基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

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。     

全局群搜索优化算法及其在汽油调合中的应用

汽油调合配比生产优化是一种非线性约束的多峰优化问题。针对一般群智能优化算法在解决此类优化中易陷于局部最优解,提出了一种改进的群搜索优化算法--全局群搜索优化算法（GGSO）。该算法采用混沌机制初始化粒子在解空间内均匀分布;在算法前期,保留GSO的追随者进化策略,以保证算法的收敛速度。在算法后期,对追随者引入速度更新和个体最优,以保证算法的收敛精度;在粒子陷入局部极值时,对追随者和游荡者引入一种新的交叉、变异机制和自适应混沌扰动机制,以保证粒子跳出局部极值,提高算法全局寻优性能。分别用4个标准测试函数对优化算法进行测试,结果表明：GGSO算法与标准GSO、线性递减惯性权重粒子群算法（LDWPSO）比较,收敛速度和全局寻优性能有明显优势。汽油在线调合优化实例应用表明：该算法有较快的收敛速度,能够较准确地寻得全局最优。     

改进生物地理学优化算法及其在汽油调合调度中的应用

汽油调合和调度优化问题中含有典型的非线性约束(NLP)问题。针对一般智能优化算法在解决此类优化问题中易陷于局部极值,提出了一种改进的生物地理学优化算法(HMBBO)。该算法设计了一种基于种群个体差异信息的启发式变异算子,弥补了Gauss变异、Cauchy变异算子缺乏启发式信息的不足,以解决原算法在局部搜索时易出现的早熟问题,提高算法的全局搜索能力,并且采用非线性物种迁移模型以适应不同的自然环境。采用4个测试函数进行仿真,结果表明:HMBBO算法与标准BBO算法、基于Gauss变异及基于Cauchy变异的BBO算法比较,其收敛速度和全局寻优能力有明显改善。汽油调合和调度优化实例表明,该算法能够快速有效地找到全局最优解。     

自适应正余弦搜索樽海鞘群优化算法

针对基本樽海鞘群智能优化算法的收敛速度慢、搜索精度低、容易陷入局部最优的缺点,提出了一种自适应正余弦搜索樽海鞘群优化算法.该算法引入正余弦搜索,以加强领导者位置更新速度,提升算法寻优速率;在跟随者位置更新公式中引入自适应权重因子,提高算法跳出局部最优的能力,并且提高了算法的收敛精度.使用所提出的算法对12个典型寻优测试...     

基于多策略自适应差分进化算法的污水处理过程多目标优化控制

针对污水处理过程中的能耗过高和出水水质不达标等问题,提出一种基于多策略自适应差分进化算法的污水处理过程多目标优化控制方法。首先,在常规跟踪控制结构的基础上,增加对第3、4单元溶解氧浓度的跟踪控制,扩大了能耗和出水水质的优化调节范围。然后,设计一种多策略自适应差分进化算法（MSADE）,该算法采用多策略融合变异和排序优选方法,选取合适的变异策略和较优的随机个体引导种群变异,并根据进化过程信息自适应地更新交叉率,以提升算法的收敛性和pareto解的多样性。最后,将MSADE算法与PID控制器相结合,并构建以能耗和出水水质为优化目标的多目标优化问题,实现对溶解氧和硝态氮浓度设定值的动态寻优和跟踪控制。基于国际基准仿真平台BSM1进行验证,结果表明所提的多目标优化控制方法能有效降低污水处理过程的能耗并提升出水水质。     

粒子动力学演化算法在单目标优化中的应用研究

提出一种新的自适应的交叉算子,可以跟踪目前发现的局部最优解和全局最优解来调整进化方向。为了防止算法陷入局部最优,新算法中引入了基于混沌的变异算子,利用新算法对一些问题求解,结果良好。     

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法（SMDE）。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。     

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法(SMDE)。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。     

基于一种改进的自适应遗传算法估算环已烷自催化氧化反应动力学参数

A modified genetic algorithm of multiple selection strategies, crossover strategies and adaptive operator is constructed, and it is used to estimate the kinetic parameters in autocatalytic oxidation of cyclohexane. The influences of selection strategy, crossover strategy and mutation strategy on algorithm performance are discussed. This algorithm with a specially designed adaptive operator avoids the problem of local optimum usually associated with using standard genetic algorithm and simplex method. The kinetic parameters obtained from the modified genetic algorithm are credible and the calculation results using these parameters agree well with experimental data. Furthermore, a new kinetic model of cyclohexane autocatalytic oxidation is established and the kinetic parameters are estimated by using the modified genetic algorithm.     

DNA computing based RNA genetic algorithm with applications in parameter estimation of chemical engineering processes

Based on RNA genetic operations and DNA sequence model under selection and mutation, an electronic RNA genetic algorithm (RNA-GA) with improved crossover and mutation operator is proposed. The proposed algorithm can be implemented on real biochemical reaction after simple transition, thus, the brute force method of DNA computing can be broken. The convergence analysis of the proposed algorithm shows that RNA-GA with elitist strategy can converge in probability to the global optimum. Comparisons of RNA-GA with standard genetic algorithm (SGA) for typical test functions show the advantages and efficiency of the proposed algorithm. As illustrations, the RNA-GA is implemented on parameter estimation of a heavy oil thermal cracking 3-lumping model and a fluid catalytic cracking unit (FCCU) main fractionator. In both cases, it is shown that the methodology is effective in parameter estimation of chemical processes.     

