CN113158495A - 基于粒子群算法的分子筛工艺条件的生成方法和系统 - Google Patents
基于粒子群算法的分子筛工艺条件的生成方法和系统 Download PDFInfo
- Publication number
- CN113158495A CN113158495A CN202110559752.1A CN202110559752A CN113158495A CN 113158495 A CN113158495 A CN 113158495A CN 202110559752 A CN202110559752 A CN 202110559752A CN 113158495 A CN113158495 A CN 113158495A
- Authority
- CN
- China
- Prior art keywords
- particle
- generation
- speed
- particle swarm
- swarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 125
- 239000002808 molecular sieve Substances 0.000 title claims abstract description 73
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 5
- 238000002441 X-ray diffraction Methods 0.000 claims description 21
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003756 stirring Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000013019 agitation Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于粒子群算法的分子筛工艺条件的生成方法和系统。方法包括如下的步骤:S1:配置合成分子筛的工艺条件的多个初始参数以及所述分子筛的预期表征,并配置算法参数;S2:初始化粒子群以生成初始粒子群,并计算所述初始粒子群中每个个体的适应值,确定群体最优值和个体最优值;S3:更新速度和位置,获得更新粒子群;S4:判断当前迭代次数是否达到最大附迭代次数;S5:计算更新粒子群中每个个体的适应值并选择最优值;以及S6:判断当前迭代次数是否达到最大主迭代次数直至输出所述最优工艺条件。本发明的一种基于粒子群算法的分子筛工艺条件的生成方法和系统可以方便高效地获得符合预期的分子筛工艺条件。
Description
技术领域
本发明主要涉及分子筛工艺领域,尤其涉及一种基于粒子群算法的分子筛工艺条件的生成方法和系统。
背景技术
分子筛常用在石油化工等领域,其特定的结构具有吸附、分离、催化等性能,可用于分离空气制氧等,外加其成本低廉与环保的特性,具有重大的实用价值。其中,分子筛合成的工艺条件对形成特定的分子筛具有重要意义。传统的对分子筛合成的工艺条件的探索,仅依靠专家经验,通过不断的实际实验进行验证和总结归纳。这种方式虽然只依靠尝试、构思简单,但是耗时较长、成本高且效率低下。
发明内容
本发明要解决的技术问题是提供一种基于粒子群算法的分子筛工艺条件生成方法和系统,可以方便高效地获得符合预期的分子筛工艺条件。
为解决上述技术问题,本发明提供了一种基于粒子群算法的分子筛工艺条件的生成方法,包括如下的步骤:S1:配置合成分子筛的工艺条件的多个初始参数以及所述分子筛的预期表征,并配置算法参数;S2:初始化粒子群以生成初始粒子群,并计算所述初始粒子群中每个个体的适应值,确定在所述初始粒子群中的群体最优值和个体最优值;S3:根据至少两个速度更新策略和相应的学习因子和/或惯性因子、以及所述群体最优值和个体最优值对所述初始粒子群中每个个体进行速度更新,并根据位置更新策略对所述初始粒子群中每个个体进行位置更新,以获得更新粒子群;S4:判断当前迭代次数是否达到最大附迭代次数,若判断结果为是则执行步骤S5,否则重新执行步骤S3~S4;S5:计算所述更新粒子群中每个个体的适应值,并确定在所述更新粒子群中的群体最优值和个体最优值;以及S6:判断当前迭代次数是否达到最大主迭代次数,若判断结果为是,则根据在所述更新粒子群中的群体最优值和个体最优值输出符合所述预期表征的最优工艺条件,否则,重新执行步骤S3~S6直至输出所述最优工艺条件。
在本发明的一实施例中,在所述步骤S1中,所述工艺条件包括原材料、温度、搅拌速率和/或反应持续时间。
在本发明的一实施例中,在所述步骤S1中,所述多个初始参数包括种类、数值上限和/或数值下限。
