基于自适应竞争群优化算法的无分流换热网络综合

换热网络模型具有非凸和非线性的特性,对于大规模超结构优化问题,采用经典的智能算法优化效率低,容易陷入局部最优值。以年综合费用为目标函数,基于自适应竞争群优化算法对无分流分级超结构换热网络模型进行优化。该方法采用对粒子平均位置的递减学习,通过自适应调节速度权重提高换热网络结构的全局优化能力和局部优化能力。通过两个典型算例分析表明,该方法相比量子粒子群算法大幅减少了模型调用次数,缩短了运行时间,并且找到了更好的优化结果。     

粒子群算法最优同步综合换热网络

采用粒子群算法,对无分流换热网络综合问题提出改进的优化策略.运用超结构建立换热网络模型,以最小年度总费用为优化目标,按顺序求解思路优化换热器换热量.该算法比遗传算法简单,所需调节参数少,且不易陷入局部最优解,能迅速得到换热网络的结构与参数,具有获得全局最优解的能力.仿真研究验证了方法的有效性.     

无分流的管壳式换热网络优化研究

提出无分流管壳式换热网络的分级超结构模型,得出优化该换热网络的目标函数和约束条件,采用位置加权的改进粒子群算法进行优化举例。结果表明,通过选择合适的加权因子,位置加权的改进粒子群算法能加快算法的收敛速度,更快地得到全局最优解,从而得到最佳的管壳式换热网络优化参数。     

基于群体智能算法的换热网络同步最优综合

换热网络同步综合方法一般需要建立复杂的混合整数非线性数学规划模型,该模型具有非凸、非线、不连续的特点,属于最难求解的一类NP-hard问题,应用传统的优化算法很难确定其全局最优解,尤其是对大规模换热网络综合问题,甚至无法在合理时间内接近全局最优的局部最优解。针对换热网络同步综合问题,提出基于群体智能算法的分层优化策略,外层采用离散粒子群算法与遗传算法相结合的混合群体智能算法优化换热网络结构,内层在结构变量给定条件下利用改进粒子群算法优化冷热物流分流比与换热负荷。两个典型算例研究证明了该方法能以较高的效率和稳定性得到较好的优化结果。     

基于抽样平均近似的双层改进粒子群算法的无分流换热网络综合

针对单层优化算法求解换热网络不易找到最优解以及传统的双层优化算法计算成本较高的问题,研究以年综合费用最小值为优化目标,提出了基于抽样平均近似的双层改进粒子群算法求解无分流换热网络综合。该算法在优化初始阶段对内层变量优化时以抽样平均近似方法为基础,根据随机挑选的部分粒子信息快速评价外层的换热网络结构,而外层优化通过结合变异算子的量子粒子群算法对模型结构进行优化。待缩小最优网络结构的范围后再通过竞争群算法深度优化热负荷等连续变量,从而得到最优的年综合费用。研究所提出的算法通过抽样平均近似方法对外层结构模型进行初步筛选,避免了大量非最优解网络结构下热负荷等连续变量的优化,从而减少了双层优化过程的计算量,提高了优化效率,同时在缩小网络结构范围后采用竞争群优化算法提高了优化精度,保证了优化效果。通过对两个典型算例的测试可知,研究的方法相比传统的双层算法在求解时间上缩短了近90%,在求解效果上也能达到较好结果。     

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。     

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。     

自适应粒子群优化算法在聚丙烯熔融指数预报上的应用

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性,并且融合了主成分分析、统计建模以及智能优化方法,从而降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报,并与国内外相关研究报道相比较,表明了本文所提出的预报方法的有效性和更高的准确性。     

换热网络运行模拟优化

换热网络系统大多数是按给定工况,以投资费用和运行费用最优为目标设计的。但在实际运行过程中,确定和不确定性的影响因素往往导致换热网络的运行工况偏离设计值。偏离设计工况运行的换热网络性能变差,导致运行费用增加,甚至不能满足工艺物流换热要求。在换热网络结构给定条件下,将满足物流目标温度和运行费用最优作为目标函数,以单体模型和Yee et al.（1990）提出的多级超结构为基础,建立换热网络运行模拟优化模型,并进一步去除恒定膜传热系数假设使模型贴近实际问题。针对提出的非线性数学模型（NLP）问题,以标准粒子群算法为基础建立求解策略。在论文的最后,4个来源于已发表论文的实例研究证明了该优化方法的有效性。     

多周期操作工况下无分流换热网络的弹性设计

提出了基于多周期无分流换热网络的超结构形式及弹性设计方法——同步优化方法。首先建立网络多周期操作工况下的超结构模型;然后用遗传算法对上述模型进行求解。该方法能自动地合成多周期操作工况的换热网络最优流程结构。最后,通过换热网络的最优合成设计实例,说明本方法的有效性和应用前景。     

无分流换热网络的弹性设计(Ⅰ)基于温度波动情形

提出了基于温度波动的无分流换热网络的超结构模型和同步优化的弹性设计方法。对于起始温度在一定范围内波动的物流进行预处理即分段处理,并提出了分段原则;提出了基于规则的网络超结构模型并建立了弹性换热网络同步优化的数学模型;采用遗传算法求解了所提出的优化数学模型;提出了分段物流的合并及能量松弛的原则,对分段物流进行合并,并通过能量松弛方法得到优化的弹性换热网络结构。通过几个换热网络的弹性设计,说明了本方法的有效性和应用前景。     

SYNTHESIS OF FLEXIBLE HEAT EXCHANGER NETWORKS WITH STREAM NO - SPLITTING(Ⅰ) BASED ON RANGES OF STREAM SUPPLY TEMPERATURES

