前言：尋找寫作靈感？中文期刊網用心挑選的PSO-ANN在工業和工程領域運用，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
［提要］介紹人工神經網絡、粒子群優化算法、人工神經網絡-粒子群優化算法及相關研究。綜述人工神經網絡-粒子群優化算法在化工工程、機械工程、信息工程、建筑工程、水利工程、電氣工程、通信工程、工業機器人、飛機制造業、工業過程優化等工業工程領域的研究。評述人工神經網絡與粒子群優化交叉算法在工業工程領域中的研究前景及經濟價值。
關鍵詞：人工神經網絡；粒子群優化；工業工程；經濟價值；綜述
近年來，人工智能、大數據、物聯網和云計算的發展迅速，人工神經網絡-粒子群優化算法可以在眾多領域中應用，達到減少人力、物力，節約資源的效果。同時，人工神經網絡-粒子群優化算法在眾多工業與工程領域中也有了一定的應用，在工業與工程產業中產生了一定的經濟價值。
一、人工神經網絡
人工神經網絡（ANN）是可用于處理實際問題的網絡結構。雖然人腦和人工神經網絡這兩個應用程序都具有極其強大的信息處理能力，但仍然具有許多差異。Deepmin最初是由DemisHassabis，MustafaSu－leyma和ShaneLegg創立的，在AlphaGo（阿爾法圍棋）擊敗了圍棋世界冠軍李世石后，逐漸得到人們的認可，也表明人工神經網絡具有巨大的潛力。與人腦處理信息的方式不同，人工神經網絡開發的機器人采用線性思維方式對獲取的信息進行處理，與計算機進行通信，在串行算術任務中快速準確的順序數值運算處理比人類更多。但人腦的“并行處理系統”相對人工神經網絡具有絕對領先的能力。近年來，隨著人工智能領域的發展，人工神經網絡也進入研究者的視野，實現了不同程度的融合發展。雖然目前人工神經網絡被廣泛使用，但仍然面臨著許多問題，在解決實際工業與工程領域問題時，需要結合其他算法進行優化。
二、粒子群優化算法
Kennedy和Eberhart共同提出粒子群優化（PSO）。VandenBerghF從理論角度對PSO算法的穩定性和收斂性進行分析和證明。2002年，Cello與Lechuga正式發表多目標粒子群優化算法的成果，用粒子群算法求解多目標優化問題，稱為粒子群（MOPSO）算法。PSO算法中，將鳥群的個體位置或食物當作優化問題的解，利用群體中個體與最優個體以及群體之間的信息交互，引導整個群體中個體在保留自身多樣性信息的同時，朝向群體最優個體收斂，通過不斷地更新逐漸找到最優解。鳥群中個體被抽象為“粒子”，忽略其質量、體積，拓撲結構決定了每次迭代時“粒子”受到自身和群體狀態信息的綜合影響，即粒子的更新機制是通過種群歷史最優粒子和個體歷史最優粒子的有機結合得到的。
三、人工神經網絡-粒子群優化算法在工程領域中的研究與應用
目前，人工神經網絡-粒子群優化算法的優勢明顯在化工工程、機械工程、信息工程、建筑工程、水利工程、電氣工程、工業機器人、飛機制造業、工業過程優化等眾多工業與工程領域得到了廣泛的應用，并且產生了一定的經濟價值。