在本发明的一实施例中,在所述步骤S1中,所述分子筛的预期表征包括X射线衍射图谱的表征。
在本发明的一实施例中,在所述步骤S2中,所述初始粒子群中每个个体的适应值体现为差值Error:
其中,output为所述工艺条件到所述X射线衍射图谱的映射模型的输出,setvalue为所述X射线衍射图谱中的峰位置的数值,i为特征维度,以及num为所述峰位置的总数。
在本发明的一实施例中,在所述步骤S1中,所述算法参数包括最大主迭代次数T、粒子群大小N、速度更新策略S、学习因子C、惯性因子ω和位置更新策略L。
在本发明的一实施例中,所述主迭代次数T为所述多个初始参数的数量值的10000倍,且所述粒子群大小N为50。
在本发明的一实施例中,所述学习因子C的取值范围为0~10。
在本发明的一实施例中,所述惯性因子ω的取值范围为0~1。
在本发明的一实施例中,在所述步骤3中,所述速度更新策略S的个数为4,分别为第一速度更新策略S1、第二速度更新策略S2、第三速度更新策略S3和第四速度更新策略S4,其中,所述第一速度更新策略S1为根据如下的方式计算速度
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子;以及
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子,ω为惯性因子。
在本发明的一实施例中,在所述步骤4中,所述最大附迭代次数为所述速度更新策略的数量。
为了解决以上的技术群体,本发明还提供了一种基于粒子群算法的分子筛工艺条件的生成系统,包括:存储器,用于存储可由处理器执行的指令;以及处理器,用于执行所述指令以实现基于粒子群算法的分子筛工艺条件的生成方法。
一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现上述基于粒子群算法的分子筛工艺条件的生成方法。
与现有技术相比,本发明具有以下优点:本发明的分子筛工艺条件的生成方法和系统,通过对根据历史数据总结的分子筛合成的工艺条件参数配置及相应的预期的表征进行建模,充分利用历史数据,得到表征关联模型,并进一步通过表征关联模型,利用改进后的粒子群算法从分子筛的表征反推出合成的工艺条件,通用性强,可以显著提高生成分子筛工艺条件的效率并降低研发成本。
附图说明
包括附图是为提供对本申请进一步的理解,它们被收录并构成本申请的一部分,附图示出了本申请的实施例,并与本说明书一起起到解释本发明原理的作用。附图中:
图1是本发明的一种基于粒子群算法的分子筛工艺条件的生成方法的流程示意图;以及
图2是本发明的一种基于粒子群算法的分子筛工艺条件的生成系统的系统框图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明的一实施例提出了一种基于粒子群算法的分子筛工艺条件的生成方法,可以方便高效地获得符合预期的分子筛工艺条件。
如图1所示,是本发明的一种基于粒子群算法的分子筛工艺条件的生成方法10的流程示意图,基于粒子群算法的分子筛工艺条件的生成方法10包括如下的步骤。
S1:配置合成分子筛的工艺条件的多个初始参数以及分子筛的预期表征,并配置算法参数;
S2:初始化粒子群以生成初始粒子群,并计算初始粒子群中每个个体的适应值,确定在所述初始粒子群中的群体最优值和个体最优值;
S3:根据至少两个速度更新策略和相应的学习因子和/或惯性因子、以及群体最优值和个体最优值对初始粒子群中每个个体进行速度更新,并根据位置更新策略对初始粒子群中每个个体进行位置更新,以获得更新粒子群;
S4:判断当前迭代次数是否达到最大附迭代次数,若判断结果为是则执行步骤S5,否则重新执行步骤S3~S4;
S5:计算更新粒子群中每个个体的适应值,并确定在更新粒子群中的群体最优值和个体最优值;以及
S6:判断当前迭代次数是否达到最大主迭代次数,若判断结果为是,则执行步骤S7根据结果最优值输出符合预期表征的最优工艺条件,否则,重新执行步骤S3~S6直至可以执行步骤S7输出最优工艺条件。
本申请中图1使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。以图1的所示的流程为基础,本发明的一些其他的实施例可以对图1中的一些步骤做出进一步限定和变型。
在本发明的一些实施例中,如图1所示的步骤S1中,最初配置的工艺条件包括制备分子筛的原材料、温度、搅拌速率和/或反应持续时间。示例性的,在这些实施例中,如图1所示的步骤S1中的多个初始参数包括种类、数值上限和/或数值下限。这些工艺条件的种类选定和数值大致范围的确定可以通过历史数据或实践经验获得。具体来说,在如图1所示的步骤S1中配置的初始参数可以是原材料的种类,例如,还可以是在给定原料种类的情况下,相应原料的具体含量;以及温度、搅拌速率和/或反应持续时间的数值上下限等参数。
