基于新策略粒子群算法优化换热网络

换热网络综合优化是过程系统中最广泛研究的方向。尽管如此,MINLP的复杂性给粒子群算法的应用提供了广泛的空间。首先,提出两种不同机理的局部搜索策略来完善粒子群算法作为启发式算法局部搜索能力不强和精度不高的问题,使算法能更有利地接近全局最优的局部极值。其次,对含固定投资费用的算例,采用费用计算替换公式的策略,来避免迭代计算初期面积较小时因为固定投资费用权重较大而使算法陷入局部最优问题。最后用4个四股流算例分别从不同侧面说明以上两种策略的有效性,并都得到了该算例目前为止最好的局部极值。     

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。     

一种应用于换热网络综合的阻尼优化方法

针对启发式方法优化换热网络在优化后期易陷入局部极值的问题,提出一种阻尼优化方法,即通过引入延缓概率的概念,以一定的概率不接受费用下降的结构,延缓该结构形成固定匹配,避免因连续变量优化过快导致整型变量优化不充分而陷入局部最优。通过探讨不同阶段的优化特点及优化陷入局部极值的成因,进而提出分阶段延缓策略,合理调控延缓条件以及延缓概率的取值,从而提高算法的全局搜索能力。最后采用四个不同规模的算例进行验证,结果表明该方法可有效地跳出局部最优解,促进结构的进一步优化。     

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。     

复合粒子群优化算法在模型参数估计中的应用

化工非线性模型的参数估计是较为困难的寻优问题，经典方法常会陷入局部极值。粒子群算法操作简便、容易实现且全局搜索功能较强，适用于非线性参数估计。但其参数值的确定与问题相关，若设定不当，会严重影响全局搜索的性能。今提出引入遗传算法，在粒子群算法的搜索过程中，逐代优选参数，包括惯性权值，加速常数，以此构建为复合粒子群优化算法。分析与测试表明，其全局搜索性能有显著改善。进一步的工作又将两种粒子群算法成功地应用于重油热解模型的参数估计。采用复合粒子群优化算法估计参数构建的重油热解模型，其预报相对误差比常规粒子群优化算法降低了8.97％，比简单遗传算法降低了23.21％，效果明显。     

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。     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

基于极值动力学机制和信息融合搜索的混合算法及其应用

提出了一种新的基于自适应lévy变异的极值动力学和信息融合搜索的混合算法.新算法将全局搜索和局部搜索机制有机地结合起来,在全局搜索过程中,信息融合搜索算法(IFA)作为一种群智能进化算法,能够快速地逼近近似最优解;在局部搜索过程中,通过选择近似解的最差组元进行自适应lévy变异,利用极值动力学算法(EO)强大的局部搜索...     

多策略果蝇优化算法及其应用

针对果蝇算法容易陷入局部极值、收敛速度慢和收敛精度低的问题,基于粒子群优化算法中社会认知因子和差分演化算法的变异算子,提出了一种多策略果蝇优化算法(SFOA)。对于味道浓度值劣于平均味道浓度的个体,采用社会认知变异因子产生下一代个体,加快收敛速度。对于味道浓度值优于平均味道浓度的个体,引入差分向量,提高算法跳出局部极值的能力。经过8个测试函数的仿真实验对比,SFOA具有更好的全局搜索能力、更快的收敛速度和更高的收敛精度。最后,将改进后的果蝇算法运用到GE气化炉操作优化中,以有效合成气产率最大化为优化目标,氧煤比和水煤浆浓度为决策变量,结果表明,SFOA能够快速找到最优值,证明了多策略果蝇优化算法的有效性。     

一种大步长激励的结构进化策略应用于换热网络优化

强制进化随机游走算法（random walk algorithm with compulsive evolution,RWCE）具有进化策略简单、控制参数少、全局搜索能力强等特点,是换热网络优化的一种有效方法。鉴于步长对RWCE算法跳出局部最优解有重要的影响,针对RWCE算法的步长分布进行研究,通过分析大步长在局部极值跳出中的作用机理,建立了一种全新的步长组合生成方法,并据此提出了一种大步长激励的结构进化策略。最后,通过3个算例验证了结构进化策略的有效性,与文献结果进行对比,结果表明大步长激励的结构进化策略提高了算法的全局搜索能力。     

