广义回归神经网络的改进及在延迟焦化建模中的应用

广义回归神经网络（GRNN）具有明确的概率意义,其参数大多能自动确定,仅光滑因子参数需优化估值.采用优进遗传算法（EGA）,将确定性与随机性寻优操作相融合,实现了高效全局搜优,它所基于的优进策略包括设计Powell寻优算子、改进交叉算子、自适应地调整交叉率和变异率等.以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为延迟焦化过程建模,与径向基网络（RBFN）等相比,显示了明显的优势.     

基于优进策略的差分进化算法及其化工应用

鉴于常规差分进化算法容易“早熟”,全局寻优能力有待提高,提出了基于优进策略的差分进化算法,利用种群繁衍的有用信息改进子代分布,并引入确定性寻优操作,以提高寻优性能.设计了单纯形寻优操作和重布操作,并调整有关概率等.测试表明新算法的全局寻优性能有明显改善,已成功地应用于铯-铷-钒系低温硫酸催化剂上SO2氧化反应模型参数的估计,效果良好.     

遗传算法在煤炭产量预测建模中的应用

针对常规遗传算法（SGA）存在的早熟、寻优效率偏低等缺点，提出了一种改进的遗传算法。利用遗传算法的全局寻优特点，将它应用于模型参数估计，建立了精度更高的煤炭产量预测模型。     

多变异遗传算法优化生物脱硫反应动力学模型参数

由于常规遗传算法(SGA)的全局寻优效率不高,用于复杂的生物脱硫反应动力学模型参数优化时效果欠佳,为此设计了一种新的多变异遗传算法(MGA)以提高全局寻优效率.MGA的改进措施包括散射变异、微扰变异和单纯形变异各算子的设计,多变异操作实施方案的制定,选择操作和交叉操作方式的选择和改进等.Shaffer′s F6函数和10维Alpine函数测试表明,与SGA相比,MGA的全局寻优效率大大提高.将MGA应用于红球菌DS-3脱除二苯并噻吩(DBT)的动力学模型参数优化,建立了更为准确的反应动力学模型.     

基于EGA的RBF-PLS方法为脉冲萃取过程建模

针对径向基网络(RBFN)结构与参数难以确定的问题,在分析径向基函数-偏最小二乘(RBF-PLS)方法的基础上,提出以模型拟合和预报性能为目标,同时优选RBF的宽度参数和PLS成分数,并设计了基于优进策略的遗传算法(EGA)实施优化。EGA增加了模式搜索寻优算子,对交叉算子作了改进,自适应地调整交叉率和变异率,由此形成EGA-RBF-PLS方法,并将它应用于回收ε-己内酰胺的脉冲萃取过程。它工作量小,效果良好,所建模型的拟合和预报性能明显优于近似机理模型和其它RBFN模型,稳健性也更好。     

优进策略支持的进化规划估计反应动力学参数

为准确估计反应动力学参数,在分析确定性优化方法与进化算法特性的基础上,提出了一种由优进策略支持的进化规划方法(EEP),它将确定性寻优的两点梯度法(TPG)引入随机的进化规划算法(EP)中。EEP将依概率调用TPG寻优操作,并相应地调整原有的随机性操作,包括简化变异操作、改进选择操作。测试结果表明EEP克服了TPG与EP的缺点,发扬了二者的优点,具有良好的全局寻优性能。将EEP方法成功地应用于2-氯苯酚在超临界水中氧化反应动力学参数的估计,效果良好,与其它方法相比,结果有所改进,显示出EEP方法的优越性。     

遗传算法在环己醇/环己酮硝化氧化反应动力学模型参数估计中的应用

针对传统优化方法易陷入局部最优、全局寻优性能较差等缺点，本文提出了一种改进的遗传算法，并将它应用于环己醇／环己酮硝化氧化反应动力学模型参数估计，取得了满意的效果。     

杂交蚁群系统的构建并用于反应动力学参数的估计

经典的蚁群算法模仿蚂蚁觅食,释放信息素,形成正反馈互激励机制,提高了全局寻优效率,但它只适用于离散问题.将解空间划分为小区域,用以承载信息素,设置全局与局部蚂蚁,引入遗传算法的种群和操作方式,以Powell寻优算子和最优解保留策略改造蚂蚁的智能活动与互激励机制,构建为杂交蚁群系统（hybrid ant colony system,HACS）,可用于求解连续优化问题.实例测试表明,HACS具有良好的全局寻优能力和稳定性,将HACS应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得了满意的结果.     

