CN113887692A - 一种基于群活性感知的受控微粒群的研究方法 - Google Patents
一种基于群活性感知的受控微粒群的研究方法 Download PDFInfo
- Publication number
- CN113887692A CN113887692A CN202111081861.3A CN202111081861A CN113887692A CN 113887692 A CN113887692 A CN 113887692A CN 202111081861 A CN202111081861 A CN 202111081861A CN 113887692 A CN113887692 A CN 113887692A
- Authority
- CN
- China
- Prior art keywords
- population
- cobalt
- algorithm
- particles
- group
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000694 effects Effects 0.000 title claims abstract description 38
- 238000011160 research Methods 0.000 title claims abstract description 5
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical class [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims abstract description 30
- 229910017052 cobalt Inorganic materials 0.000 claims abstract description 30
- 239000010941 cobalt Substances 0.000 claims abstract description 30
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 28
- 229910001429 cobalt ion Inorganic materials 0.000 claims abstract description 27
- XLJKHNWPARRRJB-UHFFFAOYSA-N cobalt(2+) Chemical compound [Co+2] XLJKHNWPARRRJB-UHFFFAOYSA-N 0.000 claims abstract description 27
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052725 zinc Inorganic materials 0.000 claims abstract description 9
- 239000011701 zinc Substances 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 230000033116 oxidation-reduction process Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 25
- 239000002562 thickening agent Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 10
- 229910052802 copper Inorganic materials 0.000 claims description 10
- 239000010949 copper Substances 0.000 claims description 10
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 claims description 9
- 229910001431 copper ion Inorganic materials 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 9
- 229910045601 alloy Inorganic materials 0.000 claims description 6
- 239000000956 alloy Substances 0.000 claims description 6
- 229910052785 arsenic Inorganic materials 0.000 claims description 6
- 229910052751 metal Inorganic materials 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 150000002739 metals Chemical class 0.000 claims description 6
- 239000002253 acid Substances 0.000 claims description 3
- 230000002378 acidificating effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 229910052793 cadmium Inorganic materials 0.000 claims description 3
