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。     

基于改进差分进化算法的化工参数估计

为提高化工参数估计的精度，本文提出一种改进的差分进化(improved differential evolution,IDE)算法，并将其应用于甲醇转化烃类物质的参数估计问题。IDE算法设计了一种混合差分变异策略，主要利用种群中的当前个体、较优个体和指导个体实现算法寻优，并对参数进行了调整。该算法在提高种群多样性的同时能够加快收敛速度，在一定程度上降低搜索陷入局部最优的可能性。为验证算法在甲醇转化烃类物质的参数估计问题上的有效性，将IDE算法与部分已有算法进行比较。实验结果表明，本文算法提高了甲醇转化为烃类物质的化工参数估计精度，具有较强的竞争性。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

基于改进差分进化算法的质子交换膜燃料电池模型参数优化识别

质子交换膜燃料电池（proton exchange membrane fuel cell, PEMFC）模型中通常包含一些未知的难以确定的参数。为了有效确定这些参数,提出一种基于概率选择模型的改进差分进化算法。该概率选择模型为进化群体中的每个个体分配关于个体优劣性能的选择概率,然后基于该选择概率选择优秀的个体参与变异和交叉操作。为了验证改进算法的有效性,首先将其用于求解标准测试函数,实验结果表明,基于概率选择模型的变异、交叉操作能显著提高差分进化算法的收敛速度和求解精度。然后将改进算法用于质子交换膜燃料电池模型最优参数识别问题,得到的仿真结果和实验测试数据之间具有较高的拟合精度,表明本文改进算法是一种有效的求解系统模型参数优化识别的方法。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

改进的差分进化算法及在聚丙烯牌号切换优化中的应用

针对差分进化算法早熟问题,提出一种改进差分进化算法,采用动态缩放因子解决优化过程中的变量约束问题,在进化过程中自动地调整控制参数取值以保证变量约束条件;引入聚集度作为参数评估种群分布的密集程度,增加一种新的变异算子在进化过程中根据聚集度情况对部分个体进行后续变异操作,适时调整种群分布,提高种群多样性,增强全局搜索能力。建立了聚丙烯牌号切换优化模型并将改进的差分进化算法应用于牌号切换优化模型的求解,仿真实验结果表明改进的差分进化算法在全局搜索能力和搜索效率两个方面有较大提高。     

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。     

基于改进遗传算法的浇口位置优化设计

为了克服标准遗传算法在搜索过程中收敛速度慢和易陷入早熟等缺点,提出基于物种进化模型和Kriging模型的多种群遗传算法。通过与注塑模流动数值模拟程序结合,对手机壳上面板浇口位置进行优化设计,结果表明:算法能有效应用于浇口位置优化设计,从而提高制件的品质性能。     

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法（SMDE）。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验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。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

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。     

差分进化在基于非线性规划的多项式PLS中的应用

从应用的角度提出一种基于带约束非线性规划的多项式偏最小二乘算法(QPLS),利用差分进化算法(DE)计算最优输入权值和内部关系式的最优参数.在对常压塔常三线柴油凝点的软测量模型应用结果表明,该算法与基于传统优化算法进行参数优化的多项式QPLS相比,模型拟合精度高,且对初值的依赖性小,并具有良好的预报能力.     

一种改进的差分进化算法及其在化工过程优化中的应用

Differential evolution （DE） is an evolutionary optimization method, which has been successfully used in many practical cases. However, DE involves large computation time, especially, when used to optimize the compurationally expensive objective function. To overcome this .difficulty, the concept of immunity based on vaccination is used to help proliferate excellent schemata and to restrain the degenerate phenomenon. To improve the effective- ness of vaccines, a new vaccine autonomous obtaining method, and a method of deciding the probability of vacci- nation are proposed. In addition, a method for modifying the search space dynamically is proposed to enhance the possibility of converging to the true global optimum. Experiments showed that the improved DE performs better than the classical DE significantly.     

Texaco水煤浆气化装置配煤模型及其优化

优化配煤对Texaco水煤浆加压气化装置的优化运行具有重要的意义。针对Texaco水煤浆气化装置优化配煤问题,建立了一个管理决策级视角下的配煤优化模型。模型综合考虑了混煤指标、库存成本、市场价格、操作成本、堆存和转运消耗。采用预交叉差分进化粒子群优化算法对模型进行求解,算法将粒子群和差分进化相结合,避免算法早熟,提高了全局搜索能力和收敛精度。最后,以某化肥厂水煤浆配煤优化过程为研究实例进行仿真,计算结果验证了模型和算法的可行性。     

基于混合微分进化算法的生化过程动态参数估计(英文)

