测量与控制 2008(06)
    • [29].锌电解阴极板耐蚀绝缘涂层材料的研究[J]. 世界有色金属 2018(14)
    • [30].锌电解除铅新工艺[J]. 中国有色金属 2009(11)

    标签:;  ;  ;  ;  ;  ;  

    微粒群算法及其在锌电解整流供电系统优化中的应用研究
    下载Doc文档

    猜你喜欢