另一方面,在本发明的一些实施例中,在如图1所示的步骤S1中,分子筛的预期表征包括X射线衍射图谱的表征。X射线图谱的表征通常为峰特性;示例性的,在本发明一实施例中的分子筛X射线图谱中,可以将从0到50度的区间划分成例如50个格子,并将X射线图谱的峰位置数据转化成50维的结构数据。
但是本发明不以此为限,例如,对于X射线图谱可以采用不同的区间划分方法。另一方面,在本发明的一些其他的实施例中,分子筛的预期表征也可以用分子筛扫描电子显微镜(Scanning Electron Microscope,SEM)图像来代替。
根据分子筛合成的实践经验,往往可以通过初步的判断确定关键参数的大致范围和能够体现分子筛特性的预期表征,将这些作为流程的输入,从而通过粒子群算法的优化以求更方便高效地输出符合预期表征的最优工艺条件,从而解决现有技术中获取分子筛工艺条件耗时长、成本高且效率低下的问题。
在使用X射线衍射图谱作为分子筛的预期表征的实施例中,进一步具体的,在如图1所示的步骤S2中,初始粒子群中每个个体的适应值体现为如下的差值Error:
其中,output为工艺条件到X射线衍射图谱的映射模型的输出,setvalue为X射线衍射图谱中的峰位置的数值,i为特征维度,以及num为峰位置的总数。
在如图1所示的实施例中,基于粒子群算法的分子筛工艺条件的生成方法10是基于传统粒子群算法的进一步改进和应用。示例性的,如图1所示的步骤S1中配置的算法参数包括最大主迭代次数T、粒子群大小N、速度更新策略S、学习因子C、惯性因子ω和位置更新策略L。可以理解的是,用上述字母表示这些算法参数并不代表或限制其个数为1个,而应当理解为该参数众多数值的集合。例如速度更新策略S在本发明的实施例中均为至少两个,因此“速度更新策略”的表述可以认为是多个速度更新策略S1、S2…Sn的集合S的意思。
关于上述算法参数的取值,在本发明的一些实施例中,主迭代次数T为多个初始参数的数量值的10000倍,且粒子群大小N为50。并且,学习因子C的取值范围为0~10。另一方面,惯性因子ω的取值范围为0~1。但是本发明不以这样的取值范围或其相互之前取值范围的搭配为限。
具体的,在如图1所示的步骤S3中,该至少两个策略S的个数可以为4个,第一速度更新策略S1、第二速度更新策略S2、第三速度更新策略S3和第四速度更新策略S4,其中,第一速度更新策略S1为根据如下的方式计算速度
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子;以及
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子,ω为惯性因子。
在本发明的一些实施例中,在如图1所示的步骤S4中,最大附迭代次数为上述速度更新策略S的数量。例如,当速度更新策略S的数量为上述的4个时,则设置最大附迭代次数为4次,即在如图1所示的步骤S4中,判断进行中算法的当前迭代次数是否已经达到了4次,若未达到,则重新进行步骤S3直至流程截至该步骤S3时的迭代次数达到了配置的最大附迭代次数。
通过上述的基于粒子群算法的分子筛工艺条件的生成方法10,可以简单方便的获取符合预期的工艺条件,改变了现有技术中通过传统试验手段测试工艺条件的模式和思路,显著提高了生成分子筛工艺条件的效率并降低了成本。
为了更好的理解本发明的分子筛工艺条件的生成方法,示例性的,以本发明如图1所示的基于粒子群算法的分子筛工艺条件的生成方法10为例,简要说明其中一次试验的操作流程和输出结果。
在步骤S1中,初始参数包括原材料(NaOH、Ludox AS-40_s、NaAI02、Water)、温度、搅拌速率(包括第一段搅拌速率、第一段搅拌时间和第二段搅拌时间)以及反应持续时间的数值和/或范围;分子筛的预期表征采用X射线衍射图谱表征。
另一方面,步骤S1中配置的算法参数包括主迭代次数T、粒子群大小N、速度更新策略S、学习因子C、惯性因子ω和位置更新策略L。具体来说,主迭代次数T的取值为在步骤S1中配置合成分子筛的工艺条件的多个初始参数的数量值m的10000倍,配置粒子群大小N为50。学习因子C(包括C1和C2)的取值范围为[0,10],且惯性因子ω的取值范围为[0,1],示例性的,
C1、C2∈[1,2],ω∈[0.9,0.8,0.7,0.6,0.5,0.4]。
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子;以及
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子,ω为惯性因子。
