基于微粒群優(yōu)化算法的間歇過程迭代學習

賈　立，程大帥，施繼平，邱銘森
上海大學機電工程與自動化學院自動化系電站自動化技術重點實驗室

上海新加坡國立大學工程學院，新加坡

摘　　　要：在實際的間歇過程優(yōu)化控制中面臨著模型參數(shù)不確定性的問題，并且基于梯度的優(yōu)化控制技術在處理具有多個局部極值的目標函數(shù)時，往往會陷入局部極值點。針對該問題，提出一種基于微粒群優(yōu)化算法的間歇過程產品質量迭代學習策略。結合間歇過程產品質量控制問題的特點和各種約束條件，利用微粒群優(yōu)化算法在非線性問題求解及大尺度空間搜索上的優(yōu)勢，來改變間歇過程魯棒優(yōu)化收縮控制變量的搜索域，并用迭代法以迭代方式消除誤差，從而使優(yōu)化性能指標漸次達到較優(yōu)。在理論研究的基礎上，提出的算法用于一類典型的間歇過程重點產品質量優(yōu)化控制中，仿真結果表明產品終點質量能夠充分逼近期望值，并且控制軌跡收斂，從而驗證了算法的有效性和實用價值。

關　鍵　詞：間歇過程；微粒群優(yōu)化；迭代學習；產品質量控制

１　引　言
間歇過程（ＢａｔｃｈＰｒｏｃｅｓｓ）具有小批量、多品種、系列化、合成步驟復雜、技術密集等特點，能夠滿足現(xiàn)代過程工業(yè)的要求［１�玻常�。間歇過程中存在著大量的優(yōu)化控制問題，這里的優(yōu)化是指在間歇生產結束時，間歇單元獲得較大的產品產率或較好的產品質量。通常間歇過程的動態(tài)優(yōu)化是基于過程已知的確定性模型進行求解，但實際工業(yè)中卻面臨著模型參數(shù)不確定性問題。并且，傳統(tǒng)的基于梯度的優(yōu)化控制技術在處理具有多個局部極值的目標函數(shù)時，往往會陷入局部極值點，不能高效的求解目標問題。近幾年，隨著計算機和人工智能等技術的發(fā)展，不斷涌現(xiàn)出新的智能優(yōu)化方法［４�玻叮�。這些算法能夠克服上述傳統(tǒng)方法需要目標函數(shù)是連續(xù)、可導的限制。結合間歇過程產品質量控制問題的特點和各種約束條件。本文提出一種基于微粒群優(yōu)化算法的間歇過程產品質量迭代學習控制策略，改變間歇過程的魯棒優(yōu)化收縮控制變量的搜索域，使優(yōu)化性能指標漸次達到較優(yōu)。

登錄網(wǎng)站后可下載文件

相關閱讀:

• ...2012/04/13 17:12·基于微分幾何的無軸承電機神經ＳＭＶＳ解耦控制
• ...2012/03/19 10:32·基于微流量熱導傳感器的氫氣濃度檢測系統(tǒng)研究
• ...2012/02/10 10:52·基于微粒群優(yōu)化算法的間歇過程迭代學習
• ...2011/08/29 09:22·基于微處理器和射頻收發(fā)芯片的近程無線數(shù)傳系統(tǒng)設計