一种求解化工动态优化问题的迭代自适应粒子群方法

智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法(IAPSO)来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是:该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization,BLPSO）算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子“排名”,即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群(biogeography-based learning particle swarm optimization,BLPSO)算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子"排名",即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

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。     

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。     

基于自适应粒子群优化算法的预测控制算法及其在加热炉支管平衡中的应用

多变量和输出受限系统的预测控制问题一般表现为一个不易直接求解的多变量且多约束的非线性动态规划问题.传统优化方法在解决此优化问题时,存在易收敛到非法解或局部极小、计算时间长以及对模型参数与初值依赖性强的缺点.提出了一种基于自适应粒子群优化的预测控制算法(APSO-DMC),采用自适应粒子群优化算法(APSO)作为模型预测控制的优化方法,在线实时求解最优控制律,从而有效地克服了传统优化方法的不足.将此算法应用于常减压装置加热炉支管温度平衡控制中,仿真试验结果显示了该方法的有效性.     

基于自适应粒子群优化算法的节点定位研究

针对粒子群优化定位算法易陷入局部极值的缺点,提出了一种基于自适应粒子群优化算法的无线传感器节点定位方法。该方法在迭代前期ω取较大值实现快速收敛到最优解附近,后期取较小值求高精度解。在适应度值越大时全局搜索能力越强,加快向全局最优位置的聚集速度;适应度值越小局部搜索能力越强,可得到高精度的解,并通过对全局最优位置进行自适应变异操作,保证算法能跳出当前的搜索区域。仿真结果表明:与常用的极大似然估计对比,该算法具有收敛快、能耗小、精度高和稳定性好的优点,适合应用在无线传感器网络的定位中。     

混合粒子群算法求解单机批调度问题

设计了一种混合粒子群算法(Hybrid Particle Swarm Optimization,HPSO)以求解基于工件动态到达的最小化最大拖期时间单机批调度问题。该算法在标准粒子群算法的基础上引入了惯性权重正弦调整,以改善标准粒子群算法的收敛速度和全局收敛性,然后采用自适应变异全局极值算法增强粒子群优化算法跳出局部最优解的能力,防止算法陷入局部最优。应用改进的算法对实验设计问题进行求解,证明了改进算法的有效性。     

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。     

一种求解图着色问题的改进粒子群算法

图着色问题是一个典型组合优化难题,文章尝试用改进的粒子群算法来解决此问题。为了增强粒子的搜索能力和提高粒子群算法的收敛速度,在传统的粒子群算法中引入了动态惯性权值递减的策略与记忆机制。实验表明,该算法在性能上明显优于传统的粒子群算法。     

Control Parameterization‐Based Adaptive Particle Swarm Approach for Solving Chemical Dynamic Optimization Problems

A control parameterization‐based particle swarm optimization (CP‐PSO) approach is presented which combines control parameterization with particle swarm optimization to solve dynamic optimization problems in chemical engineering. To improve search efficiency and convergence rate, a control parameterization‐based adaptive particle swarm optimization (CP‐APSO) approach is proposed, in which inertia weight and acceleration coefficients are updated according to population distribution characteristics. Three benchmark chemical dynamic optimization problems are explored as illustration. The results demonstrate that CP‐APSO is efficient for solving a general class of chemical dynamic optimization problems and CP‐APSO largely outperforms CP‐PSO on the convergence rate.     

群智能优化LSSVM最优聚丙烯熔融指数预报

提出了群智能优化AC_ICPSO(ant colony and immune clone particle swarm optimization)算法,融合蚁群算法与粒子群算法进行动态群体搜索,设计交叉算子和变异算子、群体多次编码、迭代选择等,来提高数据搜索的范围、精度和收敛的效率,避免早熟,降低算法的复杂度。然后利用AC_ICPSO方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,得到最优的AC_ICPSO_LSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的AC_ICPSO_LSSVM方法有效,具有良好的预报精度。     

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。     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

Control Vector Parameterization‐Based Adaptive Invasive Weed Optimization for Dynamic Processes

A novel optimal approach named invasive weed optimization‐control vector parameterization (IWO‐CVP) for chemical dynamic optimization problems is proposed where CVP is used to transform the problem into a nonlinear programming (NLP) problem and an IWO algorithm is then applied to tackle the NLP problem. To improve efficiency, a new adaptive dispersion IWO‐based approach (ADIWO‐CVP) is further suggested to maintain the exploration ability of the algorithm throughout the entire searching procedure. Several classic chemical dynamic optimization problems are tested and detailed comparisons are carried out among ADIWO‐CVP, IWO‐CVP, and other methods. The research results demonstrate that ADIWO‐CVP not only is efficient, but also outperforms IWO‐CVP in terms of both accuracy and convergence speed.     

面向反应再生过程的量子粒子群多目标优化

针对催化裂化反应再生过程难以有效解决提升效率、降低损耗、减少排放的多目标优化问题，利用改进的多目标量子粒子群算法进行求解。建立轻油收率、焦炭产率和硫化物排量的多目标优化模型；引入拥挤熵排序更新外部档案，精确估计非支配解集分布性；构造自适应因子以动态调整吸引子，平衡算法的收敛性和多样性；再引入高斯变异进行分段式扰动，增强算法的局部搜索精度，最后求解该优化模型。对某厂催化裂化进行实验，得到轻质油吸收率76.22%，焦炭产率5.72%和硫化物排放量626 mg/m³的结果，均优于其他比较算法，表明改进后的算法可以快速、准确地获得分布均匀的 Pareto 最优解，能有效解决反应再生过程多目标优化问题。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

改进鲸鱼优化算法及其在渣油加氢参数优化的应用

针对智能优化算法在处理非线性优化问题中存在的容易陷入局部最优和收敛精度差等问题,提出了一种基于结合差分进化和精英反向学习的改进鲸鱼算法（DEOBWOA）。该算法引入对立搜索初始化、精英反向学习,并结合差分进化进行变异修正,显著有效地提高WOA算法的收敛精度和收敛速度,提高其跳出局部最优的能力。之后采用8个标准测试函数进行仿真实验,结果表明：DEOBWOA算法与标准WOA、HCLPSO、DE算法相比,全局搜索能力和收敛速度都有较大提升。最后建立了渣油加氢动力学模型,考虑到渣油加氢过程中存在诸多典型的非线性约束问题,以某炼化厂渣油加氢装置为例,应用DEOBWOA对渣油加氢反应动力学模型参数进行优化,结果表明该算法能较好地处理实际工程优化问题。