基于知识引导的自适应动态多模态差分进化算法

为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.     

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其它算法的对比,验证算法的有效性.     

乙烯裂解炉关键组分质量收率在线测量技术

深入分析了裂解炉现有裂解气取样分析系统存在的问题,提出了一种裂解气关键组分质量收率的在线测量方法。该方法基于对裂解气组成、物理和化学性质的分析,推导了裂解气中关键组分质量收率的表达式,进而提出了一种新的裂解气在线取样分析系统,并详细地给出了设计和实现方法。该系统可以在现有取样系统的基础上,通过增加1个取样孔和1股防焦蒸汽,解决裂解气关键组分质量收率无法直接在线获取的难题,对乙烯装置运行优化系统设计和效益评价有非常重要的意义。     

改进的教学优化算法及其应用

针对教学优化算法（TLBO）收敛速度慢,容易陷入局部最优的问题,本文提出了一种改进的方法。算法的改进主要在两方面：一是对教学因子（TF）进行自适应调整,使TF随算法迭代减小,这样算法在搜索前期采用全局搜索,搜索空间快速收敛于最优解附近,提高搜索速度,搜索后期采用局部精细搜索以获得高精度的解。二是引入信任权重,对学生已获得的知识采取部分信任的策略,避免对已获取知识的过分信任,增加学生个体与教师及学生之间的信息共享,利于算法跳出局部最优。算法在8个标准测试函数上应用,仿真结果表明改进的算法有更快的收敛速度并且能够跳出局部最优。最后将改进的算法应用到乙烯裂解炉裂解运行效益优化中,显著提高了裂解炉的效益。     

改进回溯搜索算法解决光伏模型参数识别问题

为了准确、可靠地识别光伏模型参数,提出一种改进回溯搜索算法（MBSA）。该算法首先通过选取部分种群个体同时学习当前种群和历史种群信息,而其他个体向当前种群中最优个体学习并远离最差解,从而保持种群多样性并提高收敛速度;然后,通过概率来量化总体中的个体性能,进而每个个体基于概率自适应地选择不同的进化策略来平衡探索和开发能力;最后,采用基于混沌局部搜索的精英策略来进一步提高种群的质量。所提算法在单二极管、双二极管和光伏模块等不同的光伏模型上进行仿真实验。实验结果表明,所提出的策略极大提升了回溯搜索算法（BSA）的收敛速度和参数识别的准确性。将所提算法与逻辑混沌JAYA（LCJAYA）算法和多重学习回溯搜索算法（MLBSA）等八种先进的算法进行对比,结果表明,所提出算法参数识别的鲁棒性在对比算法中最优,在单、双二极管模型上的识别准确性明显优于JAYA、LCJAYA、改进的JAYA优化（IJAYA）和基于教学的优化（TLBO）算法,在光伏模块模型上的识别准确性明显优于MLBSA、JAYA、IJAYA和TLBO算法。在不同光照条件和不同温度下采用厂商真实数据对薄膜、单晶和多晶三种光伏组件进行的实际测试中,所提算法的预测结果与实测情况一致。仿真结果表明,所提算法能够精确稳定地识别光伏模型参数。     

多模态多目标优化综述

随着工业生产和日常生活需求的多样化,单个解决方案已经无法满足生产生活的需求.多模态优化可以为决策者提供多个可行方案,但是早期对多模态优化的研究局限在单目标优化中.在多目标优化中也存在多模态优化问题,其存在多个全局或局部帕累托最优解集,找到这些最优解集具有重大的理论和实际意义.鉴于此,首先,介绍多模态多目标优化问题的特点和求解难点;其次,综述求解此类问题的主要方法,总结这些方法的优缺点;再次,介绍常用的多模态多目标优化标准测试函数集和性能评价指标;最后,给出多模态多目标优化的应用领域及未来的研究方向.     

求解电力系统经济调度问题的改进粒子群优化算法

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.     

基于多目标优化的燃料电池汽车实时能量管理策略

为了降低混合动力系统的燃料消耗并延缓动力元件的老化,提出了一种基于多目标优化和路况分类的能量管理策略(EMS)。首先,构建了燃料电池与锂电池的电气模型,并引入了等效氢耗模型和燃料电池老化模型。其次,设计了基于规则的多模式EMS,在此基础上,为了进一步降低系统的等效氢耗,并延长其使用寿命,基于多目标白鲸算法(MOBWO)对EMS参数进行优化。再次,为了使所设计的EMS适用于不同的路况,提出了基于长短期记忆网络(LSTM)的驾驶路况实时分类方法,旨在根据分类结果切换EMS的控制参数以达到最优效果。最后,在仿真平台上对所提算法进行分析。结果表明：与基于规则的方法相比,所提方法氢耗量降低了2.3%,燃料电池的老化程度降低了1.02%,验证了所提EMS能够有效降低混合系统的燃料消耗,并且能够延缓燃料电池老化,从而提升了系统的经济性和耐久性。     

基于反馈的精英教学优化算法

精英教学优化算法（Elitist teaching-learning-based optimization,ETLBO）是一种基于实际班级教学过程的新型优化算法. 本文针对ETLBO算法寻优精度低、稳定性差的问题,提出了反馈精英教学优化算法（Feedback ETLBO）. 在ETLBO算法的基础上,通过在学生阶段之后加入反馈阶段,增加了学生的学习方式,保持学生的多样性特性,提高算法的全局搜索能力. 同时,反馈阶段是选举成绩较差的学生与教师交流,使成绩较差的学生快速向教师靠拢,使算法进行局部精细搜索,提高算法的寻优精度. 对6个无约束及5个约束标准函数的测试结果表明,FETLBO算法与其他算法相比在寻优精度和稳定性上更具优势. 最后将FETLBO算法应用于拉压弹簧优化设计问题及0-1背包问题,取得了满意结果.