从在线性质可以看出，粒子即使找到最优值位置附近，也不放弃寻找其他地方，说明该算法具有很好的全局搜索能力。从离线性质看，经过几次迭代就能找到其最优值，表现其结合确定性搜索的优势。
以上改进算法各有优缺点，它们引人了一些新的参数，在改进算法性能的同时也一定程度上增加了算法的复杂性。
本文首先构建随机粒子群算法，通过标准测试函数验证，表明其在运行速度和寻优能力上都好于标准粒子群，但可能会将找到的最优值又抛出。最终本文实现一种保证全局收敛的算法，并用于优化水杨酸乙酯的微波催化合成的SVM模型。
将其应用于前面得到的水杨酸乙酯微波催化合成的SVM模型，设置粒子数antNum=10,精英粒子maxCandidates=3,最大迭代次数max=20。得到最佳反应条件为：酸醇比1/11，功率402W，催化剂用量3.00mL，反应时间43min,对应的产率为81.91%。
本文首先利用LS-SVM对水杨酸乙酯的微波催化合成建立模型，误差较小，证明支持向量机是一种比较好的建模工具。而参数的选取是目前仍未解决的一大难题。
粒子群优化是一种群智能的优化算法，近年来得到越来越多的注重。鉴于标准粒子群在处理多维问题时存在运行时间慢，不易找到最优解的不足，本文首先将粒子从用标准粒子群得到的最优位置处再随机抛出，通过标准测试函数函数证明该算法搜索时间大大缩短，寻优能力更强，但应用于优化水杨酸乙酯的微波催化合成SVM模型时，容易将找到的最优解又舍


本生物化学毕业设计“微波催化酯化反应SVM模型的优化”论文由清风毕业设计网[www.lunwen550.com]征集整理！