復(fù)雜工業(yè)系統(tǒng)的穩(wěn)態(tài)優(yōu)化控制研究.pdf

1、隨著工業(yè)過(guò)程不斷地向大型化和自動(dòng)化方向發(fā)展，復(fù)雜工業(yè)過(guò)程平穩(wěn)、安全、優(yōu)質(zhì)、高效的運(yùn)行成為了人們關(guān)注的熱點(diǎn)，對(duì)生產(chǎn)過(guò)程的控制也提出了更高的要求。穩(wěn)態(tài)優(yōu)化技術(shù)能根據(jù)過(guò)程系統(tǒng)性能和特點(diǎn)，找出使系統(tǒng)的性能指標(biāo)或者目標(biāo)函數(shù)達(dá)到最小(或最大)的設(shè)備參數(shù)或工藝變量，是一種投入小，見(jiàn)效快的先進(jìn)控制技術(shù)，也是如何將控制原理應(yīng)用到實(shí)際領(lǐng)域的難點(diǎn)之一。穩(wěn)態(tài)優(yōu)化主要分為建模和優(yōu)化兩部分，論文在分析建模和優(yōu)化方法國(guó)內(nèi)外發(fā)展?fàn)顩r，原理、實(shí)現(xiàn)方法，以及各自的優(yōu)缺點(diǎn)和

2、局限性基礎(chǔ)上，提出了相應(yīng)的改進(jìn)算法，并通過(guò)仿真實(shí)驗(yàn)加以驗(yàn)證。 在建模部分，針對(duì)現(xiàn)代復(fù)雜工業(yè)過(guò)程具有多變量、非線性、強(qiáng)耦合性、時(shí)變時(shí)滯和不確定性等特性，使用傳統(tǒng)的建模方法很難建立嚴(yán)格的系統(tǒng)模型，本文提出了采用現(xiàn)代的智能建模方法一人工神經(jīng)網(wǎng)絡(luò)來(lái)建立系統(tǒng)模型。人工神經(jīng)網(wǎng)絡(luò)不僅可任意逼近非線性，且具有大規(guī)模并行處理、知識(shí)分布存儲(chǔ)、自學(xué)習(xí)能力強(qiáng)、容錯(cuò)性好等特點(diǎn)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種典型的局部神經(jīng)網(wǎng)絡(luò)，具有最佳逼近能力。本文使用最近鄰聚

3、類(lèi)學(xué)習(xí)算法作為徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network,RBF)隱層節(jié)點(diǎn)數(shù)和權(quán)值的學(xué)習(xí)算法，并且通過(guò)非線性函數(shù)算例進(jìn)行了驗(yàn)證。 在優(yōu)化部分，為了發(fā)揮粒子群優(yōu)化算法具有簡(jiǎn)潔性，易于實(shí)現(xiàn)，沒(méi)有很多參數(shù)需要調(diào)整，不需要梯度信息等優(yōu)點(diǎn)，克服其可能陷入局部最優(yōu)的不足，提高收斂速度，本文對(duì)粒子群優(yōu)化算法進(jìn)行改進(jìn)，與其他優(yōu)化算法結(jié)合。模擬退火算法具有很好的全局尋優(yōu)能力，在基本粒子群算法的基礎(chǔ)上引