基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。

PSO-BP算法在医学中的应用

粒子群优化算法（PSO）是一种带有全局随机性质的群体搜索演化算法,鲁棒性强,通过微粒群优化算法同BP算法的结合,解决BP算法收敛速度慢,容易陷入局部最小值的问题,并实验证明PSOBP算法其收敛性能,学习速度和稳定性要优于BP算法。再结合实际需求,以印第安人肝癌疾病为例对PSOBP算法在医学中的应用进行探讨。

基于液化石油气的裂解过程建模与优化

随着乙烯裂解原料日趋多样化,液化石油气(LPG)的使用比重逐渐增大,而对于以LPG为原料的裂解过程建模与优化研究却较少,因此本文对以LPG为裂解原料的裂解过程进行建模与优化研究。利用裂解机理模拟LPG裂解过程,该过程同时考虑裂解原料的组分变化和操作条件变化对关键裂解产品收率的影响,然后根据实验设计原理产生适量仿真数据,建立了以原料组成与操作条件为输入、关键裂解产品收率为输出的PSOBP神经网络收率模型。通过模型验证,得到工业现场丙烯乙烯比值与本文模型预测得到的丙烯乙烯比的平均相对误差仅为2.142%。基于该模型利用PSO算法对LPG原料组成与操作条件进行优化,得到裂解产品总收益最大的LPG原料组成分布和操作条件,优化后的产品总效益为23.5524万元h^(-1)。