基于微粒群优化算法的间歇过程迭代学习

2012年03月15日14:27:37 本网站我要评论(2)字号：T | T | T

关键字：计算机

贾　立，程大帅，施继平，邱铭森
上海大学机电工程与自动化学院自动化系电站自动化技术重点实验室

上海新加坡国立大学工程学院，新加坡

摘　　　要：在实际的间歇过程优化控制中面临着模型参数不确定性的问题，并且基于梯度的优化控制技术在处理具有多个局部极值的目标函数时，往往会陷入局部极值点。针对该问题，提出一种基于微粒群优化算法的间歇过程产品质量迭代学习策略。结合间歇过程产品质量控制问题的特点和各种约束条件，利用微粒群优化算法在非线性问题求解及大尺度空间搜索上的优势，来改变间歇过程鲁棒优化收缩控制变量的搜索域，并用迭代法以迭代方式消除误差，从而使优化性能指标渐次达到较优。在理论研究的基础上，提出的算法用于一类典型的间歇过程重点产品质量优化控制中，仿真结果表明产品终点质量能够充分逼近期望值，并且控制轨迹收敛，从而验证了算法的有效性和实用价值。

关　键　词：间歇过程；微粒群优化；迭代学习；产品质量控制

１　引　言
间歇过程（ＢａｔｃｈＰｒｏｃｅｓｓ）具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点，能够满足现代过程工业的要求［１３］。间歇过程中存在着大量的优化控制问题，这里的优化是指在间歇生产结束时，间歇单元获得较大的产品产率或较好的产品质量。通常间歇过程的动态优化是基于过程已知的确定性模型进行求解，但实际工业中却面临着模型参数不确定性问题。并且，传统的基于梯度的优化控制技术在处理具有多个局部极值的目标函数时，往往会陷入局部极值点，不能高效的求解目标问题。近几年，随着计算机和人工智能等技术的发展，不断涌现出新的智能优化方法［４６］。这些算法能够克服上述传统方法需要目标函数是连续、可导的限制。结合间歇过程产品质量控制问题的特点和各种约束条件。本文提出一种基于微粒群优化算法的间歇过程产品质量迭代学习控制策略，改变间歇过程的鲁棒优化收缩控制变量的搜索域，使优化性能指标渐次达到较优。

登录网站后可下载文件

基于微粒群优化算法的间歇过程迭代学习

相关阅读: