基于带扰动项粒子群算法的软测量建模，是一种针对传统粒子群优化算法在处理高维度、多局部极值点复杂函数寻优时容易陷入局部最优解的问题，而提出的一种改进算法。传统粒子群优化算法（PSO）是一种基于随机群体的新型智能优化方法，它通过将群体中粒子的个体性和社会性有机结合产生群体智能，从而指导优化搜索。
粒子群优化算法的基本原理是：在解空间中初始化一群随机粒子，每个粒子代表一个潜在的解。粒子在迭代过程中根据个体和群体的经验动态调整自己的搜索方向和速度，个体经验是粒子自身历史最佳位置，群体经验是群体中所有粒子历史最佳位置的共享信息。粒子群算法在寻优过程中，通过不断更新粒子的速度和位置，最终寻找到全局最优解。
然而，在高维数、多局部极值点的复杂函数寻优中，传统PSO算法容易陷入局部最优解。为了解决这个问题，提出了带扰动项粒子群算法。该算法的核心思想是引入一个进化速度因子，在粒子的速度更新方程中，当粒子的进化速度低于一定值时，会在方程中添加扰动项。扰动项的作用是帮助粒子逃离局部最优区域，从而继续进行全局搜索。
对几个复杂函数的寻优测试表明，改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。这意味着该改进算法能够有效地解决传统PSO算法容易陷入局部最优解的问题，提高寻优效率和解的质量。
在软测量建模的应用方面，文中提出的方法被用于建立丙烯腈收率神经网络软测量建模。软测量技术是用易于测量的变量来估计难以直接测量的变量的过程，这种技术广泛应用于过程工业中。文章中建立的模型表现出较高的模型精度和泛化性能，满足现场测量的要求，因此具有一定的实用价值。
关键词中提到的“粒子群算法”是指优化算法中的一种，用于解决优化问题；“收敛性分析”是指对算法收敛速度、稳定性和收敛到最优解的能力进行的研究；“全局最优”是指算法寻优过程能够找到全局最优解的能力；“扰动项”是为了防止算法陷入局部最优而引入的一个随机扰动；而“软测量”则是指一种基于软测量技术的建模方法，它使用软测量模型来预测或估计工业过程中的重要变量。
此外，文章中提到的“神经网络”是机器学习中的一个重要模型，它通过模拟人脑神经网络的结构和功能来处理信息。神经网络在模式识别、预测建模和分类等方面有着广泛的应用，尤其适合处理非线性系统的建模。
文章的作者陈如清，是华东理工大学自动化研究所的研究员，主要从事过程智能建模、优化控制的研究。另一位作者俞金寿，则来自嘉兴学院信息工程学院。这些背景信息说明了作者在智能优化算法和应用方面有着深厚的研究基础和实践经验。
整体而言，该论文提出了一种针对高维、多局部极值点优化问题的改进粒子群优化算法，通过实验证明了算法的有效性和实用性，并将其应用于具体的工业过程建模中，展示了算法在实际问题中的应用潜力。