在步骤S2中,通过随机初始化粒子群生成一个粒子群大小N*合成分子筛条件的工艺条件的多个初始参数m的矩阵,其取值范围为[0,1]。并且计算粒子群中每个个体的适应值,具体为工艺条件到X射线衍射图谱的映射模型的输出和预期分子筛的X射线衍射图谱表征的差值Error:
其中,output为工艺条件到X射线衍射图谱的映射模型的输出,setvalue为X射线衍射图谱中的峰位置的数值,i为特征维度,以及峰位置的总数为50。
进一步的,计算并确定个体最优值,即初始粒子群中每个个体(粒子)分别在以往迭代过程中最优的位置,记为pbest,以及确定群体最优值,即所有个体(粒子)在以往迭代过程中最优的一个位置,记为gbest
在步骤S3中,通过上述不同的速度更新策略S来更新初始粒子群中每个个体的速度,并根据位置更新策略更新位置,这其中涉及的学习因子C和惯性因子ω会从上述在步骤S1配置的取值范围中随机选取。
在获得更新粒子群后首先判断一次当前的迭代次数是否达到最大附迭代次数,在本实施例中,设置最大附迭代次数与上述速度更新策略S的数量相等。如果判断结果为是则执行步骤S5,否则返回步骤S3直至迭代次数达到最大附迭代次数。
在步骤S5中,计算更新粒子群中每个个体的适应值,具体为工艺条件到X射线衍射图谱的映射模型的输出和预期分子筛的X射线衍射图谱表征的差值Error:
其中,output为工艺条件到X射线衍射图谱的映射模型的输出,setvalue为X射线衍射图谱中的峰位置的数值,i为特征维度,以及峰位置的总数为50。在获得更新粒子群中每个个体的适应值后,进一步确定在更新粒子群中的群体最优值和个体最优值。
可以理解的是,需要计算的粒子群数量为粒子群大小N(50)*速度更新策略S的数量值4。
步骤S6为判断当前迭代次数是否达到最大主迭代次数T,若达到则执行步骤S7根据在更新粒子群中的群体最优值和个体最优值输出符合预期表征的最优工艺条件,否则返回至步骤S3直至步骤S6中的判断结果为是。
在本实施例中,根据上述的流程操作最终在步骤S7输出的最优工艺条件为适应值最小的个体。但是本发明不以此为限。例如,在本发明的一些其他的实施例中,最优工艺条件可能是适应值最大的个体。
根据上述的流程操作,最终得到的各初始参数的最优选值结果如表1所示。
表1最优工艺条件的输出结果
通过上述的基于粒子群算法的分子筛工艺条件的生成方法,在传统粒子群算法的基础上加以改进,选择多个速度更新策略对初始粒子群中的个体进行速度更新,并在主迭代的循环流程中增加附迭代次数的判断,不仅可以简单方便的获取分子筛工艺条件,还使得最终输出的最优工艺条件更加符合分子筛的预期表征,从而有效提高了生成分子筛工艺条件的效率,降低了研发成本。
本发明的另一方面还提出了一种基于粒子群算法的分子筛工艺条件的生成系统,包括存储器,用于存储可由处理器执行的指令;以及处理器,用于执行指令以实现上述分子筛工艺条件的生成方法。
如图2所示,为本发明一实施例的一种基于粒子群算法的分子筛工艺条件的生成系统20的系统框图。
基于粒子群算法的分子筛工艺条件的生成系统20可包括内部通信总线21、处理器(Processor)22、只读存储器(ROM)23、随机存取存储器(RAM)24、以及通信端口25。当应用在个人计算机上时,分子筛工艺条件的生成系统20还可以包括硬盘26。
内部通信总线21可以实现基于粒子群算法的分子筛工艺条件的生成系统20组件间的数据通信。处理器22可以进行判断和发出提示。在一些实施例中,处理器22可以由一个或多个处理器组成。通信端口25可以实现分子筛工艺条件的生成系统20与外部的数据通信。在一些实施例中,分子筛工艺条件的生成系统20可以通过通信端口25从网络发送和接受信息以及数据。
基于粒子群算法的分子筛工艺条件的生成系统20还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘26,只读存储器(ROM)23和随机存取存储器(RAM)24,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器22所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给用户设备,在用户界面上显示。
本发明的另一方面还提供了一种存储有计算机程序代码的计算机可读介质,计算机程序代码在由处理器执行时实现上述分子筛工艺条件的生成方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
虽然本申请已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,在没有脱离本申请精神的情况下还可作出各种等效的变化或替换,因此,只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (14)
