基于群体信息挖掘的新遗传算法及其应用

鉴于标准遗传算法有局部搜索能力差,求解精度不高等缺点,引入多元回归分析和模式搜索算法,利用最小二乘法求得种群寻优方向的信息,建立一种新的遗传算法,并由此指导种群中的每一个个体模式搜索,提高整个种群的寻优速度和效能,以非线性连续优化仿真为例,结果表明,该方法比遗传算法性能更好。该算法应用于优化化工过程,效果良好。     

基于新型蚁群算法优化的重油热裂解模型

针对重油热裂解模型的参数估计问题呈高维、高度非线性的特征,提出一种基于新型蚁群算法优化的重油热裂解模型.通过新型蚁群算法优化确定模型参数,获得具有良好预测精度的模型.新型蚁群算法通过将解空间划分成若干子域,并引入遗传操作,实现连续优化问题的寻优.仿真结果表明它具有良好的性能,且优于传统的遗传算法.     

基于蚂蚁智能体调度的混沌搜索算法及化工应用

针对混沌搜索随机性的缺点和遍历性的优点,提出了一种基于蚂蚁智能体调度的混沌搜索算法（chaos optimization algorithm based on ant agent scheduling,CAAS）。该算法将解空间的每维变量都划分成若干子域并分配一定规模的蚂蚁智能体,蚂蚁智能体在各子域中进行混沌搜索。同时,根据每维变量各个子域中信息素浓度决定蚂蚁智能体在各个子域间的转移,以有效克服传统混沌优化算法的随机性,实现快速的全局最优搜索。分别采用传统混沌优化算法和CAAS对标准的非线性连续优化问题进行寻优。结果表明：CAAS的全局搜索性能、收敛速率都明显地优于混沌优化算法。最后,将该算法应用于对羧基苯甲醛含量软测量模型参数估计,取得良好的效果。