混沌粒子群算法及其在生化过程动态优化中的应用方法技术

本发明专利技术属于化工技术领域，公开了一种混沌粒子群算法及其在生化过程动态优化中的应用方法，在PSO中引入混沌映射，构建为混沌粒子群算法，保持PSO的优化机制，又利用了混沌的遍历特性，以克服PSO的不足。测试结果和应用都反映了CPSO的良好性能。本发明专利技术运算简洁，应用方便，适于求解连续问题，但它不具备遍历特性，难以全面获取目标函数的有用信息，影响了全局优化性能。为此，本发明专利技术引入混沌变量，以其遍历性改进经典PSO，使之能从整个搜索域中汲取信息，并用以逐代更新的个体极值和群体极值中，提高算法的全局搜优效率。

【技术实现步骤摘要】
混沌粒子群算法及其在生化过程动态优化中的应用方法
本专利技术属于化工
，尤其涉及一种混沌粒子群算法及其在生化过程动态优化中的应用方法。
技术介绍
过程系统优化是化工过程设计、操作及控制的重要课题，有关连续系统的优化问题常可表示为复杂的非线性微分方程组，如式(1)所示，其中u、x分别为控制变量和状态变量，minJ(u，x)理论已证明，这种多维动态系统在一定条件下存在最优解，主要用变分法求解，其适用范围有限；故在化工等领域内多采用近似数值解，相应地有迭代动态规划、迭代遗传算法和分级优化等方法；它们或需将状态变量离散化，或需编码而使计算变得复杂；粒子群优化算法(particleswarmoptimiza-tion，PSO)运算机理简洁，适合求解连续问题，在各领域已有广泛应用，但易陷于局部极值。对此，已有一些改进策略，如动态调节参数等，但操作较困难。综上所述，现有技术存在的问题是：粒子群优化算法(particleswarmoptimiza-tion，PSO)运算机理简洁，适合求解连续问题，在各领域已有广泛应用，但易陷于局部极值；对此，已有一些改进策略，如动态调节参数等，但操作较困难。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种混沌粒子群算法及其在生化过程动态优化中的应用方法。本专利技术是这样实现的，一种混沌粒子群算法及其在生化过程动态优化中的应用方法，所述混沌粒子群算法及其在生化过程动态优化中的应用方法包括以下步骤：步骤一，引入混沌机制，以混沌变量的遍历性改进粒子群算法；步骤二，构建混沌粒子群算法；步骤三，将混沌粒子群算法用于Park-Ramirez生物反应器补料流率的动态优化。进一步，所述混沌粒子群优化算法为：(1)粒子群优化算法minf(x)＝f(x1，x2，…，xn)，x∈S＝{x＝(x1，x2，…xn)|ai＜xi＜bi，i＝1，2，…，n}；粒子群的规模为N，第i个粒子位置记为xi，所经历的最优位置，找到的最优解，称为个体极值pBesti，群体所经历的最优位置，为全局极值gBest；按照生物群的趋优性，PSO算法每个粒子的飞行速度vi和所在位置，令粒子群以迭代的方式不断搜优；vi＝ω1×vi+η1×rand()×(pBest[i]-xi)+η2×rand()×(gBest-xi)；xi＝xi+vi；式中ω1、η1、η2为控制参数，也称学习因子；rand()是[0，1]上的随机数；(2)混沌变量cxi的演变算式：cx(ik)为cxi在第k步混沌演变后的值，当cxi(0，1.0)且cxi{0.25，0.5，0.75}时，将产生混沌现象，cxi在(0，1.0)内遍历；变量xi(ai，bi)可由式(6)、式(7)与混沌变量cxi(0，1.0)进行往返映射；cxi＝(xi-ai)/(bi-ai)(6)xi＝a+cxi(bi-ai)(7)(3)每个粒子不仅在个体极值与群体极值的引领下调整自身的位置，还将作混沌运动，构建CPSO算法；使粒子群尽量遍历整个搜索区域，获取有用信息，并用以逐代改进个体极值与群体极值。进一步，所述CPSO算法的步骤如下：(1)初始化种群：给定群体规模N，随机产生每个粒子的初始位置和速度xi、vi，计算各粒子的适应值f(xi)，有pBesti＝xi，经比较得出gBest；(2)将xi的每个分量通过变换，映射为混沌变量cxi，各分量cxi(0，1.0)；(3)各粒子计算速度vi，并调整至新位置xi，进而计算适应值f(xi)；(4)混沌变量cxi的各分量作混沌运动，并变换为cyi；(5)将cyi的每个分量通过式(7)变换，映射间的普通变量yi，并计算f(yi)；(6)比较f(x)、f(pBest)与f(y)，以其间的最优值，确定下一迭代步的pBesti；(7)比较各f(pBesti)与f(gBest)，确定下一迭代步的gBest；(8)判断是否已满足终止条件，若是，终止算法运行，输出当前的最优解与最优值；否则，返回到(2)，继续运行。进一步，所述用于Park-Ramirez生物反应器补料的优化为：(1)Park-Ramirez生物反应器优化模型表示为：maxJ＝z1(tf)z5(tf)；式中：状态变量z1为内源蛋白质浓度(gL-1)，z2为所有蛋白质的浓度(gL-1)，z3为培养细胞密度(gL-1)，z4为底物浓度(gL-1)，z5为滞留量体积(L)，控制变量u为营养剂补料葡萄糖流率(Lh-1).通过控制[0，tf]全程的补料流率u，使最终目标产物的产量J＝z1(tf)z5(tf)达到最大；(2)CPSO算法求解Park-Ramirez生物反应器优化，采用Restrictedsecond-orderinformation法所得结果中最优为32.480，最差为32.388；它们对时段划分较多，划分为150段。进一步，所述动态优化的粒子群解法：(1)初始化一组个体，构成一定规模的初始群体，每个个体都为随机产生的一控制变量序列u0，u1，…，um-1；(2)将每个个体的控制变量序列施加于受控对象，求得相应的状态轨迹，进而按目标函数计算群体中各个体的性能指标，包括数值求解微分方程组；(3)判断是否满足终止条件，若满足，即终止计算，输出最优结果；否则执行下一步；(4)按粒子群算法的各个步骤计算下一代群体，返回(2)，继续运行。本专利技术在PSO中引入混沌映射，构建为混沌粒子群算法(chaosPSO，CPSO)，既保持PSO的优化机制，又利用了混沌的遍历特性，以克服PSO的不足。测试结果和应用都反映了CPSO的良好性能。基于群智能机理的粒子群优化算法，运算简洁，应用方便，适于求解连续问题，但它不具备遍历特性，难以全面获取目标函数的有用信息，影响了全局优化性能。为此，本专利技术引入混沌变量，以其遍历性改进经典PSO，使之能从整个搜索域中汲取信息，并用以逐代更新的个体极值和群体极值中，这样可更有效地带领粒子群移向最优解，从而提高算法的全局搜优效率；由此构建为混沌粒子群算法，经实例测试，表明其性能有明显改进，引入混沌机制是有效的。将CPSO用于Park-Ramirez生物反应器补料流率的动态优化，效果令人满意。附图说明图1是本专利技术实施提供的混沌粒子群算法及其在生化过程动态优化中的应用方法流程图。图2是本专利技术实施提供的两种算法逐代找到的最优值的平均值随迭代次数的变化曲线示意图。图3是本专利技术实施提供的CPSO最佳补料策略示意图。图4是本专利技术实施提供的PSO最佳补料策略示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。下面结合附图对本专利技术的应用原理作进一步描述。如图1所示，本专利技术实施例提供的混沌粒子群算法及其在生化过程动态优化中的应用方法包括以下步骤：S101，引入混沌机制，以混沌变量的遍历性改进粒子群算法，使其更全面地获取目标函数的有用信息，并反映到逐代更新的个体极值和群体极值中；S102，构建混沌粒子群算法，经多个性能测试，表明其搜索能力优于经典粒子群算法，引入混沌机制是有效的；S103，将混沌粒子群算法用于Park-Ramirez生物反应器补料流率的动态优化。本专利技术提本文档来自技高网...

