基于改进自适应遗传算法的复合材料铺层优化设计

为提高采用遗传算法的复合材料铺层优化计算效率,提出了改进的自适应遗传算法,其交叉和变异算子在迭代过程中能够根据种群迭代收敛趋势进行自适应调整。通过二维Rasrtigrin测试函数试验,表明改进自适应遗传算法能够增加全局收敛次数,提高收敛速度。在此基础上,编写整数编码的改进自适应遗传算法,并结合经典层合板理论,以质量轻量化为目标,结构强度和刚度为约束条件,对复合材料层合板进行铺层优化设计,算例迭代过程显示收敛到最优解自适应遗传算法需进化27代,改进自适应遗传算法需进化19代。结果表明,提出的改进自适应遗传算法能够明显提高复合材料铺层优化设计效率。     

基于蚁群算法的复合材料层合板的铺层顺序优化

本文将蚁群算法引入到复合材料层合板铺层顺序的优化设计中,对给定各角度铺层数的层合板进行优化设计。本文采用遗传算法(GA)中的整数编码方法,将层合板的铺层顺序优化问题转化为求解旅行商问题(TSP),接着为满足工程实际的需要,对基本蚁群算法作了适当修改,以提高优化效率及性能。算例结果表明,对于确定层合板最佳铺层顺序的这种离散变量优化问题,蚁群算法是一种行之有效的方法,且编程简单、可移植性好,对工程结构优化设计有一定的参考价值。     

提高层压板屈曲强度的铺层顺序优化方法讨论

复合材料层压板铺层优化设计对于提高飞机结构承载能力至关重要。本文基于遗传算法和随机正态分布优化算法,以轴压复合材料层压板屈曲荷载为目标函数,开展铺层顺序优化设计。采用MATLAB语言编写两种优化算法程序,对不同铺层数和边界条件的对称均衡层压板进行铺层顺序优化。结果表明:采用整数编码、罚函数处理约束条件的遗传算法能够优化层合板铺层顺序问题;当铺层总数为24层时,四边简支和四边固支层合板的最优铺层相比最差铺层的承载力分别提高了27%和15%,优化铺层设计效果明显。随机正态分布优化算法计算结果与遗传算法结果一致,随机正态分布优化算法更简单实用、易收敛,更适用于层压板的铺层顺序优化设计。     

基于启发式知识和自适用遗传算法的复合材料铺层优化设计

一般针对复合材料层合板铺层优化设计的研究多侧重于算法的研究,没有考虑到铺层知识对铺层的约束.本文建立了基于启发式知识和自适应遗传算法的复合材料层合板铺层优化模型,采用带置信度的IF-THEN模糊表达方式表达层合板铺层启发式知识,以蔡-希尔(Tsai-Hill)强度准则建立自适用遗传算法的适应度函数,在原有约束的基础上增加了铺层启发式知识约束.算例应用上述模型求解层合板的最佳铺层顺序,并将该结果和没有应用铺层知识约束的优化结果进行比较,证明了该模型的优越性和实用性.     

大型风机复合材料叶片铺层优化设计

本文的主要研究内容是基于遗传算法对大型风机复合材料叶片进行铺层优化设计,对其进行优化设计必须建立在深入理解力学原理,熟悉掌握数值计算方法的基础上。因此,在深入研究单层复合材料以及叠层复合材料的弹性特征理论基础和改进的遗传算法优化理论之后,参考了一定的铺层规则,在铺层角度限制为工程中常用的四种角度的前提下,应用遗传算法对大型风机复合材料叶片进行了铺层优化设计。设计结果表明,由于遗传算法特有的处理离散型问题的优势,在叶片铺层的优化设计中应用遗传算法是可行和可信的。     

基于差分进化算法的变角度纤维层合板优化

以变角度纤维的起始角、终止角和层合板的层铺顺序为设计变量,弯曲刚度为设计目标,优化变角度纤维层合板。在优化过程中,对应层铺顺序的设计变量通过实数编码和置换策略转换成整数变量,实现离散空间和连续空间之间的转换。由于离散变量和连续变量的优化进程差异,本文提出一种改进的自适应差分进化算法,对不同类型的优化变量采取不同的自适应变异算子。相关算例计算结果表明:无论是对层合板的局部优化还是全局优化,改进的自适应差分进化算法都比差分进化算法和自适应差分进化算法计算精度高、收敛速率快,同时可以有效避免"早熟"现象。对于变角度纤维层合板弯曲刚度优化问题,本文提出的改进的自适应差分进化算法是一种相对高效的可行方法。     

