[发明专利]一种基于群活性感知的受控微粒群的研究方法

说明书

本发明公开了一种基于群活性感知的受控微粒群的研究方法。本发明中，通过对湿法炼锌过程中砷盐除钴过程的流程的简单介绍，然后给出砷盐除钴过程中的经济指标。随后提出钴离子浓度是砷盐除钴过程的关键性能指标，从而提出建立氧化还原电位和砷盐除钴过程的关系，随后简单介绍了砷盐除钴过程中动力学模型构建，然后将问题转化为从开始时刻到t时刻，寻找一组最优的参数模型使得t时刻反应器出口钴离子浓度和实际值的偏差最小。然后通过使用标准微粒群算法和基于群活性的受控微粒群算法来分别进行参数辨识。然后通过对运行时间和精度的计算，将改进后的算法应用于工业过程中，将运行时间缩短和将精度提高。

技术领域

本发明属于微粒群研究技术领域，具体为一种基于群活性感知的受控微粒群的研究方法。

背景技术

群体智能的概念起源于于对金枪鱼、海鸥、企鹅等群居生物群体行为的调查和研究。据此研究出了群体智能的概念：一种模拟群居性生物中的集体智能行为的智能计算或优化方法。严格来说，群体智能为受到自然界中的生物集体智能现象的影响而被提议的人工智能模型，基于单纯的生物集体智能出现的现象研究的具体模式，即“单纯的智能主体通过合作表现复杂的智能行为的特性”。微粒群算法是将鸟群的动态模型中的栖息地的问题与该问题空间中的可能性解相关联的计算方法,使该算法通过具有个体之间的传达信息的可能性而使整个种群向可能解的方向移动,从而使求解过程中要求有更好的解被发现的可能性会增加。相比于进化算法，PSO保留一种基于种群的全局探索战略，但其使用的模型操作简单，复杂计算操作被避免，是一种更高效的并行搜索算法。

但是PSO算法目前存在的主要问题有，容易过早收敛和容易局部最优，通过一定的求解方式来避免算法陷入过早收敛，但是收敛并不意味这算法找到了全局最优，因此算法存在容易陷入局部最优的问题，虽然有据此提出了各种解决方案，但是都是针对粒子群算法本身进行简单参数加减，并没有从根本上防止其陷入局部最优。

发明内容

本发明的目的在于：为了解决上述提出的问题，提供一种基于群活性感知的受控微粒群的研究方法。

本发明采用的技术方案如下：一种基于群活性感知的受控微粒群的研究方法，所述一种基于群活性感知的受控微粒群的研究方法包括以下步骤：

S1:根据所求问题设置参数大小，设置迭代次数N_max，精度要求ε，种群规模N，群活性百分比阈值E_S％，分群比例α％，重新定位代数N_e，然后开始随机产生种群；

S2:用标准微粒群算法进行寻优，记录粒子个体和群体历史最优位置，若满足求解条件，则停止算法；

S3:当群活性开始下降时，小于初始群活性的E_S％时，将其中一部分α％的粒子在当前位置继续寻优，将其他粒子重新定位在N_e代的个体最优位置以及种群最优位置；

S4:采用小生境微粒群算法进行寻优，然后记下其个体最优位置以及群体最优位置；

S5:将代入到中，同时由得到PSO的二阶离散差分方程：

S6:令则PSO的二阶离散差分方程式简化为：其中

S7:根据得知，粒子运动轨迹与取值有关，通过对求解，得到了PSO算法的收敛区间；

S8:根据收敛区间划分出5个不同特质取值特征区间，将这五个区域用数字1到5表示从区域1到5分别是：复对称振荡收敛区，实对称振荡收敛区，实数无振荡收敛区，实数不对称振荡收敛区，不收敛区；

S9:通过分别选取特征取值区间的几组数据，从而对特征区间粒子收敛性来验证粒子的收敛性；