基于多目标进化算法的对二甲苯氧化反应过程优化操作

针对单目标优化算法在求解优化问题时普遍存在易陷入局部最优的缺陷,本文提出采用基于精英选择和个体迁移的多目标优化方法来求解单目标优化问题,通过对原问题目标进行有效分解,将其分解为多个子目标,通过对多个子目标的优化来扩大搜索范围,加快算法的收敛速度。仿真结果表明,与文献中方法相比,采用多目标方法来求解单目标问题能显著提高算法收敛速度,将其应用于对二甲苯(PX)氧化反应过程的优化操作,在相同计算成本条件下,醋酸和PX燃烧损失明显下降,成本损失大幅减少。     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

一种基于梯度信息的多目标优化算法

传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是针对动态多目标优化问题。就此提出了一种新的基于梯度信息的多目标寻优算法（hybrid optimization algorithm based on single and multi-objective gradient information,HSMGOA）,该算法首先利用种群中每个个体对各目标的负梯度方向,以有效保证种群个体能沿单个目标函数值减小的方向加快搜索;同时为避免由于多目标问题之间的冲突性而导致其他目标函数的显著增大,将多个目标的梯度信息方向整合为一个方向进行协同搜索;并且还提出了一种新的选择置点法,以加快算法初始寻优速度并提供优良的初始种群。通过对ZDT系列测试函数的仿真可以看出,HSMGOA在较少的运行次数下,其性能远远优于NSGA2算法。最后将HSMGOA与NSGA2混合以解决补料分批生化反应过程的动态多目标优化问题,并将取得的Pareto最优解集与NSGA2、MOPSO比较可知,该混合算法在解决该化工问题时表现出了更好的性能。     

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.     

一种新的多种群竞争粒子群优化算法及高密度聚乙烯装置操作优化

利用模糊C均值聚类对种群自适应划分,提出一种基于模糊C均值聚类的多群竞争粒子群优化算法。根据种群规模选择不同的寻优策略,规模大者采用标准粒子群算法寻优,规模小者在最优解邻域随机搜索,增大跳出局部最优概率。在每个聚类内部,个体相互通信,通过竞争学习分别找到各聚类种群的适应值,按照不同聚类的适应值排序,再把适应值小者向其邻近的适应值大者融合,通过种群间的竞争保证种群向最优解搜索。该算法避免陷入局部最优,提高了算法的全局搜索能力,通过标准函数验证了算法的有效性。最后,把提出的优化算法应用到高密度聚乙烯装置（HDPE）乙烯单体总消耗的优化操作,实际应用效果良好。     

混合蚁群算法及其在裂解深度建模中的应用

设计了一种新的混合蚁群算法,该算法以一种新的二进制蚁群算法为基础,混合PBIL算法及遗传算法的交叉操作和变异操作,从而大大提高了种群的多样性及算法的收敛速度,改善了全局最优解的搜索能力。通过函数优化测试表明该算法具有良好的收敛速度和稳定性,同时将该算法应用到裂解炉裂解深度的神经网络软测量建模中,取得了很好的应用效果。     

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。     

采用结构保护策略的强制进化随机游走算法优化换热网络

鉴于强制进化随机游走算法（random walk algorithm with compulsive evolution, RWCE）在优化换热网络时可能出现有潜力结构被差解代替,提出了一种结构保护策略,增加一个与原种群平行进化的新种群,新种群执行结构保护,个体与原种群一一对应并接收其当前最优解,同时采用一种降维邻域搜索的进化方式,设置个体各维变量更新概率确定搜索维数,充分挖掘个体结构进化潜力,提升了算法的局部搜索能力;原种群则沿用RWCE的主要操作,保留了较强的全局搜索能力。将采用结构保护策略的RWCE算法用于有分流换热网络优化,取得了优于现有文献的结果。     

多目标过程系统优化的粒子群算法求解

化工领域的过程设计、生产控制、配方和计划等众多问题的数学模型,在考虑产品性能、单位成本、环境影响等诸多因素下,都是多目标优化问题;而求解多目标优化问题,目前还没有有效的方法;现今的做法是把多目标优化通过加权转化为单目标优化,再求解单目标优化问题,但这存在权数不易确定;还忽视了有效解集中存在一个其各目标的值与各目标的最优值距离最近的有效解的问题,称为理想有效解.理想有效解的求法一般分为两步,先求各目标的最优值、再求理想有效解,这将影响求解的速度;为此提出在PSO(粒子群优化)算法中加入惩罚项,同时对PSO算法中的个体极值与全局极值作调整,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;这使得在求解速度上加快.通过性能测试表明了算法的有效性,最后将算法用于求解多亚甲基多苯基多胺生产过程系统优化取得良好效果.     

采用结构保护策略的强制进化随机游走算法优化换热网络

鉴于强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE)在优化换热网络时可能出现有潜力结构被差解代替,提出了一种结构保护策略,增加一个与原种群平行进化的新种群,新种群执行结构保护,个体与原种群一一对应并接收其当前最优解,同时采用一种降维邻域搜索的进化方式,设置个体各维变量更新概率确定搜索维数,充分挖掘个体结构进化潜力,提升了算法的局部搜索能力;原种群则沿用RWCE的主要操作,保留了较强的全局搜索能力。将采用结构保护策略的RWCE算法用于有分流换热网络优化,取得了优于现有文献的结果。