基于遗传算法的层压板强度优化设计

本文的主要目的是研究遗传算法的优化机理并将遗传算法应用到复合材料层压板铺层的优化设计中。在深入理解力学原理,熟悉掌握数值计算方法的基础上对层压板进行强度优化设计。因此,在深入研究单层复合材料以及叠层复合材料的弹性特征理论基础和改进的遗传算法优化理论之后,针对复合材料层压结构遗传算法优化设计中层压结构参数具有离散型的特点,提出了适合复合材料层压结构遗传算法优化设计的整数编码策略,以整数来表征层压结构参数,这种编码方式简单直观、使用方便、易于进行遗传算法的交叉及变异操作。在分析层压结构强度的基础上,针对结构强度优化的目标构造了可用于遗传算法的适应度函数。同时参考了一定的铺层规则,在铺层角度限制为工程中常用的四种角度的前提下,应用遗传算法对层压板进行了铺层优化设计。设计结果表明,由于遗传算法特有的处理离散型问题的优势,在层压板铺层的优化设计中应用遗传算法是可行和可信的。     

层合板热膨胀系数优化设计的遗传算法实现

本文针对在复合材料设计领域中热膨胀系数的设计问题，用遗传算法对给定层数和铺层角度的层合板进行了铺层顺序的优化研究。使其满足特定的要求，通过计算看出，遗传算法可以快速得到结果，表明了遗传算法在复合材料设计领域可以作为一种有效的设计手段。所完成的优化软件具有一定的工程应用价值。     

复合材料声呐导流罩铺层的遗传算法优化设计

以复合材料力学经典层合板理论为基础,利用MATLAB编程联合ANSYS有限元分析,建立了复合材料声呐导流罩铺层结构优化平台。首先对单向载荷下的层合板铺层结构进行优化,并和实验结果相比较,验证了该优化平台的有效性。结果表明,优化后的层合板强度有了较大提高。在此基础之上,根据水下实际载荷工况,对声呐导流罩的铺层进行了优化设计,并利用ANSYS有限元分析对优化后的铺层进行应力应变分析。结果表明,声呐导流罩强度性能显著提高,实现了声呐导流罩铺层的优化设计。     

基于深度学习的复合材料铺层优化方法

复合材料在航空工程中有着广泛的应用,其中铺层优化对提高结构承载能力至关重要。本文中首先运用基于神经网络的深度学习方法快速预测设计结果,然后依据预测结果,通过遗传算法搜索复合材料层合板设计问题的最优解,提高铺层设计效率,最后对比应用深度学习技术与传统优化算法得到的优化结果,证明了深度学习技术在层合板铺层优化中的便捷性和有效性。     

基于全局优化改进混沌粒子群遗传算法的物料平衡数据校正

结合遗传算法（GA）和粒子群算法（PSO）的优点以及混沌运动的特性,提出了加入混沌扰动的混沌粒子群遗传算法（DCPSO-GA）,并使用5个高维非线性测试函数考察全局优化混合算法的性能。DCPSO-GA解决了在寻优搜索时出现的停滞现象,扩大了全局优化的搜索空间,丰富了粒子的多样性,且不需要函数梯度信息。测试结果证明,针对本文的5个测试函数DCPSO-GA能找到全局最优解,其收敛速度很快,大大减少了计算量。而且,经过与其他相关算法比较可知,当总的目标函数调用次数较接近或更少时,改进算法不论在计算精度还是收敛速度上,均有很大的提高。并将DCPSO-GA算法应用到重油裂解参数估计和预测中,测试结果证明,其提高了参数估计和预测的准确性,降低了误差,能有效找到全局最优解,收敛速度快,大大减少计算量。     

一种基于Alopex的参数自适应进化算法及其在软测量建模中的应用

提出了一种基于Alopex的参数自适应进化算法(SaAEA)。SaAEA算法将进化分为两个层面,即种群个体利用AEA算法进化,算法参数利用粒子群算法进化,实现参数的自适应调整。并将差分算法中使用的交叉操作引入到AEA算法以改善种群多样性。SaAEA算法在14个典型测试函数上进行了测试,测试结果表明,与基本的AEA算法相比,SaAEA算法寻优性能有了较大的提高,获得的解的质量和收敛速度均有明显提高。最后,将SaAEA算法应用于乙烯裂解深度神经网络软测量建模,得到的模型有较好的泛化能力。     

