粒子群算法求解边值固定的化工动态过程优化问题

针对化工过程系统优化中广泛存在着边值固定的动态优化问题,该问题的求解数学上还没有有效的方法,现今的方法之一是将问题转化为多目标优化问题.本文在粒子群优化(PSO)算法的基础上,提出在PSO算法中加入惩罚项,同时对局部极值与全局极值作进一步的调整,使PSO算法适用于求多目标优化问题理想有效解,该算法对多目标问题起到边优化边求理想有效解的功效;即只用一步即可求理想有效解,这使得在求解速度上大为加快.最后将其用于间歇反应器的最佳反应温度边值固定动态优化控制的实际运用中,取得良好效果.     

多亚甲基多苯基多胺制备过程中仲胺转位反应的宏观动力学

通过实验对多胺制备,即苯胺甲醛缩合过程中仲胺转位反应的动力学进行了研究,获得了宏观动力学方程：－ｄＣｓ／ｄｔ＝ｋｅ＾Ｅ／ＲＴＣ＾２ｓ「Ｈ＾＋」２。根据实验结果并结合文献对苯胺甲醛缩合机理进行了探讨,认为转位反应是由两个质子化的仲胺碰撞发生的。     

基于改进粒子群算法的乙苯脱氢过程多目标优化

设计了一种基于支配关系构造非支配解集的多目标粒子群算法(MOPSO),将当前找到的非支配解保存到一个外部集——最优解集,利用支配更新其最优解集,多次迭代后得到Pareto最优解集。把乙苯脱氢反应过程的收率和选择性作为优化目标,动力学模型和实际生产状况作为约束条件构造乙苯脱氢过程的多目标优化问题,利用改进的多目标粒子群算法进行优化求解。基于求得的Pareto最优解集研究了各个操作条件对乙苯脱氢生产过程收率和选择性的影响,为后续乙苯催化脱氢系统实施先进控制奠定了基础。     

改进的粒子群优化算法及其在多目标过程设计中的应用

介绍了粒子群优化算法的基本思想和步骤,对基于动态Pareto解集的多目标粒子群优化算法进行了分析,提出了随机更新个体粒子最优位置的策略,并把改进的粒子群优化算法用于实际的多目标过程设计中.对甲苯加氢脱烷基化过程进行了分析,利用此方法对以经济和环境为目标的加氢脱烷基化过程设计进行了计算.结果表明,此种方法可以用于实际的多目标过程设计中.     

改进粒子群算法在酶发酵过程优化控制中的应用

针对发酵过程的非线性、时变等特点,建立了基于BP神经网络的产物浓度预估模型,并在此模型的基础上,利用改进的粒子群算法(PSO)实现对L-天冬酰胺酶Ⅱ发酵过程控制参数的寻优,以确定该过程的优化轨线,通过在线调整实现对优化轨线的跟踪控制,实验应用结果表明效果良好.     

基于粒子群算法的动态多目标优化

针对碳二氢生产中的反应器动态优化问题,目前虽然有多种算法对生产过程进行优化,但大部分只是对单一目标进行求解,提出一种更为灵活的反应器动态求解方法。在该方法中,首先构建碳二氢目标函数,然后采用多目标粒子群算法和分段线性函数参数法结合的方式对目标函数的进行求解,以提高整体搜索能力,得到碳二氢反应器动态优化的最优解。最后,以实际乙烯碳二加氢化工反应过程为例进行实验验证,结果证明,通过该方法进行求解的目标函数无论是在收敛性,还是在优化的平均值等方面,都比SADE-eCD和NSGA-II算法具有优势,说明该算法在反应器动态优化中是切实可行的。     

改进极值策略的多目标粒子群算法及其在PX氧化过程中应用

提出了一种新的用于求解多目标问题的粒子群算法,该算法采用一种新的全局极值和个体极值选取策略,提升了种群逼近Pareto最优前沿的稳定性和精度,同时为了提升种群跳出局部最优的能力,提出两步变异操作.此外还采用了外部存档存储每一代产生的非支配解,并且使用动态更新的拥挤距离来维持外部存档的规模.然后,通过典型的ZDT系列测试函数对该算法进行评估,并与MOEA/D、NNIA和NSGA-Ⅱ 3种多目标优化算法进行比较.实验结果显示,新算法相较于其他算法具有较好的分布性与收敛性.最后将其应用于PX氧化反应操作优化中,在相同计算成本的条件下,新算法优化后的醋酸和PX燃烧损失明显下降,成本损失大幅减少.     