1.一种基于粒子群算法的分子筛工艺条件的生成方法,其特征在于,包括如下的步骤:
S1:配置合成分子筛的工艺条件的多个初始参数以及所述分子筛的预期表征,并配置算法参数;
S2:初始化粒子群以生成初始粒子群,并计算所述初始粒子群中每个个体的适应值,确定在所述初始粒子群中的群体最优值和个体最优值;
S3:根据至少两个速度更新策略和相应的学习因子和/或惯性因子、以及所述群体最优值和个体最优值对所述初始粒子群中每个个体进行速度更新,并根据位置更新策略对所述初始粒子群中每个个体进行位置更新,以获得更新粒子群;
S4:判断当前迭代次数是否达到最大附迭代次数,若判断结果为是则执行步骤S5,否则重新执行步骤S3~S4;
S5:计算所述更新粒子群中每个个体的适应值,并确定在所述更新粒子群中的群体最优值和个体最优值;以及
S6:判断当前迭代次数是否达到最大主迭代次数,若判断结果为是,则根据在所述更新粒子群中的群体最优值和个体最优值输出符合所述预期表征的最优工艺条件,否则,重新执行步骤S3~S6直至输出所述最优工艺条件。
2.如权利要求1所述的生成方法,其特征在于,在所述步骤S1中,所述工艺条件包括原材料、温度、搅拌速率和/或反应持续时间。
3.如权利要求2所述的生成方法,其特征在于,在所述步骤S1中,所述多个初始参数包括种类、数值上限和/或数值下限。
4.如权利要求1所述的生成方法,其特征在于,在所述步骤S1中,所述分子筛的预期表征包括X射线衍射图谱的表征。
6.如权利要求1所述的生成方法,其特征在于,在所述步骤S1中,所述算法参数包括最大主迭代次数T、粒子群大小N、速度更新策略S、学习因子C、惯性因子ω和位置更新策略L。
7.如权利要求6所述的生成方法,其特征在于,所述主迭代次数T为所述多个初始参数的数量值的10000倍,且所述粒子群大小N为50。
8.如权利要求6所述的生成方法,其特征在于,所述学习因子C的取值范围为0~10。
9.如权利要求6所述的生成方法,其特征在于,所述惯性因子ω的取值范围为0~1。
10.如权利要求6所述的生成方法,其特征在于,在所述步骤S3中,所述速度更新策略S的个数为4,分别为第一速度更新策略S1、第二速度更新策略S2、第三速度更新策略S3和第四速度更新策略S4,其中,所述第一速度更新策略S1为根据如下的方式计算速度
其中,为粒子群里第i个粒子在第t代的速度,为粒子群里第i个粒子在前t-1代中最好的位置,为前t-1代中粒子群里最优粒子所的位置,为粒子群第i个粒子在第t-1代的位置,rand()为取值(0,1)的随机数,C1、C2为学习因子;以及
12.如权利要求1所述的生成方法,其特征在于,在所述步骤S4中,所述最大附迭代次数为所述速度更新策略的数量。
13.一种基于粒子群算法的分子筛工艺条件的生成系统,包括:
存储器,用于存储可由处理器执行的指令;以及
处理器,用于执行所述指令以实现如权利要求1-12任一项所述的方法。
14.一种存储有计算机程序代码的计算机可读介质,所述计算机程序代码在由处理器执行时实现如权利要求1-12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559752.1A CN113158495B (zh) | 2021-05-21 | 2021-05-21 | 基于粒子群算法的分子筛工艺条件的生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559752.1A CN113158495B (zh) | 2021-05-21 | 2021-05-21 | 基于粒子群算法的分子筛工艺条件的生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158495A true CN113158495A (zh) | 2021-07-23 |
CN113158495B CN113158495B (zh) | 2024-04-26 |
Family
ID=76877118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110559752.1A Active CN113158495B (zh) | 2021-05-21 | 2021-05-21 | 基于粒子群算法的分子筛工艺条件的生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158495B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN112766452A (zh) * | 2021-01-05 | 2021-05-07 | 同济大学 | 一种双环境粒子群优化方法和系统 |
