论文部分内容阅读
自20世纪80年代以来,智能优化算法通过模拟或揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路和手段,并在经济与工程等领域得到了广泛应用。
量子进化计算(Quantum Evolutionary Computation,QEC)源于量子力学行为的研究,是智能优化领域中一个新的分支。粒子群优化算法(Particle Swarm Optimization,PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种基于群智能方法的演化计算技术。二者相结合,形成的量子粒子群算法是当前研究的热点之一。
本文系统地论述了量子进化计算、粒子群算法及量子粒子群算法,并且针对量子粒子群易陷入局部极小点搜索效率低等缺点,结合变尺度混沌变异思想,提出了混沌量子粒子群算法(ChaosQuantum Particle Swarm Optimization-CQPSO)有效提高了算法的全局寻优能力。
将CQPSO算法应用于BP神经网络训练,提出了CQPSO-BP神经网络算法。利用CQPSO算法优化BP网络的初始权值和阈值,然后,运行BP算法训练网络参数,得到最终模型。实验表明,该算法基本上能够得到合适的网络参数,综合了网络的训练和泛化能力,可以满足工业过程中的实际需要。
最后,将CQPSO-BP算法应用到了工业过程的软测量建模中,建立PTA生产中加氢精制部分Pd/C催化剂活性的软测量模型,为适宜的碱洗时间提供参考,便于合理安排生产,提高绩效。