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013078 crystal Substances 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000006479 redox reaction Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- NWONKYPBYAMBJT-UHFFFAOYSA-L zinc sulfate Chemical compound [Zn+2].[O-]S([O-])(=O)=O NWONKYPBYAMBJT-UHFFFAOYSA-L 0.000 claims description 3
- 229960001763 zinc sulfate Drugs 0.000 claims description 3
- 229910000368 zinc sulfate Inorganic materials 0.000 claims description 3
- 239000011859 microparticle Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 3
- 238000009854 hydrometallurgy Methods 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 241000272194 Ciconiiformes Species 0.000 description 1
- 241000272168 Laridae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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]
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B19/00—Obtaining zinc or zinc oxide
- C22B19/20—Obtaining zinc otherwise than by distilling
- C22B19/26—Refining solutions containing zinc values, e.g. obtained by leaching zinc ores
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B3/00—Extraction of metal compounds from ores or concentrates by wet processes
- C22B3/20—Treatment or purification of solutions, e.g. obtained by leaching
- C22B3/44—Treatment or purification of solutions, e.g. obtained by leaching by chemical processes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Organic Chemistry (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了一种基于群活性感知的受控微粒群的研究方法。本发明中，通过对湿法炼锌过程中砷盐除钴过程的流程的简单介绍，然后给出砷盐除钴过程中的经济指标。随后提出钴离子浓度是砷盐除钴过程的关键性能指标，从而提出建立氧化还原电位和砷盐除钴过程的关系，随后简单介绍了砷盐除钴过程中动力学模型构建，然后将问题转化为从开始时刻到t时刻，寻找一组最优的参数模型使得t时刻反应器出口钴离子浓度和实际值的偏差最小。然后通过使用标准微粒群算法和基于群活性的受控微粒群算法来分别进行参数辨识。然后通过对运行时间和精度的计算，将改进后的算法应用于工业过程中，将运行时间缩短和将精度提高。
Description
技术领域
本发明属于微粒群研究技术领域，具体为一种基于群活性感知的受控微粒群的研究方法。
背景技术
群体智能的概念起源于于对金枪鱼、海鸥、企鹅等群居生物群体行为的调查和研究。据此研究出了群体智能的概念：一种模拟群居性生物中的集体智能行为的智能计算或优化方法。严格来说，群体智能为受到自然界中的生物集体智能现象的影响而被提议的人工智能模型，基于单纯的生物集体智能出现的现象研究的具体模式，即“单纯的智能主体通过合作表现复杂的智能行为的特性”。微粒群算法是将鸟群的动态模型中的栖息地的问题与该问题空间中的可能性解相关联的计算方法,使该算法通过具有个体之间的传达信息的可能性而使整个种群向可能解的方向移动,从而使求解过程中要求有更好的解被发现的可能性会增加。相比于进化算法，PSO保留一种基于种群的全局探索战略，但其使用的模型操作简单，复杂计算操作被避免，是一种更高效的并行搜索算法。
但是PSO算法目前存在的主要问题有，容易过早收敛和容易局部最优，通过一定的求解方式来避免算法陷入过早收敛，但是收敛并不意味这算法找到了全局最优，因此算法存在容易陷入局部最优的问题，虽然有据此提出了各种解决方案，但是都是针对粒子群算法本身进行简单参数加减，并没有从根本上防止其陷入局部最优。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供一种基于群活性感知的受控微粒群的研究方法。
本发明采用的技术方案如下：一种基于群活性感知的受控微粒群的研究方法，所述一种基于群活性感知的受控微粒群的研究方法包括以下步骤：
S1:根据所求问题设置参数大小，设置迭代次数Nmax，精度要求ε，种群规模N，群活性百分比阈值ES％，分群比例α％，重新定位代数Ne，然后开始随机产生种群；
S2:用标准微粒群算法进行寻优，记录粒子个体和群体历史最优位置，若满足求解条件，则停止算法；