-
2021
- 2021-05-21 CN CN202110559752.1A patent/CN113158495B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
CN112766452A (zh) * | 2021-01-05 | 2021-05-07 | 同济大学 | 一种双环境粒子群优化方法和系统 |
Non-Patent Citations (1)
Title |
---|
王晓丽;张学良;温淑花;卢青波;: "一种改进的粒子群优化算法", 机械工程与自动化, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158495B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A surrogate-assisted multiswarm optimization algorithm for high-dimensional computationally expensive problems | |
Haktanirlar Ulutas et al. | A review of clonal selection algorithm and its applications | |
Das et al. | Particle swarm optimization and differential evolution algorithms: technical analysis, applications and hybridization perspectives | |
CN102591940B (zh) | 一种基于Map/Reduce的快速支持向量数据描述方法及系统 | |
CN103745482B (zh) | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 | |
CN116644804B (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
CN103971136A (zh) | 一种面向大规模数据的并行结构化支持向量机分类方法 | |
CN104698838B (zh) | 基于论域动态划分和学习的模糊调度规则挖掘方法 | |
CN113761026A (zh) | 基于条件互信息的特征选择方法、装置、设备和存储介质 | |
CN113158495A (zh) | 基于粒子群算法的分子筛工艺条件的生成方法和系统 | |
CN113222160B (zh) | 一种量子态的转换方法及装置 | |
CN111340950B (zh) | 数字高程模型重建方法及装置 | |
CN113127469A (zh) | 一种三相不平衡数据的缺失值的填补方法及系统 | |
Chen et al. | On balancing neighborhood and global replacement strategies in MOEA/D | |
CN113517034B (zh) | 分子筛工艺条件的生成方法和系统 | |
CN114400043B (zh) | 基于孪生神经网络的半监督宏基因组分箱方法 | |
CN113780334B (zh) | 基于两阶段混合特征选择的高维数据分类方法 | |
CN110472690B (zh) | 基于自适应模糊聚类的热电工业数据异常检测方法及系统 | |
CN114139482A (zh) | 一种基于深度度量学习的eda电路失效分析方法 | |
CN114511002A (zh) | 一种面向小样本数据的故障诊断方法及系统 | |
Kaur et al. | Gene selection for tumor classification using resilient backpropagation neural network | |
CN112750074B (zh) | 小样本图像特征增强方法及系统、图像分类方法及系统 | |
Saxena et al. | RG-GAN: Dynamic Regenerative Pruning for Data-Efficient Generative Adversarial Networks | |
CN113177604B (zh) | 一种基于改进l1正则化和聚类的高维数据特征选择方法 | |
CN116015787B (zh) | 基于混合持续变分量子神经网络的网络入侵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |