论文部分内容阅读
工业生产过程所具有的高度复杂性、强关联性、非线性、不确定性,以及常伴随着十分苛刻的生产条件和环境,如高温、高压、低温、真空、易燃、易爆、有毒物质,都为保持生产过程的最佳工况带来了困难。工业生产过程稳态优化的核心问题是工业生产过程模型的建立和过程控制系统参数的确定。本论文以工业生产过程为背景,对径向基函数(Radial Basis Function,RBF)神经网络的过程建模和蚁群算法(Ant Colony Optimization,ACO)的优化能力进行了深入的研究。分析了RBF网络现有学习算法在隐节点中心选取和权值优化等方面的缺点,本文对RBF神经网络现有学习算法进行了改进,提出将含修剪技术的减聚类算法(Pruning Technique Subtractive Clustering,PTSC)和最近邻聚类(Nearest Neighbor Clustering,NNC)算法相结合的算法(PTSC-NNC)。仿真结果表明该算法训练的神经网络收敛速度快,逼近能力强。蚁群算法具有较强的鲁棒性,具有分布式计算的特性,易于与其它优化算法融合。但是基本蚁群算法存在收敛速度慢,易于停滞等问题。本文为克服蚁群算法的缺陷提出混合蚁群算法(Mixed Ant Colony,MAC)即具有调和特性的模拟退火蚁群算法。通过对31个城市的路线寻优仿真,验证了算法的有效性。在详细分析异丙苯氧化单元工艺过程基础上,以保证工业生产过程安全为前提,在氧化过程的液位、压力、异丙苯温度、异丙苯流量、空气流量的允许范围内,以尽量降低主氧化器的温度为目标建立异丙苯氧化过程的模型,并实现了对目标函数值的优化。建模时分别采用PTSC-NNC和k-means聚类方法训练RBF神经网络,优化算法采用MAC算法。结果表明PTSC-NNC训练的RBF神经网络模型能够以更高精度反映异丙苯氧化过程的内在规律,MAC算法具有更好的寻优能力。