基于粒子群算法的极化曲线拟合方法与流程

本发明涉及电化学领域和机器学习领域，特别涉及一种基于粒子群算法的极化曲线拟合方法。
背景技术：
：目前，曲线拟合算法被广泛应用于工程设计、图像处理、逆向工程等领域，并且成为这些领域进行数据处理必不可少的关键环节。获取数据的最终目的在于挖掘数据背后的现实意义，所以一种曲线拟合算法对于数据处理十分重要。当前，对于极化曲线函数模型参数求解问题，传统的解决方法是使用非线性最小二乘法或者信赖域算法来求解，虽然这些算法的计算结果较快，但是需要设置参数初始值，并且对于初始值的要求比较高，一旦初始值取不好，结果往往不理想，所以如何解决这些问题并进一步提高准确率，需要人们在这方面做出大量的研究，不断提出新的方法和算法。技术实现要素：本发明的目的是提供一种基于粒子群算法的极化曲线拟合方法，采用粒子群算法，适用于不同的函数模型，适应性好，具备较高的鲁棒性，无需像传统曲线拟合方法一样设置参数初始值，方法简单，能够进一步提高误差精度。为了实现以上目的，本发明是通过以下技术方案实现的：一种基于粒子群算法的极化曲线拟合方法，其特点是，包括如下步骤：s1，确定极化曲线实验数据和函数模型表达式；s2，利用粒子群算法求解最优适应度值。所述的步骤s1包括：步骤s11，将通过实验获得的数据进行预处理，选取其中的若干组数据作为标定数据(xi，yi)，i＝1，2，3…1300，xi表示实验数据中的电极电位，yi表示实验数据中的极化电流密度；步骤s12，建立极化曲线函数模型表达式：式中ife、和分别为fe氧化、o2还原和h2o还原反应的电流密度；bfe、和分别为fe氧化、o2还原和h2o还原反应的tafel斜率；是溶解o2的限制扩散电流密度；超电势η＝e-erev，erev是可逆的潜力，将公式(4)进行转换便可确定拟合函数模型：y＝a*exp(2.303/b*(x-erev_fe))-c*exp(-2.303/d*(x-erev_o2))/(1+c/e*exp(-2.303/d*(x-erev_o2)))-f*exp(-2.303/g*(x-erev_h2o))其中a、b、c、d、e、f、g为待求的腐蚀动力学参数，erev_fe、erev_o2、erev_h2o都是已知的参数。所述的步骤s2包括：s21，设定粒子群算法的参数，以对所述粒子群算法，获取所述最优适应度值；s22，计算每个粒子的适应度；s23，根据所述适应度，更新各个粒子的局部最优适应度值和粒子群的全局最优适应度值；s24，根据各粒子的最优适应度值和粒子种群最优适应度值，更新每个粒子的速度和位置；s25，检测粒子群算法当前的迭代次数是否到达预设的迭代次数；若没有，返回步骤s22，若达到，退出算法，确定最优适应度值。粒子种群中具有最优适应度值的粒子，其位置即为最优参数解，可得到待拟合的数据点的曲线拟合表达式。所述的步骤s22中，所述的适应度值的计算公式为：式中是实验测得的电流密度，是理论预测电流密度。所述的步骤s24中，粒子的速度和位置更新公式为：式中，ω称为惯性因子，c1和c2称为加速常数，一般取c1＝c2∈[0,4]，r1和r2表示区间[0,1]上的随机数，表示第i个变量的个体极值的第d维，表示全局最优解的第d维，k为迭代次数。还包括根据所求得的最优适应度值得到最终拟合出的极化曲线这一步骤。本发明与现有技术相比，具有以下优点：本发明采用粒子群算法，适用于不同的函数模型，适应性好，具备较高的鲁棒性，无需像传统曲线拟合方法一样设置参数初始值，方法简单，能够进一步提高误差精度。附图说明图1为本发明一种基于粒子群算法的极化曲线拟合方法的流程图。图2为曲线拟合结果图。具体实施方式以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。如图1所示，一种基于粒子群算法的极化曲线拟合方法，包括如下步骤：s1，确定极化曲线实验数据和函数模型表达式；s2，利用粒子群算法求解最优适应度值。所述的步骤s1包括：步骤s11，将通过实验获得的2000组数据进行预处理，选取其中的1300组数据作为标定数据(xi，yi)，i＝1，2，3…1300，xi表示实验数据中的电极电位，yi表示实验数据中的极化电流密度；步骤s12，建立极化曲线函数模型表达式：式中ife、和分别为fe氧化、o2还原和h2o还原反应的电流密度；bfe、和分别为fe氧化、o2还原和h2o还原反应的tafel斜率；是溶解o2的限制扩散电流密度；超电势η＝e-erev，erev是可逆的潜力，将公式(4)进行转换便可确定拟合函数模型：y＝a*exp(2.303/b*(x-erev_fe))-c*exp(-2.303/d*(x-erev_o2))/(1+c/e*exp(-2.303/d*(x-erev_o2)))-f*exp(-2.303/g*(x-erev_h2o))其中a、b、c、d、e、f、g为待求的腐蚀动力学参数，erev_fe、erev_o2、erev_h2o都是已知的参数。所述的步骤s2包括：s21，设定粒子群算法的参数，以对所述粒子群算法，获取所述最优适应度值；s22，计算每个粒子的适应度；s23，根据所述适应度，更新各个粒子的局部最优适应度值和粒子群的全局最优适应度值；s24，根据各粒子的最优适应度值和粒子种群最优适应度值，更新每个粒子的速度和位置；s25，检测粒子群算法当前的迭代次数是否到达预设的迭代次数；若没有，返回步骤s22，若达到，退出算法，确定最优适应度值。粒子种群中具有最优适应度值的粒子，其位置即为最优参数解，可得到待拟合的数据点的曲线拟合表达式。所述的步骤s22中，所述的适应度值的计算公式为：式中是实验测得的电流密度，是理论预测电流密度。所述的步骤s24中，粒子的速度和位置更新公式为：式中，ω称为惯性因子，c1和c2称为加速常数，一般取c1＝c2∈[0,4]，r1和r2表示区间[0,1]上的随机数，表示第i个变量的个体极值的第d维，表示全局最优解的第d维，k为迭代次数。该拟合方法还包括根据所求得的参数画出最终拟合出的极化曲线这一步骤，得到具有最优适应度值的粒子，其位置所具有的信息即为参数解，根据所求得的参数画出最终拟合的极化曲线如图2所示。为了说明本发明所提出的方法的有效性，我们将以下曲线拟合方法的性能进行了对比如表1所示表1曲线拟合算法误差平方和levenberg-marquardt算法0.16727327trust-region-reflection算法0.16768196粒子群算法(pso)0.16566064从表1中可以看出，本发明提出的方法的误差要有所降低，并且无需设置参数初始值，避免了像lm算法和trf算法对参数初始值依赖过高的问题。综上所述，本发明一种基于粒子群算法的极化曲线拟合方法，采用粒子群算法，适用于不同的函数模型，适应性好，具备较高的鲁棒性，无需像传统曲线拟合方法一样设置参数初始值，方法简单，能够进一步提高误差精度。尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。当前第1页12