变异PSO算法协同神经元网络在轧制力预报中的应用

钢铁研究学报, 2007, 19(12): 56-59.

变异PSO算法协同神经元网络在轧制力预报中的应用

丁敬国 ^1, , 胡贤磊 ^2, , 焦景民 ^3, , 佘广夫 ^4, , 刘相华 ^5,

1.东北大学轧制技术及连轧,自动化国家重点实验室,辽宁,沈阳,110004

2.东北大学轧制技术及连轧,自动化国家重点实验室,辽宁,沈阳,110004

3.东北大学轧制技术及连轧,自动化国家重点实验室,辽宁,沈阳,110004;攀枝花新钢钒股份有限公司,四川,攀枝花,617062

4.东北大学轧制技术及连轧,自动化国家重点实验室,辽宁,沈阳,110004;攀枝花新钢钒股份有限公司,四川,攀枝花,617062

5.东北大学轧制技术及连轧,自动化国家重点实验室,辽宁,沈阳,110004

基金项目: 国家自然科学基金(50104004)

关键词：粒子群算法 , 神经元网络 , BP算法

Application of Adaptive Mutation PSO With Neural Networks to Rolling Force Prediction

为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO)-神经元网络早熟收敛问题,采用一种自适应变异的粒子群优化算法训练神经元网络,根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数,按照权重梯度方向进行变异操作,并首次将该方法应用到热连轧机组轧制力预报中.通过攀钢热轧板厂现场数据运算表明,该方法的预报误差平均值比传统数学模型低1.65%,比BP神经元网络低0.55%,收敛速度比BP神经元网络提高了约1/4,为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法.

参考文献

[1]	王国栋;刘相华.金属轧制过程人工智能优化[M].北京:冶金工业出版社,2000
[2]	Gabriela Ciuprina;Daniel Ioan;Irina Munteanu .Use of intelligent-particle swarm optimization in electromagnetics[J].IEEE Transactions on Magnetics,2002(2 Pt.1):1037-1040.
[3]	Shi Y;Eberhart R C .Empirical Study of Particle Swarm Optimization[J].IEEE Transactions on Evolutionary Computation,1999,3(02):1950-1954.
[4]	Nicklaus F. Portmann;Dieter Lindhoff;Gunter Sorgel;Otto Gramckow .Application of neural networks in rolling mill automation[J].Iron and Steel Engineer,1995(2):33-36.
[5]	Clerc M;Kennedy J .Particle Swarm-Explosion,Stability and Convergence in a Multidimensional Complex Space[J].IEEE Transactions on Evolutionary Computation,2002,6(01):44-46.
[6]	王建辉,徐林,闫勇亮,顾树生.改进粒子群算法及其对热连轧机负荷分配优化的研究[J].控制与决策,2005(12):1379-1383.
[7]	吕振肃,侯志荣.自适应变异的粒子群优化算法[J].电子学报,2004(03):416-420.

上一张下一张

计量

下载量()
访问量()

作者相关

文章评分

您的评分：
1

0%
2

0%
3

0%
4

0%
5

0%

材料期刊网