S3:当群活性开始下降时，小于初始群活性的ES％时，将其中一部分α％的粒子在当前位置继续寻优，将其他粒子重新定位在Ne代的个体最优位置以及种群最优位置；
S4:采用小生境微粒群算法进行寻优，然后记下其个体最优位置以及群体最优位置；
S5:将
代入到
中，同时由
得到PSO的二阶离散差分方程：
S6:令
则PSO的二阶离散差分方程式简化为：
其中
S7:根据
得知，粒子运动轨迹与
取值有关，通过对
求解，得到了PSO算法的收敛区间；
S8:根据收敛区间划分出5个不同特质取值特征区间，将这五个区域用数字1到5表示从区域1到5分别是：复对称振荡收敛区，实对称振荡收敛区，实数无振荡收敛区，实数不对称振荡收敛区，不收敛区；
S9:通过分别选取特征取值区间的几组数据，从而对特征区间粒子收敛性来验证粒子的收敛性；
S10:进行改进微粒群算法寻优测试，测试基于群活性的受控微粒群算法选取测试函数为Rastrigin function，选取十维空间，参数选取为ω＝0.729,c1＝c2＝1.495，迭代次数选取450次；
S11:之后进行砷盐除钴过程，取来若干个连续搅拌反应器和一个浓密机，在高温以及酸性条件下向反应器中添加锌粉和砷盐
S12:与除铜后液中的钴离子以及残留的铜离子在反应器中发生复杂的氧化还原反应，生成钴、砷、铜、锌等金属的合金；
S13:逐渐降低硫酸锌溶液中钴离子的浓度；钴、砷、铜、锌等金属的合金在浓密机中沉淀，作为有利于除钴反应的晶种从浓密机底流返回到1#反应器，浓密机溢流则被送往后续除镉工段；
S14:在生产现场，通常是选取特定时间点上对钴离子浓度进行化验；因此，在辨识参数的时候，一般选取t0和t为相邻的化验时刻，而c0和c(t)为相邻化验时刻的化验结果；
S15:由于对于待辨识参数是非线性的，且待辨识参数个数比较多，故选取微粒群算法进行参数辨识；参与辨识的数据一共有200组，其中150组用于辨识参数，50组用于测试参数辨识效果，优化算法的迭代次数为3000次，种群数量为200
在一优选的实施方式中，所述步骤S3中，当群活性小于阈值时，为聚类随机分配位置，同时更新粒子的个体最优位置以及群体最优位置，直到达到迭代次数为止。
在一优选的实施方式中，所述步骤S9中，通过求解函数Girewank，选取最大迭代次数为300次，维数设置为30维，粒子个数为30个，寻优精度目标要求为10-6。
在一优选的实施方式中，所述步骤S5中，二阶离散差分方程在 xi＝0时达到全局最小，当
函数达到局部最小；函数区间为-50≤xi≤50,i＝1,2,…30。
在一优选的实施方式中，所述步骤S11中，砷盐除钴过程中，每个反应器中溶液的温度通常维持在80±2℃；除铜后液的流量通常为 200～300m3/h，底流流量通常固定在80m3/h。
在一优选的实施方式中，所述步骤S12中，加入反应器的废酸流量通常固定为0.4m3/h,0.3m3/h,0.1m3/h,；除铜后液中的铜离子和钴离子浓度通常为150～300mg/L和15～35mg/L；锌粉粒级通常为40～180目。
在一优选的实施方式中，所述步骤S13中，除铜后液的铜离子和钴离子浓度每1个小时化验一次，反应器出口的钴离子浓度每2个小时化验一次，浓密机溢流的钴离子浓度每1个小时化验一次；每个反应器均装有氧化还原电位在线检测仪，底流的比重采用了比重计在线检测。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过标准微粒群算法的一阶速度位移迭代方程式然后推导出二阶差分方程的迭代公式，进而通过二阶差分方程对粒子稳定区间进行了计算，而后将稳定区间分为五个收敛区域，然后选取测试函数，在matlab中进行测试，可以看到在五个收敛区间，粒子的速度位移都成收敛趋势，选取不收敛区间发现粒子未收敛。说明了分析的正确性。然后在基于标准微粒群算法存在的基础上，从群能量的角度，不仅考虑了每维度的最优粒子，也对其他粒子的信息加以利用。据此提出了一种改进微粒群算法，采用具有环形拓补结构的小生境算法，以及全面学习微粒群算法，提出一种基于群活性的受控微粒群算法，并使用测试函数对改进算法进行测试，证明了改进算法相比标准微粒群算法，在一定程度上跳出了局部最优，找到了局部最优值以及全局最优值。
2、本发明中，通过对湿法炼锌过程中砷盐除钴过程的流程的简单介绍，然后给出砷盐除钴过程中的经济指标。随后提出钴离子浓度是砷盐除钴过程的关键性能指标，从而提出建立氧化还原电位和砷盐除钴过程的关系，随后简单介绍了砷盐除钴过程中动力学模型构建，然后将问题转化为从开始时刻到t时刻，寻找一组最优的参数模型使得 t时刻反应器出口钴离子浓度和实际值的偏差最小。然后通过使用标准微粒群算法和基于群活性的受控微粒群算法来分别进行参数辨识。然后通过对运行时间和精度的计算，将改进后的算法应用于工业过程中，将运行时间缩短和将精度提高。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
一种基于群活性感知的受控微粒群的研究方法，所述一种基于群活性感知的受控微粒群的研究方法包括以下步骤：
S1:根据所求问题设置参数大小，设置迭代次数Nmax，精度要求ε，种群规模N，群活性百分比阈值ES％，分群比例α％，重新定位代数Ne，然后开始随机产生种群；
S2:用标准微粒群算法进行寻优，记录粒子个体和群体历史最优位置，若满足求解条件，则停止算法；
S3:当群活性开始下降时，小于初始群活性的ES％时，将其中一部分α％的粒子在当前位置继续寻优，将其他粒子重新定位在Ne代的个体最优位置以及种群最优位置；步骤S3中，当群活性小于阈值时，为聚类随机分配位置，同时更新粒子的个体最优位置以及群体最优位置，直到达到迭代次数为止；
S4:采用小生境微粒群算法进行寻优，然后记下其个体最优位置以及群体最优位置；
S5:将
代入到
中，同时由
得到PSO的二阶离散差分方程：
步骤S5中，二阶离散差分方程在xi＝0时达到全局最小，当
函数达到局部最小；函数区间为 -50≤xi≤50,i＝1,2,…30；
