混合混沌粒子群算法在苯与甲苯闪蒸过程优化中的应用

针对粒子群算法(PSO)所存在的收敛速度慢、易陷入局部极值和优化精度较低等缺点,提出了一种自适应的混合混沌粒子群优化算法(HCPSO),根据群体适应度方差对粒子群进行自适应混沌更新.通过两种经典测试函数的寻优计算,表明HCPSO算法可显著提高寻优搜索的效率和精度.将HCPSO算法应用于苯-甲苯体系闪蒸过程的优化研究,与常规PSO算法对比,结果表明:该优化算法具有寻优效率高、全局性能好和优化结果更稳定的优点.

基于改进混沌粒子群优化算法的聚丙烯生产调优

通过算法混合提出了一种改进混沌粒子群优化算法。将混沌搜索融入到粒子群优化算法中,建立了早熟收敛判断和处理机制,显著提高了优化算法的局部搜索效率和全局搜索性能。将改进混沌粒子群优化算法应用于聚丙烯生产调优中,首先建立了聚丙烯最优牌号切换模型,然后采用改进混沌粒子群优化算法求解该最优牌号切换模型。优化结果:表明,与常规混沌粒子群优化算法相比,改进混沌粒子群优化算法具有更佳的优化效率和全局性能。

混沌混合粒子群算法应用于优化酯化反应神经网络模型

利用混沌映射的随机性和遍历性,将其引入粒子群优化算法,以提高算法的全局寻优能力,同时引入优进策略,以改善其局部寻优效率,在此基础上构建了混沌混合粒子群优化算法(CHPSO)。高维复杂函数的仿真优化试验表明,CHPSO全局寻优能力强、优化效率高。针对常规算法训练神经网络容易早熟收敛和陷入局部极值点的不足,采用CHPSO训练人工神经网络,由此构建CHPSO-NN模型,并应用于乙酸己酯催化酯化反应条件的建模,与BP-NN相比,其预测能力和稳健性都有较大提高,效果良好,与传统方法相比有明显的优越性。