基于改进遗传算法的二自由度PID控制注射机液压控制系统

基于二自由度PID控制器的注射机液压控制系统,采用改进遗传算法进行二自由度参数整定。半实物仿真实验表明:改进遗传算法通过优化选择算子和变异算子提高算法搜索速度并保证全局最优性,具有更快的搜索速度和全局最优性,在最优参数的控制下液压系统具有理想的控制效果。     

基于自适应遗传算法的智能组卷策略

本文从智能组卷的要求出发,提出了基于自适应遗传算法的智能组卷策略,以知识点、题型、区分度、难度、教学要求层次、能力要求为主要控制参数,应用遗传算法全局寻优和智能搜索的特征,在试题各个属性约束条件满足的情况下,有效实现智能组卷。     

改进的自适应免疫算法及其在对二甲苯氧化燃烧副反应优化中的应用(英文)

In recent years, immune genetic algorithm (IGA) is gaining popularity for finding the optimal solution for non-linear optimization problems in many engineering applications. However, IGA with deterministic mutation factor suffers from the problem of premature convergence. In this study, a modified self-adaptive immune genetic algorithm (MSIGA) with two memory bases, in which immune concepts are applied to determine the mutation parameters, is proposed to improve the searching ability of the algorithm and maintain population diversity. Performance comparisons with other well-known population-based iterative algorithms show that the proposed method converges quickly to the global optimum and overcomes premature problem. This algorithm is applied to optimize a feed forward neural network to measure the content of products in the combustion side reaction of p-xylene oxidation, and satisfactory results are obtained.     

改进的全息搜索策略及其在化工优化中的应用

引言 基于样本数据估计反应动力学参数是常见的化工优化问题.参数估计的通用规则是偏差最小化,许多经典的序贯类寻优方法都可用于这一目的,例如Powell共轭梯度法、模式搜索法、变度量法等.     

复合粒子群优化算法在模型参数估计中的应用

化工非线性模型的参数估计是较为困难的寻优问题，经典方法常会陷入局部极值。粒子群算法操作简便、容易实现且全局搜索功能较强，适用于非线性参数估计。但其参数值的确定与问题相关，若设定不当，会严重影响全局搜索的性能。今提出引入遗传算法，在粒子群算法的搜索过程中，逐代优选参数，包括惯性权值，加速常数，以此构建为复合粒子群优化算法。分析与测试表明，其全局搜索性能有显著改善。进一步的工作又将两种粒子群算法成功地应用于重油热解模型的参数估计。采用复合粒子群优化算法估计参数构建的重油热解模型，其预报相对误差比常规粒子群优化算法降低了8.97％，比简单遗传算法降低了23.21％，效果明显。     

Desiccant wheel system modeling improvement using multiple population genetic algorithm training of neural network

Since the physical modeling method for the desiccant wheel system (DWS) is complex and costly for calculations, the modeling method based on neural network (NN) gains attention for its simplicity and effectiveness. The previous NN models of DWS are mostly based on backpropagation (BP) NN and adopt the gradient searching method to obtain the weights and thresholds. However, the gradient searching method results in “overfitting” easily. In this paper, a novel neural network training algorithm, trainmpga, is proposed. The algorithm searches the optimal weights and thresholds of NN by making use of the multiple population genetic algorithm, thereby conquering the “overfitting” of the gradient searching method and the “prematurity” of the genetic algorithm. Meanwhile, related configurations of NN, such as parameters and framework, are studied. Finally, the proposed modeling method trainmpga proves to have high training and prediction accuracy in comparison to the training algorithms in the MatLab toolbox and has good application prospects.     

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.     

一种新的DNA遗传算法及其在参数估计中的应用

化工过程的参数估计是十分棘手的问题,为此常将这类问题转化为非线性优化问题来解决。遗传算法是一种适应性强的全局搜索方法,常被用于解决非线性系统的参数估计问题。但其局部搜索能力较差,易早熟。针对遗传算法的缺点,提出了一种新的DNA遗传算法。该方法使用碱基对个体进行四进制编码,受DNA分子操作启发设计了新的交叉和变异算子。两个经典测试函数的计算结果表明,该算法的搜索能力相对于其他两种算法有了明显提高。使用该算法来估计重油热解三集总模型中的参数,结果表明所建模型拟合精度高。