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。     

一种新的用于换热网络全局优化的强制进化随机游走算法

应用启发式方法在换热网络全局优化上的优点,提出了一种全新的强制进化随机游走算法（random walk algorithm with compulsive evolution,RWCE）,算法以目标函数减小为强制方向,通过各换热单元面积的随机扩大或缩小,同时实现了整型变量（换热单元数）和连续变量（换热单元面积）的同步优化。另外,算法能够以一定的概率选择接受差解,使其具备极强的跳出局部最优解的能力和全局搜索能力。算例验证表明,RWCE算法相比于其他启发式方法具有程序简单、更易实现、算法适应性及全局搜索能力更强的优点,使优化质量得到进一步提升。     

应用于换热网络优化的并行双层RWCE算法

换热网络规模越大,其解空间内极值点呈指数性增长,优化时不仅要求算法具有强大的全局寻优能力,局部解空间的高精度搜索也不可或缺。鉴于强制进化随机游走算法（RWCE）优化换热网络时难以兼顾局部搜索能力、易导致遗漏最优解的现象,同时为增大算法优化大规模换热网络的种群数量,本文将精细搜索和并行计算相结合提出了并行双层RWCE算法。算法基于多核并行技术,通过并行线程分配建立基础层和精细层,基础层在并行计算技术加持下,算法全局搜索能力大幅提升,精细层将基础层当前最优解实时精细搜索,避免了原算法差解代替优解现象。最后通过两个算例进行验证,结果表明并行双层RWCE算法不仅具有更强的全局搜索能力,且兼具高精度的局部搜索能力,在优化进程中有效保护了最优解。     

一种新的用于换热网络全局优化的强制进化随机游走算法

应用启发式方法在换热网络全局优化上的优点,提出了一种全新的强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE),算法以目标函数减小为强制方向,通过各换热单元面积的随机扩大或缩小,同时实现了整型变量(换热单元数)和连续变量(换热单元面积)的同步优化。另外,算法能够以一定的概率选择接受差解,使其具备极强的跳出局部最优解的能力和全局搜索能力。算例验证表明,RWCE算法相比于其他启发式方法具有程序简单、更易实现、算法适应性及全局搜索能力更强的优点,使优化质量得到进一步提升。     

优化动力配煤数学模型寻优算法的研究

根据用户对配煤煤质特性指标和燃烧特性指标的要求,笔者确立了非线性动力配煤优化模型,并详细研究了几种常用的寻优算法的基本原理、特点及其在优化动力配煤数学模型中的应用效果。研究结果表明,穷举法准确但效率太低,而混合离散变量优化设计（MDOD）法只能局部优化并易陷入局优解;遗传算法鲁棒性强,具有较好的全局搜索性能;模拟退火算法简单、通用,具有很好的局部搜索能力。在此基础上,笔者总结出一种遗传算法与模拟退火法相结合的混合算法。     

极大极小值交替优化算法实现换热网络全局热集成

针对确定性方法应用于换热网络全局热集成时易陷入局部极值的问题,采用乘子法建立辅助函数,将原来的换热网络有约束问题转化为无约束问题,在此基础上提出了基于牛顿法的极大、极小值交替优化算法应用于换热网络优化。该算法通过优化进程中极大值、极小值的交替计算,不断跳出当前的局部极小值并继续通过局部优化方法求解新一轮的局部极小值,从而实现换热网络的全局热集成。同时提出防止"回跳"策略,避免该算法计算过程中在某个区域重复优化的问题。将算法应用于两个经典换热网络实例,取得了较好的结果,验证了极大、极小值交替优化算法能够有效地改善确定性方法易陷入局部极值的问题,具有较强的全局搜索能力,使优化质量较文献得到了进一步提升。     

有约束过程动态优化问题的改进克隆选择算法

状态变量带约束的过程动态优化问题是化工系统工程的重要课题,有一定的难度。通过将其转换为等价的非线性规划后,可采用元启发式方法求解。人工免疫系统的克隆选择算法(CSA)简练易用,全局搜索性能良好,但局部寻优能力较弱,且无处理约束的机制。为此,拟引入免疫网络自学习算子,均匀设计方法,以及目标与约束分离的处理机制,构建改进的克隆选择算法(ICSA),并将其用于状态变量带约束的间歇反应器和乙醇生物反应器的动态优化等实例,效果良好。试验结果表明三种策略有效地改进了CSA的性能,使ICSA能以较少的计算代价搜索到较优的控制策略。     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

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。