[发明专利]基于粒子群算法的分子筛工艺条件的生成方法和系统

说明书

本发明提供了一种基于粒子群算法的分子筛工艺条件的生成方法和系统。方法包括如下的步骤：S1：配置合成分子筛的工艺条件的多个初始参数以及所述分子筛的预期表征，并配置算法参数；S2：初始化粒子群以生成初始粒子群，并计算所述初始粒子群中每个个体的适应值，确定群体最优值和个体最优值；S3：更新速度和位置，获得更新粒子群；S4：判断当前迭代次数是否达到最大附迭代次数；S5：计算更新粒子群中每个个体的适应值并选择最优值；以及S6：判断当前迭代次数是否达到最大主迭代次数直至输出所述最优工艺条件。本发明的一种基于粒子群算法的分子筛工艺条件的生成方法和系统可以方便高效地获得符合预期的分子筛工艺条件。

技术领域

本发明主要涉及分子筛工艺领域，尤其涉及一种基于粒子群算法的分子筛工艺条件的生成方法和系统。

背景技术

分子筛常用在石油化工等领域，其特定的结构具有吸附、分离、催化等性能，可用于分离空气制氧等，外加其成本低廉与环保的特性，具有重大的实用价值。其中，分子筛合成的工艺条件对形成特定的分子筛具有重要意义。传统的对分子筛合成的工艺条件的探索，仅依靠专家经验，通过不断的实际实验进行验证和总结归纳。这种方式虽然只依靠尝试、构思简单，但是耗时较长、成本高且效率低下。

发明内容

本发明要解决的技术问题是提供一种基于粒子群算法的分子筛工艺条件生成方法和系统，可以方便高效地获得符合预期的分子筛工艺条件。

为解决上述技术问题，本发明提供了一种基于粒子群算法的分子筛工艺条件的生成方法，包括如下的步骤：S1：配置合成分子筛的工艺条件的多个初始参数以及所述分子筛的预期表征，并配置算法参数；S2：初始化粒子群以生成初始粒子群，并计算所述初始粒子群中每个个体的适应值，确定在所述初始粒子群中的群体最优值和个体最优值；S3：根据至少两个速度更新策略和相应的学习因子和/或惯性因子、以及所述群体最优值和个体最优值对所述初始粒子群中每个个体进行速度更新，并根据位置更新策略对所述初始粒子群中每个个体进行位置更新，以获得更新粒子群；S4：判断当前迭代次数是否达到最大附迭代次数，若判断结果为是则执行步骤S5，否则重新执行步骤S3～S4；S5：计算所述更新粒子群中每个个体的适应值，并确定在所述更新粒子群中的群体最优值和个体最优值；以及S6：判断当前迭代次数是否达到最大主迭代次数，若判断结果为是，则根据在所述更新粒子群中的群体最优值和个体最优值输出符合所述预期表征的最优工艺条件，否则，重新执行步骤S3～S6直至输出所述最优工艺条件。

在本发明的一实施例中，在所述步骤S1中，所述工艺条件包括原材料、温度、搅拌速率和/或反应持续时间。

在本发明的一实施例中，在所述步骤S1中，所述多个初始参数包括种类、数值上限和/或数值下限。

在本发明的一实施例中，在所述步骤S1中，所述分子筛的预期表征包括X射线衍射图谱的表征。

在本发明的一实施例中，在所述步骤S2中，所述初始粒子群中每个个体的适应值体现为差值Error：

其中，output为所述工艺条件到所述X射线衍射图谱的映射模型的输出，setvalue为所述X射线衍射图谱中的峰位置的数值，i为特征维度，以及num为所述峰位置的总数。

在本发明的一实施例中，在所述步骤S1中，所述算法参数包括最大主迭代次数T、粒子群大小N、速度更新策略S、学习因子C、惯性因子ω和位置更新策略L。

在本发明的一实施例中，所述主迭代次数T为所述多个初始参数的数量值的10000倍，且所述粒子群大小N为50。

在本发明的一实施例中，所述学习因子C的取值范围为0～10。

在本发明的一实施例中，所述惯性因子ω的取值范围为0～1。