化工过程系统优化的分布式并行计算

针对大规模化工过程系统优化计算能力不够的情况 ,讨论用机群系统建构成并行优化计算环境 .在分析并行计算的原理和现状后 ,对优化算法的并行化进行探讨 ,并且深入讨论了大规模优化算法SQP的并行化和如何提高机群系统效率的问题 .通过精馏塔优化算例 ,证明利用机群系统开展并行优化是行之有效的     

对氯苯酚封闭多亚甲基多苯基多异氰酸酯

以对氯苯酚作为多亚甲基多苯基多异氰酸酯(PAPI)的封闭剂、二月桂酸二丁基锡和三乙胺作为复合催化剂,研究了催化剂、投料配比、加料方式、反应温度和反应时间等对封闭反应的影响。采用红外光谱(FT-IR)法和核磁共振(NMR)法对-NCO含量的变化情况进行分析,并采用FT-IR法测定解封闭温度。结果表明:对氯苯酚封闭PAPI的适宜反应条件为n(-OH)/n(-NCO)=1.03、n(二月桂酸二丁基锡)∶n(三乙胺)∶n(对氯苯酚)=0.2∶0.2∶100、反应温度为40℃、PAPI溶液滴加到对氯苯酚溶液中的滴加时间为1 h以及反应时间为1 h;对氯苯酚封闭异氰酸酯的解封闭温度为87℃。     

基于多目标粒子群算法的污水处理智能优化控制

为了满足污水处理过程出水水质排放达标的同时降低运行能耗,提出了一种基于多目标粒子群的污水处理多目标智能优化控制方法。首先,通过分析污水处理运行数据,建立了基于自适应回归核函数的污水处理能耗和出水水质模型;其次,设计出一种污水处理多目标优化方法,利用多目标粒子群优化算法同时对污水处理自适应能耗和出水水质模型进行优化,获得溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对溶解氧和硝态氮浓度优化设定值进行跟踪控制,实现了污水处理过程的多目标优化控制。基于污水处理基准仿真平台BSM1的实验结果显示,该多目标优化控制方法不但能够保证出水水质达标,而且能有效降低污水处理过程的能耗。     

应用群能量恒定粒子群优化算法的批次流加发酵过程批次间优化(英文)

An iterative optimization strategy for fed-batch fermentation process is presented by combining a run-to-run optimization with swarm energy conservation particle swarm optimization (SEC-PSO). SEC-PSO, which is designed with the concept of energy conservation, can solve the problem of premature convergence frequently appeared in standard PSO algorithm by partitioning its population into several sub-swarms according to the energy of the swarm and is used in the optimization strategy for parameter iden-tification and operation condition optimization. The run-to-run optimization exploits the repetitive nature of fed-batch processes in order to deal with the optimal problems of fed-batch fermentation process with inaccurate process model and unsteady process state. The kinetic model parameters, used in the operation condition optimization of the next run, are adjusted by calculating time-series data obtained from real fed-batch process in the run-to-run optimization. The simulation results show that the strategy can adjust its kinetic model dynamically and overcome the instability of fed-batch process effectively. Run-to-run strategy with SEC-PSO provides an effective method for optimization of fed-batch fermentation process.     

Protein Structure Refinement Using Multi-Objective Particle Swarm Optimization with Decomposition Strategy

Protein structure refinement is a crucial step for more accurate protein structure predictions. Most existing approaches treat it as an energy minimization problem to intuitively improve the quality of initial models by searching for structures with lower energy. Considering that a single energy function could not reflect the accurate energy landscape of all the proteins, our previous AIR 1.0 pipeline uses multiple energy functions to realize a multi-objectives particle swarm optimization-based model refinement. It is expected to provide a general balanced conformation search protocol guided from different energy evaluations. However, AIR 1.0 solves the multi-objective optimization problem as a whole, which could not result in good solution diversity and convergence on some targets. In this study, we report a decomposition-based method AIR 2.0, which is an updated version of AIR, for protein structure refinement. AIR 2.0 decomposes a multi-objective optimization problem into a number of subproblems and optimizes them simultaneously using particle swarm optimization algorithm. The solutions yielded by AIR 2.0 show better convergence and diversity compared to its previous version, which increases the possibilities of digging out better structure conformations. The experimental results on CASP13 refinement benchmark targets and blind tests in CASP 14 demonstrate the efficacy of AIR 2.0.     

微粒群优化算法研究进展

围绕微粒群优化(PSO)算法的原理、特点、改进、应用等方面进行全面综述,介绍针对复杂环境的PSO研究内容,包括多目标、约束、离散和动态优化等,提出PSO有待进一步研究的若干方向和内容。     

多样性分布参数的粒子群算法及其在过程动态优化中的应用

提出一种多样性分布参数的粒子群算法(DDPPSO)。在DDPPSO算法中,每个粒子在初始化时拥有各自的惯性权重和加速因子。在迭代时由每个粒子的寻优性能决定其参数的权重,进而计算参数群体的加权平均值。根据加权平均值与自适应方差,通过正态分布产生下一代参数个体,从而实现参数群体的多样性分布,为算法的寻优提供实时最佳的控制参数。标准测试函数实验表明,在寻优性能上DDPPSO算法较新改进的PSO算法有较大提高。最后,将DDPPSO算法应用于Park-Ramirez生物反应器的动态优化,获得满意的结果。     

粒子群优化算法的研究

粒子群优化算法是一种基于群体智能的优化算法。介绍粒子群优化算法及其基本原理,给出各种改进技术及研究现状,并展望未来的发展趋势。     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

基于免疫机制的多目标蚁群算法用于间歇反应器的约束动态多目标优化

含路径和终端约束的动态多目标优化是过程系统工程的一个重要研究方向,难度较高.传统蚁群算法仅适于离散问题,今采用混合正态分布描述信息素分布,并设计相应的解构造操作,使之拓宽至连续优化问题.通过对目标函数和约束矩阵的非劣捧序,确定解的等级,用以克服传统约束处理方法的局限性.借鉴了免疫系统的浓度概念,将其与解的等级结合,共同确定解的适应度,有助于保持种群的多样性.在更新信息素时将利用外部优解库和种群信息,可加快收敛速度.基于拥挤度距离更新外部优解库可更均匀地逼近Pareto最优解集.由此构建了一种基于免疫机制的多目标蚁群算法(Immune Mechanism based Multi-Objective Ant Colony Algorithm,IM-MOACA),并用于间歇反应器的动态多目标优化问题,效果良好,显示出较强的全局优化性能,能以较快的速度逼近真实的Pareto最优前沿,可为用户进行合理的决策分析提供有效的支持.     

基于粒子群优化的磨矿分级过程多层数据协调

准确稳定的过程数据是选矿厂进行过程优化控制和决策管理的依据,今针对磨矿分级过程数据特点,建立了多层数据协调模型,包括总物料平衡层、粒度分布/品位层和不同粒度下的成分分析层(金属分布率层);针对模型维数较高的问题,引入粒子群优化(PSO)算法进行求解。根据不同的测量信息,可选择相应的层次进行协调,并采用从低层向高层逐层协调的方法,实现了部分非线性约束到线性约束的转化,提高了数据协调效率。将该多层模型和PSO算法用于某选矿厂磨矿分级过程实际生产数据的协调,结果表明协调后的数据更准确、更稳定,包含的信息更丰富完整。