基于知识改进的文化算法及其在化工动态优化中的应用

针对化工以及生化过程的动态优化问题,提出了一种基于改进知识引导的文化算法。该算法首先对控制搜索域与时间域分别进行了等分和离散化,利用"软约束"思想编码控制序列,采用"种群产生"-"控制域进化"-"种群寻优"迭代过程实现对控制序列的逐步寻优;其次在种群空间采用遗传算法,在信度空间采用差分算法,并将进化过程中的已有种群信息设计为3种知识,通过分析知识、提取知识、管理知识来指导进化过程。由于引入了文化进化理念和机制,大大提高了动态优化问题的搜索效率。通过3种典型化工动态优化问题的仿真实例,表明该算法具有较好的寻优效率以及更好的优化结果,验证了该算法在解决具有非线性动态约束问题的有效性。     

一种改进的知识进化算法及其在化工动态优化中的应用

智能优化算法在动态优化问题的求解中,一方面可以一定的概率收敛到全局最优,避免局部极值而得到了广泛应用;但另一方面,基于随机机制的仿生智能算法也面临收敛速度慢、寻优效率较低的瓶颈,限制了其工业实时应用的场合。为此,从提高智能优化算法在动态优化问题的求解效率出发,提出了一种改进的基于知识引导的进化算法结构,主要包括候选控制策略-时域与控制域的离散策略、知识库空间的进化、知识引导的种群进化。该算法分别在批式反应器等4个典型化工动态优化问题上进行了仿真验证,计算结果表明,该方法能够以较小的种群规模通过知识的引导,以较少的计算代价找到较好的全局解,有效提高了算法的收敛效率。     

基于活跃约束条件辅助目标的进化算法求解油品调合问题

根据油品调合问题的特点,提出了一种基于活跃约束条件辅助目标的求解约束优化问题的新方法。该方法根据进化算法种群中的可行解和不可行解共同辨识约束优化问题的活跃约束条件。然后,通过增加活跃约束条件辅助目标的方法将单目标约束优化问题转换为多目标约束优化问题进行求解。通过该方法,相应的进化算法可以利用油品调合问题的活跃约束条件信息,从而达到提高进化算法求解油品调合问题的搜索效率和避免局部最优解的目的。最后,通过仿真研究证实了该方法的有效性。     

改进的差分进化算法及在聚丙烯牌号切换优化中的应用

针对差分进化算法早熟问题,提出一种改进差分进化算法,采用动态缩放因子解决优化过程中的变量约束问题,在进化过程中自动地调整控制参数取值以保证变量约束条件;引入聚集度作为参数评估种群分布的密集程度,增加一种新的变异算子在进化过程中根据聚集度情况对部分个体进行后续变异操作,适时调整种群分布,提高种群多样性,增强全局搜索能力。建立了聚丙烯牌号切换优化模型并将改进的差分进化算法应用于牌号切换优化模型的求解,仿真实验结果表明改进的差分进化算法在全局搜索能力和搜索效率两个方面有较大提高。     

基于HGA的经费分配多目标优化模型求解

为探索新的经费分配方法和管理模式,建立一种新的多目标非线性规划优化模型,提出一种先进的基于正交试验的新型混合遗传算法来求解该问题。对求解过程中的选择算子、交叉算子和变异算子等进行正交试验,得到的种群个体明显优于基本遗传算法的个体,仿真结果表明,该算法收敛寻优能力强,并能产生很多次优解,是一种高效的方法。     

一种基于梯度信息的多目标优化算法

传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是针对动态多目标优化问题。就此提出了一种新的基于梯度信息的多目标寻优算法（hybrid optimization algorithm based on single and multi-objective gradient information,HSMGOA）,该算法首先利用种群中每个个体对各目标的负梯度方向,以有效保证种群个体能沿单个目标函数值减小的方向加快搜索;同时为避免由于多目标问题之间的冲突性而导致其他目标函数的显著增大,将多个目标的梯度信息方向整合为一个方向进行协同搜索;并且还提出了一种新的选择置点法,以加快算法初始寻优速度并提供优良的初始种群。通过对ZDT系列测试函数的仿真可以看出,HSMGOA在较少的运行次数下,其性能远远优于NSGA2算法。最后将HSMGOA与NSGA2混合以解决补料分批生化反应过程的动态多目标优化问题,并将取得的Pareto最优解集与NSGA2、MOPSO比较可知,该混合算法在解决该化工问题时表现出了更好的性能。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

基于改进差分进化算法的复合材料结构优化设计

提出了一种改进的S形变异差分进化算法并对该算法在复合材料结构优化方面的应用进行了研究。首先,分析了控制参数对差分进化算法收敛性和寻优能力的影响机理;其次,针对控制参数对差分进化算法的影响机理,借鉴生物繁殖的"S形曲线"规律,提出变异率的"S形曲线"变化趋势,提出改进的差分进化算法SDE,数值算例证明该算法具有较好的全局寻优能力;最后,针对复合材料结构优化设计问题,建立了基于SDE算法的优化计算系统,利用该优化计算系统对某空间运载器复合材料构件进行了优化设计,优化结果较初始设计质量减小36.5%。     