【技术保护点】
1.一种混沌粒子群算法及其在生化过程动态优化中的应用方法，其特征在于，所述混沌粒子群算法及其在生化过程动态优化中的应用方法包括以下步骤：步骤一，引入混沌机制，以混沌变量的遍历性改进粒子群算法；步骤二，构建混沌粒子群算法；步骤三，将混沌粒子群算法用于Park‑Ramirez生物反应器补料流率的动态优化。

【技术特征摘要】
1.一种混沌粒子群算法及其在生化过程动态优化中的应用方法，其特征在于，所述混沌粒子群算法及其在生化过程动态优化中的应用方法包括以下步骤：步骤一，引入混沌机制，以混沌变量的遍历性改进粒子群算法；步骤二，构建混沌粒子群算法；步骤三，将混沌粒子群算法用于Park-Ramirez生物反应器补料流率的动态优化。2.如权利要求1所述的混沌粒子群算法及其在生化过程动态优化中的应用方法，其特征在于，所述混沌粒子群优化算法为：(1)粒子群优化算法minf(x)＝f(x1，x2，…，xn)，x∈S＝{x＝(x1，x2，…，xn)|ai＜xi＜bi，i＝1，2，…，n}；粒子群的规模为N，第i个粒子位置记为xi，所经历的最优位置，找到的最优解，称为个体极值pBesti，群体所经历的最优位置，为全局极值gBest；按照生物群的趋优性，PSO算法每个粒子的飞行速度vi和所在位置，令粒子群以迭代的方式不断搜优；vi＝ω1×vi+η1×rand()pBest[i]-xi)+η2×rand()×(gBest-xi)；xi＝xi+vi；式中ω1、η1、η2为控制参数，也称学习因子；rand()是[0，1]上的随机数；(2)混沌变量cxi的演变算式：为cxi在第k步混沌演变后的值，当cxi(0，1.0)且cxi{0.25，0.5，0.75}时，将产生混沌现象，cxi在(0，1.0)内遍历；变量xi(ai，bi)可由式(6)、式(7)与混沌变量cxi(0，1.0)进行往返映射；cxi＝(xi-ai)/(bi-ai)(6)xi＝ai+cxi(bi-ai)(7)(3)每个粒子不仅在个体极值与群体极值的引领下调整自身的位置，还将作混沌运动，构建CPSO算法；使粒子群尽量遍历整个搜索区域，获取有用信息，并用以逐代改进个体极值与群体极值。3.如权利要求1所述的混沌粒子群算法及其在生化过程动态优化中的应用方法，其特征在于，所述CPSO算法的步骤如下：(1)初始化种群：给定群体规模N，随机产生每个粒子的初始位置和速度xi、vi，计算各粒子的适应值f(xi)，有pBesti＝xi，经比较得出gBest；(2)将xi的每个分量...

【专利技术属性】
技术研发人员：莫愿斌，
申请(专利权)人：广西民族大学，
类型：发明
国别省市：广西,45