论文部分内容阅读
蚁群算法(Ant colony algorithm,ACA)从产生到现在,依靠其并行性计算能力及较高鲁棒性的优势,在离散域得到了广泛的研究与应用,然而,针对连续域问题,连续域ACA虽然取得一定的研究成果,但远远不及离散域ACA,仍有较大的发展空间。
本文针对连续域ACA前期搜索速度慢及容易陷入局部最优的缺点,使用PBIL(Populationbased incremental learning)算法和交叉、变异操作混合改进蚁群算法,提出了一种混合蚁群算法(Hybrid ant colony algorithm,HACA)。
HACA以二进制蚁群算法为主框架,将PBIL算法的概率分布模型用来指导蚂蚁信息素分布,同时,蚂蚁位置转移概率又影响了概率分布模型。
HACA通过分布模型概率、蚂蚁位置转移概率及二者融合概率产生新的蚂蚁个体,并对蚂蚁个体进行交叉和变异操作,从而保持蚂蚁个体的多样性,使算法的收敛能力及收敛速度得到了提高与改善。
本文对HACA又进行了一系列函数极值优化的仿真实验,仿真结果表明HACA算法不仅克服了ACA的缺点,而且计算效率和全局寻优能力均有所提高。
之后,将HACA用于PID参数整定,对三种不同控制对象进行仿真测试,实验结果表明基于HACA的PID的控制效果明显优于基于Z-N法的PID控制器。
最后,将HACA与BP神经网络相结合,并应用于有机物毒性的QSAR研究与裂解炉裂解深度软测量建模,得到了合适的网络模型参数,较好地满足了工业过程中的实际需要。