微粒群算法优化样本集在汽油调合设计中的应用

摘要

提出PSO-v-SVR方法建立计算机辅助调合汽油辛烷值预测模型的新思路,采用微粒群算法(PSO)对原始样本集随机抽样并加以优化获得优化的训练集,再以v-支持向量回归(v-SVR)对样本进行训练和预测。用PSO-v-SVR方法对某炼油厂的汽油调合生产数据进行研究,用选出的最佳训练集构成的模型对44组预测样进行预测,实测辛烷值与预测值误差绝对值AE≥0.3的样本数仅为16,平均绝对误差MAE=0.293；明显优于直接用全部原始样本作训练集建模AE≥0.3的样本数26个,MAE=0.366,以及按文献用前期80组样本作训练集建模AE≥0.3的样本数25个,MAE=0.350的预测结果。研究表明,本文的思路可以较大幅度提高模型预测准确性,在化工生产优化和软测量建模中具有推广应用价值。