（一）化工工程領域。田景芝等針對柴油加氫脫硫生產過程中工藝參數和產品質量難以準確控制的問題，提出了一種粒子群優化（PSO-BP）神經網絡，選取生產過程中波動的工藝參數構建培訓，對于樣品采集和測試樣品采集，采用（PSO-BP）神經網絡預測生產操作參數變化時精制柴油產品硫含量的變化。實驗結果表明，（PSO-BP）具有良好的穩定性和泛化能力，能準確預測生產運行參數的變化。李孟山為了提高溶出度預測模型的效率和相關性，建立了基于混沌理論、自適應粒子群優化（PSO）算法和反向傳播（BP）算法的算法———混沌自適應PSO-BP神經網絡模型，進行預測實驗，該模型使用壓力和溫度作為輸入參數，模型結合了混沌理論、自適應PSO和BP算法的優點，提高了訓練速度和預測精度。結果表明，混沌自適應PSO-BP神經網絡具有良好的預測能力，預測值與實驗值相當吻合，通過與傳統BP神經網絡和PSO-BP神經網絡的對比可以看出，其預測是準確的且度和相關性明顯更好。顏菲建立了基于粒子群優化的人工神經網絡預測模型，將工藝參數作為輸入變量，并將使用單因素檢驗得到的鎳鐵合金鍍層性能指標為輸出變量，粒子群算法優化人工神經網絡預測模型，結果表明粒子群優化的人工神經網絡預測模型具有更高的預測精度。
（二）機械工程領域。李琪提出一種人工智能算法和BP神經網絡結合的鉆井機械化預測模型。首先，利用小波濾波方法降低測量數據的噪聲，并基于互信息關系組合分析優化輸入參數以減少模型冗余；其次，采用粒子群優化（PSO）算法實現BP神經網絡的初始加權值和閾值優化，建立ROP預測新模型，將PSO-BP新模型與標準BP、BAS-BP和GA（遺傳算法）-BP等三種模型進行對比分析；最后，根據實際工況建立PSO-BP鉆井ROP預測模型。結果表明，PSO-BPROP預測模型不僅具有較好的預測精度，而且為鉆進過程中提高機械鉆速提供科學的參考。周家林利用粒子群算法開發了鉆孔加工尺寸誤差的人工神經網絡預測模型，實驗表明與誤差反向傳播算法（BP）相比，粒子群算法優化了神經網絡，具有更快的收斂速度和更高的預測精度。
（三）信息工程領域。余華提出了一種基于粒子群優化算法的人工神經網絡，并將其應用于語音情感識別系統。情感的維度模型間，分別提取韻律特征和音質特征，研究泛音特征隨情感類別的變化。使用粒子群優化算法（PSO）訓練隨機生成的初始數據，優化神經網絡的連接權重和閾值，快速實現網絡收斂。粒子群優化神經網絡用于語音情感識別提高了識別性能。
（四）建筑工程領域。李天翔為了快速準確地預測隧洞的造價，建立粒子群-小波神經網絡的預測模型。針對小波神經網絡容易陷入局部最優區和初始值選擇較敏感的問題，利用粒子群算法優化其初始權值和閾值，加快小波神經網絡的收斂速度，將模型應用于某隧洞的造價預測中，表明模型滿足工程建設前期造價預測的精度要求，計算較簡便效率較高。段曉晨收集了以往類似的橋梁建筑工程案例33個，利用PSO聚類分析選取了25個與張家莊大橋工程特征相似度高的案例，應用到BP神經網絡運維成本預測模型中，取得了較好的效果；利用PDCA動態周期優化理論和EVM管理理論，對張家莊大橋前兩個周期的運維成本進行預測、統計和分析，及時發現問題并糾正偏差，在實際應用中取得了良好的效果。
（五）水利工程領域。何勝男采用SWMMH模型進行模擬分析，根據地表徑流污染物的累積特性，利用人工神經網絡得到各儲罐不同截留率與對應總截留量之間的高精度非線性數，優化目標是使儲罐總截污能力最大化，污水處理廠的處理規模和可征地面積是約束條件。粒子群優化算法得到優化后的各儲罐污染截留率，結合各儲罐截污率與累計徑流量的關系，得到各儲罐的計算結果，可以在約束條件下達到最大的污染截留效果。在土地利用率和污染截留效果方面，按提出的方法設計的儲罐優于標準設計方法，合理、高效、適用寬大的圍護結構可為城市初期雨水蓄水池的設計提供技術支持。吳巍將人工神經網絡和粒子群優化算法引入含沙水庫沖淤預測計算，通過自適應粒子群優化算法優化基于BP神經網絡的含泥水庫沖淤預測模型。為了進一步提高人工神經網絡的收斂速度和預測精度，采用自適應粒子群優化算法對BP神經網絡的初始連接權值和閾值進行優化，該算法參數少、結構簡單，易于實現。該模型具有較強的合理性和廣泛的適用性，為砂質儲層沖淤預測計算提供了一種新的有效途徑。
