[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

摘要

一种基于混合智能优化的光谱消光粒径分布反演方法，考虑到ABC算法具有较好的全局搜索能力而局部搜索能力较弱的特点，在每次ABC算法优化后期，选出其最优解作为PS算法的初始值，再进一步进行优化，这样可将ABC的强鲁棒性和PS算法的快速性充分结合，因而能够实现粒径分布准确快速反演；充分发挥ABC算法较强的全局搜索能力和鲁棒性以及PS算法的快速高效等优势。本发明方法能有效简化反演计算过程，具有较高的反演精度，可有效平衡反演的准确度和计算时间，在粒径分布重建中显示了较好的抗干扰性和可行性。

主权项

一种基于混合智能优化的光谱消光粒径分布反演方法，其特征在于：所述方法包括如下步骤：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：式中，ln(I/I₀)_mea，ln(I/I₀)_ret分别为测量和重建的消光值；L为光程；N_D为待测颗粒系颗粒总数；c_j为数值积分系数；N为整个待测粒径范围内划分的粒径分档数；D_j为各分档的等效粒径；Q_ext(λ,m,D)为颗粒消光系数，表征单颗粒对入射光的散射量和吸收量之和，是颗粒粒径D，波长λ以及颗粒相对折射率m的函数，其精确值可由经典Mie理论计算得到；f(D)为颗粒系体积频度分布函数，是粒径测量中待求的未知量；步骤3：种群中适应度值较小的一半个体构成雇佣蜂，另一半个体构成跟随蜂种群，雇佣蜂对相应蜜源位置x_ij邻域搜索，根据公式(2)随机生成新候选个体v_ij，并对新个体依据公式(1)进行适应度评价，依据贪婪选择法则，选择适应度值较优的个体进行雇佣蜂种群的更新：v_ij＝x_ij+φ_ij(x_ij‑x_kj)   (2)式中，φ_ij是[‑1,1]范围内的随机数,x_kj为蜜源位置x_ij的邻域位置；步骤4：由新个体的适应度值根据公式(3)计算其选择概率，跟随蜂依据概率，选择质量较为优秀的个体进行局部搜索，每次搜索均采用轮盘赌选择方式；并在该蜜源位置的邻域继续按式(2)产生新个体，评价新个体的适应度，依据贪婪选择法则选择较优的新个体进行跟随蜂种群的更新：$\mathrm{Pr}ob\left(i\right)=\frac{{\mathrm{Fit}}_i}{{\mathrm{\Σ}}_{i=1}^{SN}{\mathrm{Fit}}_i}---\left(3\right)$式中，Prob表示概率值，Fit为适应度；步骤5：结合步骤3和步骤4中个体迭代构成迭代种群，判断是否存在需要放弃的解，即是否发生侦察蜂行为，如果满足条件，则使对应的雇佣蜂成为侦察蜂，并按照公式(4)重新随机搜索蜜源：$x_{ij}=x_j^{lower}+rand\[0,1\]*(x_j^{upper}-x_j^{lower})---\left(4\right)$式中，与分别为蜜源位置的预设上下限；步骤6：判断是否达到ABC算法的迭代次数和Limit设定次数，如果未达到则转入步骤3执行；否则执行步骤7；步骤7：记录下步骤6中最优解并选择其作为PS算法的初始值y(1)＝f(1)＝f₀，进行PS算法初始化，定义网孔尺寸δ，扩张因子α，收缩因子β以及容限误差ε。定义N维坐标轴e₁,e₂,…,e_N.；步骤8：将当前点沿轴向的单位正交向量做变步长探索移动，产生新位置(y(k)±δe_i)，评估新坐标点的目标函数并与原位置函数进行比较，如果则模式探测成功，更新新坐标点y(k+1)＝y(k)±δe_i，否则将原位置点保留y(k+1)＝y(k)；步骤9：根据步骤8结果更新网孔尺寸和搜索模式，如果搜索成功则扩展步长尺寸，否则缩减步长尺寸，转至步骤8以(y(k+1))为新初始点重复计算直到满足PS算法的停止条件；步骤10：判断ABC算法是否满足多次循环终止条件，如果达到ABC算法的循环次数R_max，则停止全部重建过程，计算多次循环的粒径分布平均反演结果f(D)并进行显示输出，否则，增加运行次数，转至步骤2执行。