Determination of the optimal model parameters for biochemical systems is a time consuming iterative process. In this study, a novel hybrid differential evolution (DE) algorithm based on the differential evolution technique and a local search strategy is developed for solving kinetic parameter estimation problems. By combining the merits of DE with Gauss-Newton method, the proposed hybrid approach employs a DE algorithm for identifying promising regions of the solution space followed by use of Gauss-Newton method to determine the optimum in the identified regions. Some well-known benchmark estimation problems are utilized to test the efficiency and the robustness of the proposed algorithm compared to other methods in literature. The comparison indicates that the present hybrid algorithm outperforms other estimation techniques in terms of the global searching ability and the convergence speed. Additionally, the estimation of kinetic model parameters for a feed batch fermentor is carried out to test the applicability of the proposed algorithm. The result suggests that the method can be used to estimate suitable values of model parameters for a complex mathematical model.     

A Hybrid Algorithm Based on Differential Evolution and Group Search Optimization and Its Application on Ethylene Cracking Furnace

To find the optimal operational condition when the properties of feedstock changes in the cracking furnace online, a hybrid algorithm named differential evolution group search optimization (DEGSO) is proposed, which is based on the differential evolution (DE) and the group search optimization (GSO). The DEGSO combines the advantages of the two algorithms: the high computing speed of DE and the good performance of the GSO for preventing the best particle from converging to local optimum. A cooperative method is also proposed for switching between these two algorithms. If the fitness value of one algorithm keeps invariant in several generations and less than the preset threshold, it is considered to fall into the local optimization and the other algorithm is chosen. Experiments on benchmark functions show that the hybrid algorithm outperforms GSO in accuracy, global searching ability and efficiency. The optimization of ethylene and propylene yields is illustrated as a case by DEGSO. After optimization, the yield of ethylene and propylene is increased remarkably, which provides the proper operational condition of the ethylene cracking furnace.     

A novel 3-layer mixed cultural evolutionary optimization framework for optimal operation of syngas production in a Texaco coal-water slurry gasifier☆

Optimizing operational parameters for syngas production of Texaco coal-water slurry gasifier studied in this paper is a complicated nonlinear constrained problem concerning 3 BP (Error Back Propagation) neural networks. To solve this model, a new 3-layer cultural evolving algorithm framework which has a population space, a medium space and a belief space is firstly conceived. Standard differential evolution algorithm (DE), genetic algorithm (GA), and parti-cle swarm optimization algorithm (PSO) are embedded in this framework to build 3-layer mixed cultural DE/GA/PSO (3LM-CDE, 3LM-CGA, and 3LM-CPSO) algorithms. The accuracy and efficiency of the proposed hybrid algo-rithms are firstly tested in 20 benchmark nonlinear constrained functions. Then, the operational optimization model for syngas production in a Texaco coal-water slurry gasifier of a real-world chemical plant is solved effective-ly. The simulation results are encouraging that the 3-layer cultural algorithm evolving framework suggests ways in which the performance of DE, GA, PSO and other population-based evolutionary algorithms (EAs) can be improved, and the optimal operational parameters based on 3LM-CDE algorithm of the syngas production in the Texaco coal-water slurry gasifier shows outstanding computing results than actual industry use and other algorithms.     

Impact of Fuel Cell Power Plants on Multi‐objective Optimal Operation Management of Distribution Network

This paper presents an interactive fuzzy satisfying method based on hybrid modified honey bee mating optimization and differential evolution (MHBMO‐DE) to solve the multi‐objective optimal operation management (MOOM) problem, which can be affected by fuel cell power plants (FCPPs). The objective functions are to minimize total electrical energy losses, total electrical energy cost, total pollutant emission produced by sources, and deviation of bus voltages. A new interactive fuzzy satisfying method is presented to solve the multi‐objective problem by assuming that the decision‐maker (DM) has fuzzy goals for each of the objective functions. Through the interaction with the DM, the fuzzy goals of the DM are quantified by eliciting the corresponding membership functions. Then, by considering the current solution, the DM acts on this solution by updating the reference membership values until the satisfying solution for the DM can be obtained. The MOOM problem is modeled as a mixed integer nonlinear programming problem. Evolutionary methods are used to solve this problem because of their independence from type of the objective function and constraints. Recently researchers have presented a new evolutionary method called honey bee mating optimization (HBMO) algorithm. Original HBMO often converges to local optima, in order to overcome this shortcoming, we propose a new method that improves the mating process and also, combines the modified HBMO with DE algorithm. Numerical results for a distribution test system have been presented to illustrate the performance and applicability of the proposed method.