S6:令
则PSO的二阶离散差分方程式简化为：
其中
S7:根据
得知，粒子运动轨迹与
取值有关，通过对
求解，得到了PSO算法的收敛区间；
S8:根据收敛区间划分出5个不同特质取值特征区间，将这五个区域用数字1到5表示从区域1到5分别是：复对称振荡收敛区，实对称振荡收敛区，实数无振荡收敛区，实数不对称振荡收敛区，不收敛区；
S9:通过分别选取特征取值区间的几组数据，从而对特征区间粒子收敛性来验证粒子的收敛性，步骤S9中，通过求解函数Girewank，选取最大迭代次数为300次，维数设置为30维，粒子个数为30个，寻优精度目标要求为10-6；
S10:进行改进微粒群算法寻优测试，测试基于群活性的受控微粒群算法选取测试函数为Rastrigin function，选取十维空间，参数选取为ω＝0.729,c1＝c2＝1.495，迭代次数选取450次；
S11:之后进行砷盐除钴过程，取来若干个连续搅拌反应器和一个浓密机，在高温以及酸性条件下向反应器中添加锌粉和砷盐；步骤 S11中，砷盐除钴过程中，每个反应器中溶液的温度通常维持在80 ±2℃；除铜后液的流量通常为200～300m3/h，底流流量通常固定在 80m3/h；
S12:与除铜后液中的钴离子以及残留的铜离子在反应器中发生复杂的氧化还原反应，生成钴、砷、铜、锌等金属的合金；步骤S12中，加入反应器的废酸流量通常固定为0.4m3/h,0.3m3/h,0.1m3/h,；除铜后液中的铜离子和钴离子浓度通常为150～300mg/L和15～35mg/L；锌粉粒级通常为40～180目；
S13:逐渐降低硫酸锌溶液中钴离子的浓度；钴、砷、铜、锌等金属的合金在浓密机中沉淀，作为有利于除钴反应的晶种从浓密机底流返回到1#反应器，浓密机溢流则被送往后续除镉工段；步骤S13中，除铜后液的铜离子和钴离子浓度每1个小时化验一次，反应器出口的钴离子浓度每2个小时化验一次，浓密机溢流的钴离子浓度每1个小时化验一次；每个反应器均装有氧化还原电位在线检测仪，底流的比重采用了比重计在线检测；通过对湿法炼锌过程中砷盐除钴过程的流程的简单介绍，然后给出砷盐除钴过程中的经济指标。随后提出钴离子浓度是砷盐除钴过程的关键性能指标，从而提出建立氧化还原电位和砷盐除钴过程的关系，随后简单介绍了砷盐除钴过程中动力学模型构建，然后将问题转化为从开始时刻到t时刻，寻找一组最优的参数模型使得t时刻反应器出口钴离子浓度和实际值的偏差最小。然后通过使用标准微粒群算法和基于群活性的受控微粒群算法来分别进行参数辨识。然后通过对运行时间和精度的计算，将改进后的算法应用于工业过程中，将运行时间缩短和将精度提高；
S14:在生产现场，通常是选取特定时间点上对钴离子浓度进行化验；因此，在辨识参数的时候，一般选取t0和t为相邻的化验时刻，而c0和c(t)为相邻化验时刻的化验结果；
S15:由于对于待辨识参数是非线性的，且待辨识参数个数比较多，故选取微粒群算法进行参数辨识；参与辨识的数据一共有200组，其中150组用于辨识参数，50组用于测试参数辨识效果，优化算法的迭代次数为3000次，种群数量为200，通过标准微粒群算法的一阶速度位移迭代方程式然后推导出二阶差分方程的迭代公式，进而通过二阶差分方程对粒子稳定区间进行了计算，而后将稳定区间分为五个收敛区域，然后选取测试函数，在matlab中进行测试，可以看到在五个收敛区间，粒子的速度位移都成收敛趋势，选取不收敛区间发现粒子未收敛。说明了分析的正确性。然后在基于标准微粒群算法存在的基础上，从群能量的角度，不仅考虑了每维度的最优粒子，也对其他粒子的信息加以利用。据此提出了一种改进微粒群算法，采用具有环形拓补结构的小生境算法，以及全面学习微粒群算法，提出一种基于群活性的受控微粒群算法，并使用测试函数对改进算法进行测试，证明了改进算法相比标准微粒群算法，在一定程度上跳出了局部最优，找到了局部最优值以及全局最优值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述一种基于群活性感知的受控微粒群的研究方法包括以下步骤：
S1:根据所求问题设置参数大小，设置迭代次数Nmax，精度要求ε，种群规模N，群活性百分比阈值ES％，分群比例α％，重新定位代数Ne，然后开始随机产生种群；
S2:用标准微粒群算法进行寻优，记录粒子个体和群体历史最优位置，若满足求解条件，则停止算法；
S3:当群活性开始下降时，小于初始群活性的ES％时，将其中一部分α％的粒子在当前位置继续寻优，将其他粒子重新定位在Ne代的个体最优位置以及种群最优位置；
S4:采用小生境微粒群算法进行寻优，然后记下其个体最优位置以及群体最优位置；
S5:将
代入到
中，同时由
得到PSO的二阶离散差分方程：
S6:令
则PSO的二阶离散差分方程式简化为：
其中
S7:根据
得知，粒子运动轨迹与
取值有关，通过对
求解，得到了PSO算法的收敛区间；
S8:根据收敛区间划分出5个不同特质取值特征区间，将这五个区域用数字1到5表示从区域1到5分别是：复对称振荡收敛区，实对称振荡收敛区，实数无振荡收敛区，实数不对称振荡收敛区，不收敛区；
S9:通过分别选取特征取值区间的几组数据，从而对特征区间粒子收敛性来验证粒子的收敛性；
S10:进行改进微粒群算法寻优测试，测试基于群活性的受控微粒群算法选取测试函数为Rastrigin function，选取十维空间，参数选取为ω＝0.729,c1＝c2＝1.495，迭代次数选取450次；
S11:之后进行砷盐除钴过程，取来若干个连续搅拌反应器和一个浓密机，在高温以及酸性条件下向反应器中添加锌粉和砷盐；
S12:与除铜后液中的钴离子以及残留的铜离子在反应器中发生复杂的氧化还原反应，生成钴、砷、铜、锌等金属的合金；
S13:逐渐降低硫酸锌溶液中钴离子的浓度；钴、砷、铜、锌等金属的合金在浓密机中沉淀，作为有利于除钴反应的晶种从浓密机底流返回到反应器，浓密机溢流则被送往后续除镉工段；
