改进的粒子群优化算法及其在石油性质预测中的应用

《改进的粒子群优化算法及其在石油性质预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要在石油化工领域，随着竞争的加剧和企业对经济效益的不断追求，如何利用已有的信息准确预测石油性质，已经成为一个值得研究的问题。人工神经网络(ANN)模仿人脑结构及智能行为，具有并行处理、自组织、自适应等特性，是一种强大的非线性建模手段，目前已在石油性质预测领域得到了应用，但是由于传统人工神经网络自身存在的局限性，对石油性质预测的精度和泛化能力有待于迸一步提高。粒子群优化算法(PSO)源于对鸟群捕食行为的研究，是一种基于群体智能的演化计算技术。由于它具有较强的全局搜索能力，较少的参数设置，简单容易实现，所以一经提出，

2、就引起了许多学者的关注，并得到了迅速的发展，目前，该算法已成功应用于函数优化、神经网络训练、模式识别、模糊系统控制等诸多领域。针对PSO存在易陷入局部极值、进化后期收敛速度缓慢的缺点，提出一种基于速度夹角的粒子群协同优化算法(V-PSCO)，并且引入了一种基于柯西分布的累积分布函数的惯性权重调整策略。用两个典型测试函数的优化问题测试V-PSCO，实验结果表明，V-PSCO优化性能明显提高。将V．PSCO引入神经网络，优化连接权值和阈值，给出了优化过程的原理和流程。用基于Vopsco的神经网络建立石油性质的预测模型，

3、实验结果表明，与传统BP算法和标准粒子群优化算法(SPSO)相比，基于V-PSCO神经网络模型预测精度更高，泛化性能更好，为准确预测石油性质提供了一种有效的方法。关键词：粒子群优化，测试函数，神经网络，石油性质，预测模型ImprovedParticleSwarmOptimizationAlgorithmandItsApplicationtoPredictingPetroleumPropertiesSongYongqiang(ControlTheoryandControlEngineering)DirectedbyP

4、ro￡XiaBokaiAbstractInthefieldofpetrochemicalindustry，asthemarketcompetitionbetweenenterprisesissevereandtheycontinuouslypursueeconomicefficiency，it’Sveryworthytopredictpetroleumpropertiesaccuratelybasedonnearinflateddatainproduction．Artificialneuralnetwork(ANN

5、)callsimulatethestructureofhumanbrainandintelligentbehavior,andhasthepropertyofparallelprocess，self-organization,self-adaptationandSOon．Itisallimportantmeansofnonlinearmodeling．Atpresent,theANNhasbeenapplicationinpredictionforpetroleumproperties．Butduetoitsinh

6、erentimperfections，theprecisionofpredictionandgeneralizationoftraditionalANNforpetroleumpropertiesneedtobeimproved．ParticleSwarmOptimization(PSO)algorithmisanevolutionarycomputationtechniquebasedonffWarlnintelligenceoptimizationalgorithm,whichwasinspiredbysoci

7、albehaviorofbirdflocking．Becauseofitsstrongabilityto酉obalsearch，lessparametersandsimplicity，itsmuchattentionhasgainedsinceitisproposed,andalotofPSOalgorithmsaredevelopedrapidly．UptiUnow,thesealgorithmshavebeensuccessfullyappliedinmanyareassuchasfunctionoptimiz

8、ation,neutralnetworktraining，modelidentification,fuzzysystemcontrol，etc．Aimingatthedisadvantageofthesealgorithmsthatareeasilytrappedinthelocaloptimizationandconvergencespeedisslowi