提出了基于温度波动的无分流换热网络的超结构模型和同步优化的弹性设计方法。对于起始温度在一定范围内波动的物流进行预处理即分段处理,并提出了分段原则;提出了基于规则的网络超结构模型并建立了弹性换热网络同步优化的数学模型;采用遗传算法求解了所提出的优化数学模型;提出了分段物流的合并及能量松弛的原则,对分段物流进行合并,并通过能量松弛方法得到优化的弹性换热网络结构。通过几个换热网络的弹性设计,说明了本方法的有效性和应用前景。     

基于多重群体遗传算法的换热网络同步综合

通过对YEE换热网络分级超结构的分析和改进,建立了包含更多可行结构的换热网络超结构及其数学模型,扩大了网络结构的搜索范围。针对普通遗传算法和其他优化算法无法保证换热网络综合质量和效率的缺点,结合多重群体遗传算法进行网络优化综合,提高优化过程的稳定性,该方法将换热网络结构信息转化为种群和繁殖群体中个体的染色体信息,选择繁殖种群中优秀个体进入种群淘汰较差个体,实现种群的逐步新陈代谢。利用多重群体遗传算法对实际换热网络问题进行了优化。结果表明:多重群体遗传算法能有效提高换热网络优化的稳定性和鲁棒性,在优化变量和非凸性增加时,能获得综合性能良好的换热网络结构。     

微分进化算法优化换热网络的性能

通过分析换热网络换热器面积与综合费用之间的关系,证明了连续变量引起的换热网络非线性及非凸等特性,这些特性造成换热网络局部最优解众多。而传统的基于梯度的优化算法受初始点影响很大,容易陷入局部最优解,是换热网络最优化的障碍所在。针对优化换热网络问题难以稳定收敛的角度出发,在换热网络分级超结构模型的基础上,研究了微分进化算法求解换热网络问题的鲁棒性。通过具体的算例,在固定结构下与经典的牛顿法比较,结果表明,该方法优化结果不受初始点影响,具有很好的鲁棒性,并且年综合费用得到进一步降低。用于工业生产过程中,可以稳定有效地节约成本。     

基于自适应粒子群优化算法的节点定位研究

针对粒子群优化定位算法易陷入局部极值的缺点,提出了一种基于自适应粒子群优化算法的无线传感器节点定位方法。该方法在迭代前期ω取较大值实现快速收敛到最优解附近,后期取较小值求高精度解。在适应度值越大时全局搜索能力越强,加快向全局最优位置的聚集速度;适应度值越小局部搜索能力越强,可得到高精度的解,并通过对全局最优位置进行自适应变异操作,保证算法能跳出当前的搜索区域。仿真结果表明:与常用的极大似然估计对比,该算法具有收敛快、能耗小、精度高和稳定性好的优点,适合应用在无线传感器网络的定位中。     

基于AEA和PSO的双层同步换热网络综合方法研究

换热网络优化是一个多维、非凸、非线性、不连续的复杂混合整数非线性规划问题,传统的优化方法很难寻找到全局最优解。针对该问题研究建立了换热网络分级超结构非等温混合模型,提出了一种双层同步优化算法。该算法外层使用Alopex Evaluation Algorithm(AEA)算法优化结构变量分流比,内层使用Particle Swarm Optimizer(PSO)算法优化换热量。还提出了一种改进的不可行解修复策略,改善了算法的搜索能力。三个案例研究用以说明算法可以稳定寻找到较好的优化结果。     

混合粒子群算法求解单机批调度问题

设计了一种混合粒子群算法(Hybrid Particle Swarm Optimization,HPSO)以求解基于工件动态到达的最小化最大拖期时间单机批调度问题。该算法在标准粒子群算法的基础上引入了惯性权重正弦调整,以改善标准粒子群算法的收敛速度和全局收敛性,然后采用自适应变异全局极值算法增强粒子群优化算法跳出局部最优解的能力,防止算法陷入局部最优。应用改进的算法对实验设计问题进行求解,证明了改进算法的有效性。     

随机搜索算法在换热网络优化中的应用进展

随着对能源利用率要求的不断提高,换热网络的优化已引起了人们的高度重视。本文综述了国内外应用随机搜索算法处理换热网络优化问题的最新研究进展,分析了当前应用较多的4种随机搜索算法：遗传算法、模拟退火算法、粒子群算法、禁忌搜索算法。阐述了这些算法各自的优势和尚待改进的问题,指出将不同算法结合起来解决大规模的换热网络优化问题是今后的研究方向。     

一种新型Powell粒子群算法同步综合换热网络

针对换热网络同步综合方法的不足,本文提出了一种新型Powell粒子群算法,具有传统确定性方法的高精度以及启发式方法的高效率。同时针对群体智能算法优化换热网络问题时存在的不足,提出了云记忆体和个体对立策略,有效地避免算法发生早熟现象,扩大搜索范围。为处理整型变量而提出的两条整型变量优化策略与Powell粒子群算法结合,实现了连续变量与整型变量的同步优化。最后,选取两个经典算例验证算法的性能,均获得了优于文献的结果,表明算法能够找到更优的换热网络结构,是一种处理混合整数非线性问题的有效方法。     

多周期操作工况下热换网络的弹性设计

提出了基于专家系统的多周期换热网络的超结构形式及弹性设计方法。首先通过专家系统确定周期操作工况下物流的分流及匹配禁止情况。在此基础上建立网络多周期操作工况下的超结构模型;然后用遗传算法对上述模型进行求解。最后用分解协调法和网络结构和匹配单元同时进行优化。该方法不仅自动地合成多周期操作工况的换热网络最优流程结构,而且能同时满足网络在各操作工况下的各种工艺限制条件,最后,通过某个换热网络的最优合成设计