基于线性规划的智能炼铁配料系统

以钢铁企业炼铁生产参数为研究资料,实现高炉炼铁配料优化、炼铁数据和三维模型的多元化展示.本文主要研究在Qt平台下设计研发了跨平台的智能炼铁配料系统,采用线性规划的方法建立炼铁配料的数学模型,利用单纯形法求解达到成本最优,以及利用FFmpeg库实现高炉数模动画的播放和OpenGL实现高炉三维模型的动态展示.本文首先介绍了系统利用到的一些相关技术,其次对系统的数据提取、更新、优化算法的设计进行了分析,最后对配料优化、数据的二维展示、三维模型的动态展示的实现和测试进行了介绍.     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题，可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时，存在易收敛到局部极小或者非可行解，对初始值敏感等缺点，提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法，在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验，求解两个标准函数优化问题，结果表明PSO能够快速有效地求得全局最小点，而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中，仿真结果显示了该方法的有效性。     

基于PSO算法的生料浆配料过程的优化控制

针对烧结法氧化铝生产流程中的生料浆配料过程的工艺特点,将PSO算法应用在配料过程中的原料分配优化问题中,并构造了惩罚函数来处理配料过程中的各种约束条件.基于PSO算法的优化控制不仅可以保证生料浆的各项工艺指标达到设定值,同时可以保证配料成本最低.在某氧化铝厂的应用结果表明,该优化控制可以取代传统的人工配料生产方式,提高了生料浆各项工艺指标的合格率,降低了配料成本,实现了优化配料,取得了显著的应用效益.     

水下机器人参数辨识的量子粒子群算法

水下机器人动力学模型参数辨识是水下机器人运动状态控制、路径跟踪、状态监测、故障诊断及容错系统开发的基础,是水下机器人研究的核心内容之一.针对Falcon开架缆控水下机器人的动力学模型,将量子粒子群优化算法引入到水下机器人动力学模型参数辨识之中,提出基于量子粒子群优化算法(Quantum-behaved PSO,QPSO)的水下机器人动力学模型参数辨识,并将其辨识结果与粒子群优化算法(Particle Swarm Optimization,PSO)及遗传算法(GA)的辨识结果进行比较.仿真结果表明应用QPSO算法的参数辨识结果明显优于其它对比方法,说明了算法的有效性与合理性.     

GA与PSO解DE与LP问题的效率比较

遗传算法和粒子群算法都具有很强的搜索能力,在最优化问题中有着极其广泛的应用.文章针对常微分方程(DE)近似解和一般线性规划(LP)问题的解利用遗传算法和粒子群算法求解,深入的比较和分析了GA与PSO在这两种优化问题中的效率.在固定其他参数而调整群体数量的基础上比较了GA与PSO在微分方程近似解和LP问题解的优化能力.     

MTO 管理模式下钢铁企业生产合同计划建模与优化

基于对钢铁企业MTO管理模式下合同计划的编制策略、约束条件和优化目标的研究，建立了合同计划优化模型，模型综合考虑了拖期惩罚费用、设备能力均衡利用和库存成本等优化目标，并采用加权法将多目标优化模型转换为单目标优化模型，针对模型的特点设计了求解模型的特殊PSO算法，以某钢铁企业的实际合同计划问题作为实例，在算法不同参数组合下进行了系统的测试，实验结果表明模型和算法是令人满意的。     

离散萤火虫优化算法求解概率旅行商问题

对随机组合优化问题中的概率旅行商问题(PTSP)的理论和方法进行了研究分析,采用现代进化算法中有代表性发展优势的萤火虫优化算法(FA),提出一种离散萤火虫优化算法(DFA)以求解.其中引入了新的学习机制使其相比原始的萤火虫优化算法,更容易搜索到全局最优解,有更好的收敛性能.实验中用TSPLIB中的经典实例进行测试来验证其可行性.考察了萤火虫数量和进化迭代次数对求解结果性能的影响,并将DFA与GA、PSO和ACO等其他著名的进化计算算法进行性能比较.实验结果证实了DFA无论对固定访问概率,还是访问概率为区间内随机数等不同情况,都具有良好的有效性和高效性,因此对求解随机组合优化系列问题的有效解决具有一定参考和借鉴价值.     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

水泥生料配料过程优化控制系统

介绍以基于生料率值控制为目的的非线性水泥生料优化配料过程控制,运用智能机理建模的方法,建立配料过程的非线性规划数学模型.针对模型中的多目标函数以及非线性约束特点,提出一种采用优化软件LINGO编制算法程序并通过应用程序接口(API)嵌入到ABB France2000的DCS系统中.工业实验表明该系统能有效地对配料过程进行优化控制,是解决非线性多目标优化问题的一种可行方法.     

基于GA-IPSO-BSVM算法的新浪微博评论信息分类

针对新浪微博评论信息准确分类问题, 本文基于遗传算法(genetic algorithm, GA)、粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法, 提出一种改进GA-IPSO-BSVM (genetic algorithm-improved particle swarm optimization-balanced support vector machine)的分类模型, 以实现提升新浪微博评论信息分类的准确性和收敛性. 首先, 为了有效提升算法的收敛速度, 并高效节省计算资源, 该模型在迭代前期引入GA的淘汰机制, 删除大量低速粒子. 其次, 在迭代中期, 为了避免算法陷入局部最优解, 改进PSO中粒子关系的拓扑结构, 采用K均值聚类(K-means)算法对粒子群进行聚类分区, 将各粒子群体在所属社区中进行粒子群迭代, 选出各个区域中优秀粒子. 再次, 在迭代后期, 将所有区域优秀粒子组合成优秀粒子群体, 并将该群体进行迭代, 得出全局最优解. 从次, 结合GA和IPSO对BSVM进行超参数优化, 提升分类准确率. 最后, 利用所提出的GA-IPSO-BSVM模型对于新浪微博评论信息进行分类预测验证. 经实验结果表明, 该分类模型应用于新浪微博信息分类的准确度优于其他基准模型.     