大规模过程系统能量优化综合的遗传模拟退火算法

为求解一般优化算法难以解决的大规模化工系统全过程用能优化综合问题,根据过程用能一致性原则,将其转换为一个大规模虚拟换热网络的求解问题．本文将改进的遗传算法和模拟退火算法有效地结合,增强了遗传算法的搜索能力,预防了传统遗传算法提前收敛的缺陷．数值计算表明,此算法显著优于求解优化问题的遗传算法和模拟退火算法,可处理热、冷流股数超过100的大规模过程系统的用能优化问题,取得了满意的结果．     

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。     

非线性蒸汽动力系统参数优化新方法——改进遗传算法

针对蒸汽动力系统参数优化的整数非线性规划问题（ＮＬＰ）提出一种改进的遗传算法。该算法对连续变量采用连续化遗传算子进行处理,使得算法与原问题的对应更加自然有效。针对常见的提前收敛或局部最小现象提出几种算子。实例表明本方法能对蒸汽动力系统参数准确、迅速地进行优化。     

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。     

基于多策略自适应差分进化算法的污水处理过程多目标优化控制

针对污水处理过程中的能耗过高和出水水质不达标等问题,提出一种基于多策略自适应差分进化算法的污水处理过程多目标优化控制方法。首先,在常规跟踪控制结构的基础上,增加对第3、4单元溶解氧浓度的跟踪控制,扩大了能耗和出水水质的优化调节范围。然后,设计一种多策略自适应差分进化算法（MSADE）,该算法采用多策略融合变异和排序优选方法,选取合适的变异策略和较优的随机个体引导种群变异,并根据进化过程信息自适应地更新交叉率,以提升算法的收敛性和pareto解的多样性。最后,将MSADE算法与PID控制器相结合,并构建以能耗和出水水质为优化目标的多目标优化问题,实现对溶解氧和硝态氮浓度设定值的动态寻优和跟踪控制。基于国际基准仿真平台BSM1进行验证,结果表明所提的多目标优化控制方法能有效降低污水处理过程的能耗并提升出水水质。     

一种改进的混合遗传算法及在化工过程动态优化中的应用(英文)

The solutions of dynamic optimization problems are usually very difficult due to their highly nonlinear and multidimensional nature. Genetic algorithm (GA) has been proved to be a feasible method when the gradient is difficult to calculate. Its advantage is that the control profiles at all time stages are optimized simultaneously, but its convergence is very slow in the later period of evolution and it is easily trapped in the local optimum. In this study, a hybrid improved genetic algorithm (HIGA) for solving dynamic optimization problems is proposed to overcome these defects. Simplex method (SM) is used to perform the local search in the neighborhood of the optimal solution. By using SM, the ideal searching direction of global optimal solution could be found as soon as possible and the convergence speed of the algorithm is improved. The hybrid algorithm presents some improvements, such as protecting the best individual, accepting immigrations, as well as employing adaptive crossover and Gaussian mutation operators. The efficiency of the proposed algorithm is demonstrated by solving several dynamic optimization problems. At last, HIGA is applied to the optimal production of secreted protein in a fed batch reactor and the optimal feed-rate found by HIGA is effective and relatively stable.     

Modified genetic algorithm with sampling techniques for chemical engineering optimization

In this work, we develop a new efficient technique to enhance the optimization ability, and to improve the convergence speed of genetic optimization algorithm. We investigate and introduce a number of sampling techniques to generate a good set of initial population that encourages the exploration through out the search space and hence achieves better discovery of possible global optimum in the solution space. The introduced sampling techniques include Latin hypercube sampling (LHS), Faure sequence sampling (FSS), and Hammersley sequence sampling (HSS). The performances of the proposed algorithms and a conventional genetic algorithm using uniformly random population are compared, both in terms of solution quality and speed of convergence. A number of test problems and a case study, optimization of multi-effect distillation, demonstrate the feasibility and effectiveness of the proposed techniques. With the same parameters, our technique provides a better solution and converge to the global optimum faster than the traditional genetic algorithm.     

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。