基于局部搜索策略的混合算法同步综合换热网络

针对复杂换热网络混合整数非线性问题,提出了一种由混沌蚁群算法、局部搜索策略和结构进化策略组成的混合算法,同步综合换热网络。首先采用混沌蚁群算法初步优化换热网络,蚂蚁个体根据混沌搜索机制遍历整个求解域。随后引入Powell法作为局部搜索策略,加强蚂蚁个体的局部搜索能力。最后结合结构进化策略,限制算法的搜索空间,优化蚂蚁个体表示的换热网络结构,并将优化后的信息反馈。蚂蚁会根据自身、邻居和反馈的信息作进一步搜索,直到算法收敛于全局最优解。通过算例对算法进行验证,结果表明,混沌搜索机制使混合算法具有很好的全局搜索能力;Powell法加强了算法的局部搜索能力,提高了求解精度;结构进化策略能够有效地缩减搜索区间,提高搜索效率。所以混合算法能够很好地兼顾处理连续变量和整型变量,适用于换热网络综合。     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

基于差分进化算法的控制变量参数化方法及其在化工过程动态优化中的应用(英文)

Two general approaches are adopted in solving dynamic optimization problems in chemical processes, namely, the analytical and numerical methods. The numerical method, which is based on heuristic algorithms, has been widely used. An approach that combines differential evolution (DE) algorithm and control vector parameterization (CVP) is proposed in this paper. In the proposed CVP, control variables are approximated with polynomials based on state variables and time in the entire time interval. Region reduction strategy is used in DE to reduce the width of the search region, which improves the computing efficiency. The results of the case studies demonstrate the feasibility and efficiency of the proposed methods.     

一种改进的混合遗传算法及在化工过程动态优化中的应用(英文)

The solutions of dynamic optimization problems are usually very difficult due to their highly nonlinear and multidimensional nature. Genetic algorithm (GA) has been proved to be a feasible method when the gradient is difficult to calculate. Its advantage is that the control profiles at all time stages are optimized simultaneously, but its convergence is very slow in the later period of evolution and it is easily trapped in the local optimum. In this study, a hybrid improved genetic algorithm (HIGA) for solving dynamic optimization problems is proposed to overcome these defects. Simplex method (SM) is used to perform the local search in the neighborhood of the optimal solution. By using SM, the ideal searching direction of global optimal solution could be found as soon as possible and the convergence speed of the algorithm is improved. The hybrid algorithm presents some improvements, such as protecting the best individual, accepting immigrations, as well as employing adaptive crossover and Gaussian mutation operators. The efficiency of the proposed algorithm is demonstrated by solving several dynamic optimization problems. At last, HIGA is applied to the optimal production of secreted protein in a fed batch reactor and the optimal feed-rate found by HIGA is effective and relatively stable.     

Dynamic optimization of 1,3-propanediol fermentation process: A switched dynamical system approach

This paper considers a dynamic optimization problem (DOP) of 1,3-propanediol fermentation process (1,3-PFP). Our main contributions are as follows. Firstly, the DOP of 1,3-PFP is modeled as an optimal control problem of switched dynamical systems. Unlike the existing switched dynamical system optimal control problem, the state-dependent switching method is applied to design the switching rule. Then, in order to obtain the numerical solution, by introducing a discrete-valued function and using a relaxation technique, this problem is transformed into a nonlinear parameter optimization problem (NPOP). Although the gradient-based algorithm is very efficient for solving NPOPs, the existing algorithm is always trapped in a local minimum for such problems with multiple local minima. Next, in order to overcome this challenge, a gradient-based random search algorithm (GRSA) is proposed based on an improved gradient-based algorithm (IGA) and a novel random search algorithm (NRSA), which cannot usually be trapped in a local minimum. The convergence results are also established, and show that the GRSA is globally convergent. Finally, a DOP of 1,3-PFP is provided to illustrate the effectiveness of the GRSA proposed by this paper.     