针对混合变量优化问题的协同进化蚁群优化算法

针对由连续变量和分类变量构成的混合变量优化问题（MVOP）,采用协同进化策略来对混合变量决策空间进行搜索,提出了一种协同进化蚁群优化算法（CACOA_MV）。CACOA_MV分别采用连续和离散蚁群优化（ACO）策略生成连续和分类变量子种群,通过合作者来对连续和分类变量子向量进行评价,分别对连续和分类变量子种群进行更新来实现对混合变量决策空间的高效协同搜索。进一步地,利用信息素平滑机制增强对分类变量解空间的全局探索能力,并设计了一种面向协同进化框架的“最佳+随机合作者”的重启策略来提高协同搜索效率。与混合变量的蚁群（ACO_MV）算法和种群规模线性变小的差分进化-蚁群混合变量优化算法（L-SHADE_ACO）的比较表明,CACOA_MV能够进行更有效的局部开发,从而提高最终结果在目标空间中的近似精度;与基于集合的混合变量差分进化算法（DE_MV）相比较,CACOA_MV能够在决策空间中更好地逼近全局最优解,具有更好的全局探索能力。综上,采用协同进化机制的CACOA_MV能有效保持全局探索和局部开发的平衡,从而具有更好的寻优性能。     

改进优化问题混合算法研究

针对蚁群算法和遗传算法存在的不足,提出了一种优化混合算法。利用遗传算法快速搜索性和改变选择算子、交叉算子和变异算子操作来确定路径上信息素的分布,然后通过蚁群算法的并行性和正反馈机制,反复迭代进行高效求解,从而克服了两种算法的缺点,降低了算法空间复杂度,提高了算法运行效率,进而达到了组合优化的目的。通过对旅行商问题仿真实验结果表明了该算法的有效性和可行性。     

大规模无线传感器网络覆盖优化算法

为了增强三峡库区水环境监测的大规模无线传感器网络（WSNs）覆盖效果和延长大规模WSNs生存时间,采用混沌人工鱼群算法。首先以最大化网络覆盖率作为优化目标,建立WSNs覆盖模型,将具有遍历性特点的混沌系统引入到人工鱼群算法中,能够有效避免算法长时间位于局部极值附近。仿真结果表明：改进的人工鱼群算法提高了网络的覆盖率,有效减低了网络的成本。     

Hybrid parallel chaos optimization algorithm with harmony search algorithm

The application of chaotic sequences can be an interesting alternative to provide search diversity in an optimization procedure, named chaos optimization algorithm (COA). Since the chaotic motion is pseudo-randomness and chaotic sequences are sensitive to the initial conditions, the search ability of COA is usually effected by the starting values. Considering this weakness, parallel chaos optimization algorithm (PCOA) is studied in this paper. To obtain optimum solution accurately, harmony search algorithm (HSA) is integrated with PCOA to form a novel hybrid algorithm. Different chaotic maps are compared and the impacts of parallel parameter on the hybrid algorithm are discussed. Several simulation results are used to show the effective performance of the proposed hybrid algorithm.     

基于差分进化的生物地理学优化算法

针对生物地理学优化算法在实数编码时搜索能力较弱的缺点,提出一种基于差分进化的混合优化算法(BBO/DEs)。通过将差分进化的搜索性与生物地理优化算法的利用性有机结合,以解决原算法在局部搜索时容易出现早熟的问题;并构造一种基于Levy分布的变异方式,确保种群在进化过程中保持多样性;最后通过实验比较,选取了合适的试验策略。利用高维标准测试函数对相关算法进行实验,结果表明该算法能够克服搜索能力不足的缺点,并继承了原算法的快速收敛性能,可以有效兼顾精度与速度的要求。     

IYYPO：一种改进的阴阳对优化算法

阴阳对优化算法是一种新颖的轻量级随机优化算法,利用两点(全局探索点P 2和局部开发点P 1)的迭代交换来实现优化搜索。用户定义参数直接影响该算法的全局探索和局部开发之间的平衡,并且对算法的性能有着重要的影响。为提高该算法的优化性能,首先分析了原算法的用户定义参数(缩放因子α)对于性能的影响,随后提出用户定义参数线性与非线性递减三种改进的阴阳对优化算法。采用2013年进化计算大会中单目标实参算法竞赛中使用的28个测试函数进行性能评估,结果表明相比于原算法,改进后的算法具有更高的计算精度和更快的收敛速度。最后通过一个工程优化任务来展示改进后算法的性能。     

高速列车自动驾驶优化算法

为实现列车在自动驾驶下的高效率运行,在分析列车不同阶段运行情况的基础上,以停车阶段为重点,应用层次分析法,得出该阶段各性能指标之间重要性比较的定量描述以及停车控制综合性能指标的评价函数,设计出在线运行控制的模糊操纵规则。依据规则进行多次列车的离线模拟运行,对不同等分区域划分和起始制动点选取方案进行专家打分,得到性能指标最优的停车操纵方案。最后以VC++为平台设计仿真系统,验证控制算法下列车运行具有良好的停车精度、舒适性和节时性。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

基于自动编码器组合的深度学习优化方法

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(mDAE)从而形成稀疏边缘降噪自动编码器(SmDAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的SmDAE模型的分类精度比CNN还要好。