GLBest-PSO算法在热工过程模型参数辨识中的应用

郝 超，徐志成

(常州机电职业技术学院，江苏 常州213164)

1 引言

随着现代火力发电机组越来越向着大容量、多参数发展，热工过程自动控制在大型火电机组中的地位越来越重要。要定量、准确地分析设计热工过程控制系统，一定要建立被控对象的数学模型。传递函数是描述热工对象数学模型的一种方法，获得对象传递函数的方法有阶跃响应法、最小二乘法、极大似然法以及基于神经网络、遗传算法(Genetic Algorithm，GA)等智能算法［1-4］。但是，很多算法由于对输入信号有一定的要求或算法过于复杂，一直很难在实际中实施。

粒子群优化 (Particle Swarm Optimization，PSO)算法［5］由Kennedy等人于1995年提出，已经被证明是一种很好的优化方法。其概念简单、实现容易，已成为当前智能计算领域的研究热点之一。Eberhart等［6］通过对速度项引入惯性权重 w，并在进化过程中动态调整惯性权重以平衡收敛的全局性和收敛速度，得到了标准 PSO算法。Clerc［7］在进化方程中引入收缩因子来进一步增强算法的收敛性，同时可以放松对速度的限制。针对算法特点，很多学者还提出了其他一些改进的版本。其中，M.Senthil Arumugam提出了一种全局-局部参数最优粒子群优化(Global-Local Best PSO，GLBest-PSO)算法，增加了粒子的多样性，避免算法过早收敛，提高了算法搜索效率。本文将该算法应用于热工过程的模型建立中，进行了初步的应用研究。

2 基于全局-局部参数最优粒子群优化算法

2.1 标准PSO算法

PSO算法是一种新型的演化计算方法，其基本原理为［5-6］:D维空间中存在 m个粒子，每个粒子的坐标为 xi=(xi1，xi2，…，xiD)，并且具有与优化目标函数f(x)相关的适应度，同时每个粒子具有各自的速度 vi=(vi1，vi2，…，viD)。……