S14:在生产现场，通常是选取特定时间点上对钴离子浓度进行化验；因此，在辨识参数的时候，一般选取t0和t为相邻的化验时刻，而c0和c(t)为相邻化验时刻的化验结果；
S15:由于对于待辨识参数是非线性的，且待辨识参数个数比较多，故选取微粒群算法进行参数辨识；参与辨识的数据一共有200组，其中150组用于辨识参数，50组用于测试参数辨识效果，优化算法的迭代次数为3000次，种群数量为200。
2.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S3中，当群活性小于阈值时，为聚类随机分配位置，同时更新粒子的个体最优位置以及群体最优位置，直到达到迭代次数为止。
3.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S9中，通过求解函数Girewank，选取最大迭代次数为300次，维数设置为30维，粒子个数为30个，寻优精度目标要求为10-6。
4.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S5中，二阶离散差分方程在xi＝0时达到全局最小，当
函数达到局部最小；函数区间为-50≤xi≤50,i＝1,2,…30。
5.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S11中，砷盐除钴过程中，每个反应器中溶液的温度通常维持在80±2℃；除铜后液的流量通常为200～300m3/h，底流流量通常固定在80m3/h。
6.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S12中，加入反应器的废酸流量通常固定为0.4m3/h,0.3m3/h,0.1m3/h,；除铜后液中的铜离子和钴离子浓度通常为150～300mg/L和15～35mg/L；锌粉粒级通常为40～180目。
7.如权利要求1所述的一种基于群活性感知的受控微粒群的研究方法，其特征在于：所述步骤S13中，除铜后液的铜离子和钴离子浓度每1个小时化验一次，反应器出口的钴离子浓度每2个小时化验一次，浓密机溢流的钴离子浓度每1个小时化验一次；每个反应器均装有氧化还原电位在线检测仪，底流的比重采用了比重计在线检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111081861.3A CN113887692A (zh) | 2021-09-15 | 2021-09-15 | 一种基于群活性感知的受控微粒群的研究方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111081861.3A CN113887692A (zh) | 2021-09-15 | 2021-09-15 | 一种基于群活性感知的受控微粒群的研究方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887692A true CN113887692A (zh) | 2022-01-04 |
Family
ID=79009390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111081861.3A Pending CN113887692A (zh) | 2021-09-15 | 2021-09-15 | 一种基于群活性感知的受控微粒群的研究方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887692A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102732723A (zh) * | 2012-06-20 | 2012-10-17 | 中南大学 | 一种锌湿法冶炼砷盐净化除钴过程废酸添加控制方法 |
| US9336480B1 (en) * | 2004-08-14 | 2016-05-10 | Hrl Laboratories, Llc | Self-aware swarms for optimization applications |
| 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 |
| CN108256623A (zh) * | 2017-12-26 | 2018-07-06 | 浙江大学昆山创新中心 | 基于周期交互机制和知识板协同机制的多种群微粒群算法 |
| CN113065631A (zh) * | 2021-03-24 | 2021-07-02 | 安徽铜冠铜箔集团股份有限公司 | 一种基于改进竞争群算法的参数优化方法 |
-
2021
- 2021-09-15 CN CN202111081861.3A patent/CN113887692A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9336480B1 (en) * | 2004-08-14 | 2016-05-10 | Hrl Laboratories, Llc | Self-aware swarms for optimization applications |
| CN102732723A (zh) * | 2012-06-20 | 2012-10-17 | 中南大学 | 一种锌湿法冶炼砷盐净化除钴过程废酸添加控制方法 |
| 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 |
| CN108256623A (zh) * | 2017-12-26 | 2018-07-06 | 浙江大学昆山创新中心 | 基于周期交互机制和知识板协同机制的多种群微粒群算法 |