（六）電氣工程領域。楊耿煌提出一種基于量子行為粒子群優化（QPSO）的改進算法，用于優化人工神經網絡（ANN），實現電能質量（PQ）擾動識別。典型站點采集的PQ擾動數據識別結果表明，與前饋神經網絡的訓練方法相比，該算法具有更好的性能收斂性和穩定性。
（七）工業機器人領域。周煒提出一種基于粒子群優化神經網絡的機器人綜合精度補償方法。在BP神經網絡和粒子群優化算法的基礎上，研究了基于粒子群優化算法的BP神經網絡原理，綜合考慮了基于誤差相似度權重測量的機器人精度補償方法。針對定位精度的影響，提出了一種基于粒子群優化神經網絡的機器人綜合精度補償方法，研究了驗證神經網絡模型穩定性和適用性的交叉驗證方法，并結合飛機裝配對定位精度要求高的實際情況，在交叉驗證常用的測量指標的基礎上增加了新的評價指標驗證。當末端執行器安裝完畢，環境溫度發生變化時，采用基于粒子群優化神經網絡的綜合精度補償方法，對實際開孔實驗進行驗證。研究成果對于提高工業機器人絕對定位精度，促進工業機器人在航空制造領域的更深入應用具有重要意義。
（八）飛機制造業領域。劉昕構建混合感知工程模型，構建人機工程學模型。首先，利用遺傳算法改進BP神經網絡以及利用自適應權重改進粒子群算法構建正感知工程模型，并與未改進算法和常用算法進行比較，突出改進算法的優越性；其次，利用專家咨詢法和多元回歸分析構建逆感知工程模型；最后，基于幾何和力學關系，以及人眼視野、人體可達視野、人體上肢運動分解，構建駕駛姿勢人體工學模型，構建了人機約束模型，基于混合感性工程的機艙人機設計，包括布局、造型和色彩設計，其中提出使用基于改進BP神經網絡和改進粒子群算法的正向感知工程模型，建立感知圖像與設計元素的映射關系；提出利用多元回歸分析建立逆向感知工程模型，建立設計元素與感知圖像的映射關系。專家咨詢法構建的逆感知工程模型驗證了正向感知工程建立的映射效果。
（九）工業過程優化領域。夏靜針對工業過程的復雜性、非線性和不準確性，采用人工神經網絡進行智能建模。人工神經網絡不僅可以任意逼近非線性，還具有大規模并行處理、知識分布存儲、自學習能力強、容錯性好的特點。多層前向神經網絡可以任意精度逼近任意連續函數。有一個通用回歸神經網絡（GRNN），它結構簡單，訓練簡單，學習收斂速度快。基于以上優點，選用廣義回歸神經網絡，對傳統的廣義回歸神經網絡進行改進。提出了一種基于粒子群算法優化結構參數的旋轉廣義回歸神經網絡，并通過實驗仿真驗證了其性能。為了獲得準確的優化參數，采用粒子群優化算法來尋找網絡結構參數的最優值，不僅可以準確擬合和預測，而且避免了人工選擇網絡結構參數的缺陷。
四、人工神經網絡-粒子群優化算法在工業工程領域中的研究前景及經濟價值
綜上所述，人工神經網絡-粒子群優化算法目前在工業與工程領域中有以下功能：預測生產運行參數的變化及預測精度、提高信息識別性能、建筑工程造價計算較簡便效率較高，通信工程性能更加穩定、提高工業機器人絕對定位精度、突出改進飛機駕駛艙的優越性、可以準確擬合和預測工業過程優化等，這些均體現了人工神經網絡-粒子群優化算法在工業與工程領域中的經濟價值，并為其他工業與工程中應用人工神經網絡-粒子群優化算法起到參考價值和啟發，在工業產業中具有廣闊的研究前景。
作者：劉婷 孫傳家 劉卓偉 單位：沈陽化工大學經濟與管理學院