基于改进的遗传算法设计萃取精馏萃取剂

将Mod.UNIFAC基团贡献法与改进的遗传算法相结合,进行萃取精馏萃取剂的分子设计。采用了一种简单易行的新编码方案,使合成的分子形式简单,便于链接数据库计算各种性质。提出了跨代精英选择策略,错位交叉算子,滞后变异算子,使设计出的分子结构稳定且形式多样,有效地避免了遗传算法不易得到全局最优解和容易提前收敛的问题。给出了分子设计的主要流程和方法,并编制了相应的计算机程序,将其应用于丙酮-甲醇体系,得到了水和乙二醇等萃取剂。结果表明,文中提出的方法对相对挥发度的预测精度高于文献值,同时检验了该方法的可靠性。     

改进的精英教学优化算法及其在甲醇合成优化中的应用

为了提高精英教学算法（ETLBO）的寻优能力,特别是精度差、寻优速度慢的问题,提出改进的精英教学算法。首先,通过自主学习过程,加强对优质解所在区域的局部勘探,提高算法的寻优效率。其次,引入“差异化帮扶”思想及自适应机制,对不同水平的学生施予适宜的、灵活的学习方式,有针对性的帮助,平衡了算法的勘探速度、精度。通过增加学生间的交流次数,提高了算法的全局勘探能力。标准函数优化结果表明,改进后的算法在寻优能力和勘探效率两方面都有明显提高。最后,建立甲醇合成的机理模型,将改进后的算法应用于甲醇合成过程的优化,取得了良好的效果。     

基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。     

改进的教学优化算法及其应用

针对教学优化算法（TLBO）收敛速度慢,容易陷入局部最优的问题,本文提出了一种改进的方法。算法的改进主要在两方面：一是对教学因子（TF）进行自适应调整,使TF随算法迭代减小,这样算法在搜索前期采用全局搜索,搜索空间快速收敛于最优解附近,提高搜索速度,搜索后期采用局部精细搜索以获得高精度的解。二是引入信任权重,对学生已获得的知识采取部分信任的策略,避免对已获取知识的过分信任,增加学生个体与教师及学生之间的信息共享,利于算法跳出局部最优。算法在8个标准测试函数上应用,仿真结果表明改进的算法有更快的收敛速度并且能够跳出局部最优。最后将改进的算法应用到乙烯裂解炉裂解运行效益优化中,显著提高了裂解炉的效益。     

混合进化算法研究甲基叔戊基醚合成反应动力学

将遗传算法与模拟退火算法相结合,以自适应多重退火交叉策略和自适应多重退火变异策略分别代替传统遗传算法中的单一交叉策略和单一变异策略,在此基础上进一步与进化策略相结合,开发出了一种多进化模式的混合进化算法. 用以上算法对以强酸性阳离子交换树脂A-15为催化剂用甲醇和叔戊醇为原料合成甲基叔戊基醚反应动力学方程中的速度常数、水的阻害系数等参数进行了求解计算,并与传统算法进行了比较. 结果表明：本研究所提出的混合进化算法收敛速度快,估算精度高,有效抑制了早熟现象的发生,所得到的有关动力学参数可靠,模型计算结果与实验结果吻合良好.     

Performance evaluation of an ANN–GA aided experimental modeling and optimization procedure for enhanced synthesis of marine biosurfactant in a stirred tank reactor

BACKGROUND: An improved resilient back‐propagation neural network modeling coupled with genetic algorithm aided optimization technique was employed for optimizing the process variables to maximize lipopeptide biosurfactant production by marine Bacillus circulans. RESULTS: An artificial neural network (ANN) was used to develop a non‐linear model based on a 2⁴ full factorial central composite design involving four independent parameters, agitation, aeration, temperature and pH with biosurfactant concentration as the process output. The polynomial model was optimized to maximize lipopeptide biosurfactants concentration using a genetic algorithm (GA). The ranges and levels of these critical process parameters were determined through single‐factor‐at‐a‐time experimental strategy. Improved ANN‐GA modeling and optimization were performed using MATLAB v.7.6 and the experimental design was obtained using Design Expert v.7.0. The ANN model was developed using the advanced neural network architecture called resilient back‐propagation algorithm. CONCLUSION: Process optimization for maximum production of marine microbial surfactant involving ANN‐GA aided experimental modeling and optimization was successfully carried out as the predicted optimal conditions were well validated by performing actual fermentation experiments. Approximately 52% enhancement in biosurfactant concentration was achieved using the above‐mentioned optimization strategy. © 2012 Society of Chemical Industry     

约束优化问题的改进混合遗传算法

提出了罚函数与修复的混合策略,改进了罚函数,给出了种群早熟度评价指标,对遗传算法的交叉算子进行了改进,解决了单一使用罚函数方法求约束优化问题所遇到的困难,方便了遗传算法在约束优化问题中的应用,提高了遗传算法在机械及工程中应用的适应性。数值实验证明,该方法比传统的遗传算法处理约束优化问题效率高。