| CN113065631A (zh) * | 2021-03-24 | 2021-07-02 | 安徽铜冠铜箔集团股份有限公司 | 一种基于改进竞争群算法的参数优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙备;王雅琳;桂卫华;阳春华;何明芳;: "具有群活性感知的自适应微粒群算法", 控制理论与应用, no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm | |
| Li et al. | A hybrid teaching-learning artificial neural network for building electrical energy consumption prediction | |
| US20220301658A1 (en) | Machine learning driven gene discovery and gene editing in plants | |
| CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
| CN106372739B (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
| Chowdhury et al. | Adaptive regulatory genes cardinality for reconstructing genetic networks | |
| CN111008685A (zh) | 基于生产者依概率反向再生机制的改进人工生态系统优化算法 | |
| CN109359320A (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
| CN110390132B (zh) | 基于过程状态空间的有色冶金单元工序数字化和建模方法 | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
| Castanho et al. | Method for SoC estimation in lithium-ion batteries based on multiple linear regression and particle swarm optimization | |
| Zhang et al. | Approximate simulation budget allocation for subset ranking | |
| CN111915097A (zh) | 基于改进遗传算法优化lstm神经网络的水质预测方法 | |
| Li et al. | Handling dynamic multiobjective optimization problems with variable environmental change via classification prediction and dynamic mutation | |
| Khan et al. | Comparison of electric vehicle load forecasting across different spatial levels with incorporated uncertainty estimation | |
| Moretti et al. | An innovative tunable rule-based strategy for the predictive management of hybrid microgrids | |
| CN113887692A (zh) | 一种基于群活性感知的受控微粒群的研究方法 | |
| Liang et al. | Assessment analysis and forecasting for security early warning of energy consumption carbon emissions in Hebei Province, China | |
| Wu et al. | Applications of AI techniques to generation planning and investment | |
| CN112488399A (zh) | 电力负荷预测方法及装置 | |
| Zhang et al. | A parallel hybrid evolutionary particle filter for nonlinear state estimation | |
| Johansen et al. | Broiler slaughter weight forecasting using dynamic neural network models | |
| Dong et al. | The hybrid method based on ant colony optimization algorithm in multiple factor analysis of the environmental impact of solar cell technologies | |
| Hailong et al. | Data fusion method for temperature monitoring of bio-oxidation with wireless sensor networks | |
| Tang et al. | Gene regulatory network construction based on a particle swarm optimization of a long short-term memory network |
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 |