Gravitational Search,Monkey, and Krill Herd Swarm Algorithms for Phase Stability,Phase Equilibrium,and Chemical Equilibrium Problems

Phase equilibrium calculations (PECs) and phase stability (PS) analysis of reactive and nonreactive systems problems are important for the simulation and design of chemical engineering processes. These problems, which are challenging, multi-variable, and non-convex, require optimization techniques that are both efficient and effective in finding the solution. Stochastic global optimization algorithms, especially swarm algorithms, are promising tools for such problems. In this study, monkey algorithm (MA), gravitational search algorithm (GSA), and Krill Herd algorithm (KHA) were used to solve PS, phase equilibrium, and chemical equilibrium problems. We have also studied the effect of adding a local optimizer at the end of the stochastic optimizer run. The results were compared to determine the strengths and weaknesses of each algorithm. When a local optimizer was used, MA was found to be a reliable algorithm in solving the problems. GSA had relatively the least numerical effort for all problems among the three algorithms but with low reliability. KHA was more reliable than other two algorithms without the use of a local optimizer. The performance of GSA, MA, and KHA was compared with firefly algorithm and cuckoo search (CS). In summary, this study found that CS algorithm was more reliable than the newly tested algorithms. Nevertheless, MA and GSA algorithms, when combined with a local optimizer, solve the thermodynamic problems as reliably and efficiently as CS.     

全局优化搜索新算法──列队竞争算法(Ⅱ)解网络综合问题

本文给出了列队竞争算法解组合优化问题的框架和确定变异领域的两条原则 .对管路网络综合问题和换热网络综合问题确定了相应的变异领域 ,用列队竞争算法分别解这两个网络综合问题 ,所得到的最优解优于文献报道的结果 .     

A NEW ALGORITHM FOR GLOBAL OPTIMIZATION SEARCHLINE-UP COMPETITION ALGORITHM (Ⅱ) SOLVING NETWORK SYNTHESIS PROBLEMS

本文给出了列队竞争算法解组合优化问题的框架和确定变异领域的两条原则 .对管路网络综合问题和换热网络综合问题确定了相应的变异领域 ,用列队竞争算法分别解这两个网络综合问题 ,所得到的最优解优于文献报道的结果 .     

基于PSO-控制变量参数化混合策略的间歇化工过程优化控制

控制变量参数化方法作为一种化工过程动态优化的梯度搜索算法，其求解效率过于依赖初始给定轨迹。目前初始轨迹一般都是设定在边界值或中间值，缺乏科学依据，从而大大影响了算法的收敛速度。针对这一问题，提出了一种粒子群优化(PSO)与控制变量参数化方法混合的策略，首先利用粒子群优化对间歇化工过程最优控制量进行求解，结果作为控制变量参数化方法初始给定轨迹，进行二次优化。双层优化的混合策略提高了控制变量参数化方法的收敛速度和粒子群优化算法的求解精度。将混合策略应用于两个间歇化工过程优化控制实例，仿真结果表明了该算法对求解化工过程动态优化问题具有可行性和有效性。     

自适应混合粒子群约束优化算法及其在软测量模型参数估计中的应用

对于软测量模型参数估计问题, 针对传统梯度法求解非线性最小二乘模型时依赖初值、需要追加趋势分析进行验证和无法直接求解复杂问题的缺陷, 提出将参数估计化为约束优化问题, 使用混合优化算法求解的新思路。为此提出一种自适应混合粒子群约束优化算法(AHPSO-C)。在AHPSO-C算法中, 为平衡全局搜索(混沌粒子群)和局部搜索(内点法), 引入自适应内点法最大函数评价次数更新策略。对12个经典测试函数的仿真结果表明, AHPSO-C是求解约束优化问题的一种有效算法。将算法用于淤浆法高密度聚乙烯(HDPE)串级反应过程中熔融指数软测量模型参数估计, 验证了方法的可行性与优越性。     

带有精英保留机制的混合差分化学反应算法

传统智能算法在求解复杂的带有多峰特点的优化问题时, 由于其计算量和变异方式的限制很容易陷入局部最优, 并且不具备跳出局部最优进行二次搜索等能力。针对这一问题, 本文提出了混合差分的化学反应算法, 在利用化学反应算法(CRO)良好的全局搜索能力的同时, 使用差分变异策略来加强算法的计算精度。对于优秀分子可能在反应中被消耗掉的现象, 有针对性地加入了精英保留机制来保持种群的优良。本文选取了CEC2005中的测试函数, 特别是几个带有多峰特点的复杂测试函数来分析改进算法的各项性能, 并与几个改进的智能算法进行了对比实验。最终验证改进算法在提高计算精度和全局搜索能力两方面具有良好的效果。     

迭代遗传算法及其用于生物反应器补料优化

针对化工动态优化的数值求解问题,提出将迭代思想与遗传操作相结合,构建迭代遗传算法.算法首先对时间区间和控制搜索域实施离散化,进而应用遗传操作搜索离散问题的最优控制策略.逐步收缩搜索域并迭代以消减离散化带来的偏差,不断改善寻优结果,增强算法的稳健性.实例测试表明该算法简便、可行、高效,已成功地应用于Lee-Ramirez生物反应器补料流率的优化,运算结果优于文献值,显示了迭代遗传算法的优越性.迭代遗传算法尤其适用于系统的梯度信息不可得的情况.