应用于换热网络优化的并行双层RWCE算法

换热网络规模越大,其解空间内极值点呈指数性增长,优化时不仅要求算法具有强大的全局寻优能力,局部解空间的高精度搜索也不可或缺。鉴于强制进化随机游走算法(RWCE)优化换热网络时难以兼顾局部搜索能力、易导致遗漏最优解的现象,同时为增大算法优化大规模换热网络的种群数量,本文将精细搜索和并行计算相结合提出了并行双层RWCE算法。算法基于多核并行技术,通过并行线程分配建立基础层和精细层,基础层在并行计算技术加持下,算法全局搜索能力大幅提升,精细层将基础层当前最优解实时精细搜索,避免了原算法差解代替优解现象。最后通过两个算例进行验证,结果表明并行双层RWCE算法不仅具有更强的全局搜索能力,且兼具高精度的局部搜索能力,在优化进程中有效保护了最优解。     

基于粒子群算法的多传感器数据融合

粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行、收敛速度快,但存在收敛精度不高、易陷入局部极值点的缺点。本文对原有算法中的固定惯性权重进行改进,着重分析了惯性权值因子在粒子群优化(PSO)算法中的作用,在现有的线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性地运用到多传感器融合的领域,运用该算法对数据融合中的加权因子进行估计。实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度/互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,有效地从各融合数据中提取有用信息,成功排除噪声干扰,取得了良好的融合结果。     

带惩罚的逆梯度进化算法应用于换热网络

针对局部邻域搜索方法搜索结果对初始解位置依赖大,难以摆脱局部最优解影响的问题,本文提出了一种带惩罚的逆梯度进化算法。该算法通过给当前位置适应度施加一个仅与在该点处停留时间正相关的惩罚以迫使该个体沿逆梯度方向移动,进而逃离当前局部极值点。同时为了防止出现“回跳”现象,引入禁忌邻域,禁止当前个体重回原先位置。相对于一般启发式算法跳出局部极值点的随机性,该算法通过惩罚实时构造填充函数以逃离当前局部极值点的机制具有一定的确定性因素,提高了算法的搜索效率。将该算法应用于换热网络优化问题上,分别对10SP1和10SP2两个经典算例进行验证,获得了优于已有文献的优化结果,表明该算法具有较强的跳出局部最优解能力。     

改进极值策略的多目标粒子群算法及其在PX氧化过程中应用

提出了一种新的用于求解多目标问题的粒子群算法,该算法采用一种新的全局极值和个体极值选取策略,提升了种群逼近Pareto最优前沿的稳定性和精度,同时为了提升种群跳出局部最优的能力,提出两步变异操作.此外还采用了外部存档存储每一代产生的非支配解,并且使用动态更新的拥挤距离来维持外部存档的规模.然后,通过典型的ZDT系列测试函数对该算法进行评估,并与MOEA/D、NNIA和NSGA-Ⅱ 3种多目标优化算法进行比较.实验结果显示,新算法相较于其他算法具有较好的分布性与收敛性.最后将其应用于PX氧化反应操作优化中,在相同计算成本的条件下,新算法优化后的醋酸和PX燃烧损失明显下降,成本损失大幅减少.     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

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。     

基于改进粒子群-差分算法的电容器优化配置

提出了利用改进粒子群-差分算法对配电网中电容器的最合适补偿位置和最佳的补偿容量进行优化计算。为了改善粒子群优化算法在迭代后期易于陷入局部极值的缺点,对其关键参数进行改进,将改进后的粒子群算法和差分算法相结合提高了粒子的搜索精度和全局搜索能力。通过对IEEE33节点配电系统进行仿真,验证了改进粒子群-差分算法在配电网电容器优化配置过程中的有效性和实用性。     

基于混合粒子群算法的复杂相平衡计算方法

对于含有两个部分互溶液相的相平衡问题,采用经典方法收敛困难或易陷于平凡解。为此根据最小Gibbs自由能原理,提出采用混合粒子群算法搜索全局最优解,计算得到系统的最小Gibbs自由能状态,实现复杂相平衡计算。通过改建目标函数,减少计算量,并引入组分相分率,将物料平衡约束转换为规范型立方空间的优化问题,适于粒子群算法搜索。在常规粒子群算法中引入Nelder-Mead单纯形操作,可显著提高搜优的速率和精度。将其应用于甲苯-水-苯胺液液平衡和苯-乙腈-水汽液液平衡计算,取得了良好的效果。     

一种求解图着色问题的改进粒子群算法

图着色问题是一个典型组合优化难题,文章尝试用改进的粒子群算法来解决此问题。为了增强粒子的搜索能力和提高粒子群算法的收敛速度,在传统的粒子群算法中引入了动态惯性权值递减的策略与记忆机制。实验表明,该算法在性能上明显优于传统的粒子群算法。     

CMPSO算法在参数辨识中的应用

通过对系统数学模型的分析,将系统参数辨识问题转化为优化问题,然后利用改进粒子群优化算法实现系统参数辨识.提出的混沌变异粒子群(CMPSO)搜索算法提高了搜索效率并增强了摆脱陷入局部最优的能力.