基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法(AWOA)和快速学习网(FLN)综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

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。     

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。     

一种改进的知识进化算法及其在化工动态优化中的应用

智能优化算法在动态优化问题的求解中,一方面可以一定的概率收敛到全局最优,避免局部极值而得到了广泛应用;但另一方面,基于随机机制的仿生智能算法也面临收敛速度慢、寻优效率较低的瓶颈,限制了其工业实时应用的场合。为此,从提高智能优化算法在动态优化问题的求解效率出发,提出了一种改进的基于知识引导的进化算法结构,主要包括候选控制策略-时域与控制域的离散策略、知识库空间的进化、知识引导的种群进化。该算法分别在批式反应器等4个典型化工动态优化问题上进行了仿真验证,计算结果表明,该方法能够以较小的种群规模通过知识的引导,以较少的计算代价找到较好的全局解,有效提高了算法的收敛效率。     

化学反应优化算法改进研究

针对化学反应优化算法冗余迭代、收敛速度慢的问题，提出了改进化学反应优化算法，该算法通过混合遗传算法，加入选择算子实现个体选择与种群精英保留，减少冗余迭代；通过运用高斯扰动增加邻域搜索活力避免陷入局部最优，此外，该算法通过并行进行不同参数下的多种群迭代进一步提高了算法的运行效率。实验结果表明，改进后的算法相较于基本化学反应优化算法不仅保留了强搜索能力，同时显著提高了收敛速度。     

基于改进双种群遗传算法的复合材料层合板铺层优化设计

针对复合材料层合板铺层优化设计过程中易出现的算法早熟及收敛慢的问题,结合多种群遗传算法和自适应遗传算法,提出一种引入自适应算子的改进双种群遗传算法。在算法过程中以对称复合材料层合板为例进行验证,通过Patran建立有限元初始模型,采用Matlab编写遗传算法主程序及数据传递程序,实现对Nastran的输入输出文件的读写,并在以Tsai-Wu准则为基础确立的适应度函数下,对复合材料层合板的铺层顺序进行优化。对比传统遗传算法,结果表明该改进算法能够明显提高优化效率,并能够有效收敛于全局最优解,对解决复合材料结构优化设计问题有一定的指导意义。     

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。     

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。     

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。     

A comparative study of teaching-learning-self-study algorithms on benchmark function optimization

In typical optimization problems, the number of design variables may be large and their influence on the specific objective function can be complicated; the objective function may have some local optima while most chemical engineers are interested only in the global optimum. For any new optimization algorithms, it is essential to validate their performance, compare with other existing algorithms and check whether they provide the global optimum solutions, which can be done effectively by solving benchmark problems. In this work, seven typical optimization algorithms including the newly proposed TLBO (Teaching-learning-based optimization) based algorithms such as the TLSO (Teaching-learning-self-study optimization) algorithm have been reviewed and tested by using a set of 20 benchmark functions for unconstrained optimization problems to validate the performance and to assess these optimization algorithms. It was found that the TLSO algorithm shows the fastest convergence speed to the optimum and outperforms other algorithms for most test functions.     

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。     

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。     

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。     

一种改进的差分进化算法及其在补料分批式生化反应器动态优化中的应用

动态优化是生物化工过程中的重要课题,求解动态优化问题通常有两种方法:解析法和数值法。基于智能进化算法的数值方法在动态优化中的应用越来越广泛,但是这些方法局部寻优能力不强,容易陷入局部最优,并且求解速度相对较慢。针对这些方法的不足,提出了一种改进的差分进化算法,设计了新的局部寻优算子来增强算法的局部寻优能力,并且采用一种新的控制策略表示方法来求解动态优化问题。通过求解补料分批式生化反应器的动态优化实例,证明了算法的有效性和鲁棒性。通过与其他几种方法进行对比,实验结果表明,所提出的方法在优化结果和计算代价方面都有优势。