[发明专利]一种基于混合智能优化的光谱消光粒径分布反演方法

说明书

技术领域

本发明涉及一种基于混合智能优化的光谱消光法测量颗粒粒径分布的反演 方法，属于光散射测量领域，特指用于纳米至微米级颗粒系的粒度测量。

背景技术

在工农业生产和科学研究中很多原料和产品都是以粉体形态存在的，如水 泥、碳制品、药品制剂等，粉体技术涉及航空、冶金、环保、食品、气象等诸多 领域。粉体检测的第一指标是粒度，对颗粒粒径大小及其分布情况的准确快速测 量已成为实用测量领域一个重要的研究课题。

光谱消光法又称光全散射法，是光散射粒径测量技术中的一种，其测量原理 简单，测量方便，对仪器设备要求较低，已成为目前应用广泛的光学测量技术之 一。随着在线颗粒粒度监测需求的日益迫切，该方法已逐渐显示出较大发展空间 和应用潜力。

光谱消光粒径测量中涉及到从测量的多波长消光光谱到粒径分布的反问题 求解，即粒径分布反演。由于消光系数矩阵中核函数呈现剧烈振荡性，病态矩阵 的条件数很大，因此该类反演问题属于第一类Fredholm算子方程，具有不适定 性，难以得出准确的稳定解。反演算法是粒径分布重建的数据处理中涉及到的最 为重要的问题，发展准确快速的反演算法用于颗粒粒径测量一直是研究的热点问 题，受到国内外学者广泛的关注和重视。目前已经提出了多种反演算法，如松弛 迭代、Powell优化、Chahine迭代算法、Philip-Twomey算法、奇异值分解算法、 共轭梯度算法、遗传算法、模拟退火法等，每种算法有各自的应用背景和局限性。 目前还没有任何一种反演算法能够被证明优于其他所有反演算法。

人工蜂群算法(ArtificialBeeColony,ABC)于2005年由土耳其埃尔吉耶斯 大学Karaboga博士提出，是一种新兴的模拟蜜蜂群采蜜行为的随机群智能优化 算法。蜜蜂根据各自的不同分工完成不同的任务，并实现蜂群信息的共享和交流， 从而找到问题的最优解。ABC算法具有控制参数少、易于实现、计算简单、适 用范围广等优点，在信号处理、聚类分析、生产调度、燃料管理等许多领域得到 应用。但目前尚未有应用于粒度测量领域的相关报导。研究表明，ABC算法与 其他以种群为基础的智能优化算法如遗传算法、粒子群算法等相比在多变量函数 优化方面具有更优越的性能。然而，与其他群智能优化算法一样，ABC算法也 由于本身随机搜索的特性而导致其在复杂函数优化问题中存在着收敛速度慢的 问题，特别是在接近最优解的迭代后期更加明显。与ABC算法相比，模式搜索 (PatternSearch,PS)算法是一种不需要目标函数梯度信息的直接搜索技术。该 技术具有计算量小、搜索速度快等优点，特别适合于解决不规则、多参数及多目 标函数优化问题。但该方法需给定初始值，其收敛速度受初始点的影响严重。

发明内容

为了克服现有的光谱消光粒径分布反演方法的反演计算过程复杂、无法兼顾 反演精度和计算成本、无法适合于在线粒度测量的不足，本发明提供一种基于混 合智能优化的光谱消光法测量颗粒粒径分布反演方法，能有效简化反演计算过 程，更好平衡反演精度和计算成本，以期使光谱消光法更加适合于在线粒度测量。

本发明解决其技术问题所采用的技术方案是：

一种基于混合智能优化的光谱消光粒径分布反演方法，包括如下步骤：

步骤1：设置适合于消光法粒径分布测量的ABC算法的控制参数，所述控制 参数包括种群数SN、最大循环次数R_max和限定数Limit；定义光谱消光法粒径测 量范围的上下限D_max和D_min，定义粒径体积频度分布函数f(D)的上下限；

步骤2：ABC算法的寻优过程模拟蜜蜂寻找优质花蜜源的行为，根据分工的 不同将蜂群分为雇佣蜂、跟随蜂和侦察蜂；首先在搜索空间初始化蜜源位置即初 始化解空间，根据公式(1)评估解的目标函数并根据目标函数计算适应度值：