微粒群神经网络在软测量建模中的应用
刘 欣 蒋爱平
(华东理工大学自动化研究所,上海 200237)
摘 要:首先对微粒群优化算法进行分析,然后将微粒群优化算法用于神经网络连接权值和阑值的训练,
构造微粒群神经网络。接着将微粒群神经网络用于丙烯腊收率的软测量建模。最后通过与实际值的对比,
表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。
关键词:微粒群优化算法 丙烯腊收率 神经网络 软测量
1 引言
微粒群优化算法(Pso)是由Kennedy和Eberhart川1995年提出的一种新的进化计算
算法。由于PSO概念和参数调整都很简单而且容易编程实现,它既保持传统进化算法深刻
的群体智慧背景,同时又有自己许多良好的优化性能,正在得到越来越广泛的应用12].目
前,PSO的应用领域主要有:函数优化,神经网络训练及其他进化算法常用的领域。 研
究表明,PSO是一种非常有潜力的神经网络 (NN)训练算法,可以方便地调节神经网络
的连接权值和闭值,已被成功地用来解决许多实际问题f3一51。
目前,在软测量建模方法中常用的神经网络采用的是BP算法131,其缺点在于训练时
间长,且容易陷入局部极值点。本文将微粒群优化算法用于神经网络的训练,构造微粒群
神经网络,并用于丙烯睛收率的软测量建模。仿真结果表明基于微粒群神经网络的软测量
模型具有良好的性能和极好的应用前景。
2 微粒群神经网络 (PSONN)
2.1微粒群优化算法
微粒群算法 (PSO)是一种演化计算技术,其基本思想受到早期对鸟类群体行为研究
结果的启发,并利用和改进了生物学家的生物群体模型,以使微粒能够飞向解空间并在最
优解处降落.在 PSO中,优化问题的每个解都是搜索空间中的一只鸟 (称之为“粒子,’),
所有的粒子都有一个由被优化的函数决定的适应值 (fitnessvalue),另外还有一个速度决
定他们飞翔的方向和距离,粒子们追随当前的最优粒子在解空间中搜索。PSO初始化为一
群随机粒子(随机解)。然后通过叠代找到最优解。在每一次叠代中,粒子通过跟踪两个“极
值”来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体极值。另一个极值
是整个种群目前找到的最优解。这个极值是全局极值。
假设在一个D维搜索空间中,有m个微粒组成一微粒群,每个微粒在搜索空间中以一
定的速度飞行。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。第1
个微粒表示为龙=(xi:,x。,…,为0),它经历过的最好位置(有最好的适应值)记为只=(p,。,
乃2,…,piD),也称为八e.ft·在群体所有微粒经历过的最好位置的索引号用符号9表示,即
40
评论0