混合蚁群算法及其在裂解深度建模中的应用

设计了一种新的混合蚁群算法,该算法以一种新的二进制蚁群算法为基础,混合PBIL算法及遗传算法的交叉操作和变异操作,从而大大提高了种群的多样性及算法的收敛速度,改善了全局最优解的搜索能力。通过函数优化测试表明该算法具有良好的收敛速度和稳定性,同时将该算法应用到裂解炉裂解深度的神经网络软测量建模中,取得了很好的应用效果。     

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。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于蚂蚁智能体调度的混沌搜索算法及化工应用

针对混沌搜索随机性的缺点和遍历性的优点,提出了一种基于蚂蚁智能体调度的混沌搜索算法（chaos optimization algorithm based on ant agent scheduling,CAAS）。该算法将解空间的每维变量都划分成若干子域并分配一定规模的蚂蚁智能体,蚂蚁智能体在各子域中进行混沌搜索。同时,根据每维变量各个子域中信息素浓度决定蚂蚁智能体在各个子域间的转移,以有效克服传统混沌优化算法的随机性,实现快速的全局最优搜索。分别采用传统混沌优化算法和CAAS对标准的非线性连续优化问题进行寻优。结果表明：CAAS的全局搜索性能、收敛速率都明显地优于混沌优化算法。最后,将该算法应用于对羧基苯甲醛含量软测量模型参数估计,取得良好的效果。     

群体智能优化算法

讨论四种群体智能优化算法--蚁群算法、微粒群算法、人工鱼群算法和混合蛙跳算法,对其算法的原理、发展及应用进行了综述.提出了群体智能优化算法统一框架模式,并对群体智能优化算法进一步发展进行了讨论.     

动态改变惯性权重的伪梯度搜索粒子群算法在无功优化中的应用

提出一种动态改变惯性权重的反向学习伪梯度搜索粒子群算法,并将之应用于电力系统无功优化。该算法针对线性递减的惯性权重难以指导复杂非线性优化问题的缺陷,引入聚焦距离变化率和位置权重的概念,以此来衡量粒子的分布情况,并建立以它们为控制变量的动态惯性权重。该算法采用动态变化的惯性权重,并利用基于反向学习的伪梯度搜索法指导粒子向全局最优解靠拢。将该算法应用IEEE 30节点进行仿真测试,结果证明了该算法用于无功优化的可行性和有效性。     

基于蚁群算法的消防应急照明和疏散指示系统的设计

蚁群算法是一种用来寻找优化路径的启发式全局优化算法,将其应用到消防应急照明和疏散指示系统中具有可行性。在消防应急照明控制器中使用蚁群算法,实现实时控制相关应急电源、配电装置和应急照明灯具和疏散指示标志,确保所选最佳逃生路径的安全开通。提供的配电系统设计和软件设计流程,及软件的测试分析和实验成果报告,实现了简单优良的人机交互图形界面系统结构,将“就近疏散”转变为“安全智能疏散”,实现监测与控制一体化。     

蚁群优化的改进型神经网络控制器设计

利用可调激活函数改进神经网络,提高神经网络的泛化能力,并推导出激活函数参数的调节公式;对蚁群算法加以改进,以加快算法收敛速度、避免局部最优解,利用改进的蚁群算法对神经网络参数加以优化,并用优化后的改进型神经网络在线整定控制器参数。仿真表明,对于较复杂的系统该方法比传统的神经网络PID控制有更好的控制效果。     

Ad Hoc网络中基于改进蚁群算法的QoS多播路由算法

蚁群算法作为一种新型的随机优化算法,能够较好地适应Ad Hoc动态网络环境,但存在收敛速度慢和易陷入局部最优等缺点。本文在改进蚁群算法的基础上,针对蚁群算法应用于Ad Hoc网络多播路由时普遍产生的拥塞问题,提出了一种多约束QoS多播路由算法。该算法能够对拥塞链路做出较快的反应,进行拥塞回避,从而实现网络业务流负载均衡。     

智能自整定注塑机PID闭环控制系统

针对注塑机系统在注塑过程中控制精度不高、控制灵敏度不强的问题,提出利用群体智能算法蚁群算法优化注塑机在注塑过程中PID参数快速优化选取的问题,又利用混沌算法将蚁群算法中的部分参数进行变异,提高系统的鲁棒性、灵敏性。仿真实验表明:智能自整定PID控制器控制效果明显优于传统意义上的普通PID控制系统,能够获得更高的参数寻优效果,也在很大程度上实现了注塑机闭环注塑系统的有效优化。     

基于蚁群算法的带中间存储的流程工业生产调度研究

流程工业具有连续性,实时性,复杂性等特点,其生产调度的优化一直是行业内的热点问题。利用蚁群算法进行了深入的研究,提出了适用于流程工业中的连续域蚁群算法方案。该算法采用连续域网格对流程工业问题进行建模,利用缩小范围重新划分的方法提高了算法精度,同时引入最大-最小蚁群算法保证收敛速度,并通过限制解的范围和估算产值的方法引导蚂蚁走向可行,高效的路线。最后通过隔膜烧碱车间的算例验证了该方法在实用性、精度及速度方面有着明显的优势。     

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。     

改进蚁群算法粉煤灰粒径分布重建

对基于差分进化蚁群算法的粉煤灰颗粒粒径反演算法进行了研究,提出了基于概率密度函数的连续域蚁群算法与差分进化算法融合的混合算法,以光全散射法为基础,采用3种单峰粒径分布函数验证了反演算法,并加入5%和10%随机噪声,将混合算法与概率密度蚁群算法所得数值进行比较。结果表明:该混合反演算法重建结果与原始分布误差较小,具有较高的可靠性和正确性,能够有效用于粉煤灰颗粒粒径在线测量,加入噪声后仍表现出良好稳定性;与连续域蚁群算法相比,该算法提高了迭代收敛速度,为粉煤灰的在线测量提供了理论基础。     

智能蚁群算法在化工过程优化中的应用

对基本蚁群算法进行了智能化改进,并运用智能蚁群算法和Matlab语言,对化工生产过程中的实际优化问题,苯-甲苯闪蒸过程进行了优化仿真计算,仿真结果表明,在有效地调整温度、压力及分流系数的条件下,使得汽相产物中苯的产量达到最大,实现了苯-甲苯闪蒸过程的最优化,同时也证明了蚁群算法可以有效地解决化工生产过程中的优化问题。     

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。     

基于Alopex的进化算法及其在乙炔加氢反应器建模中的应用

分析进化优化算法的共性,参考Alopex优化思想提出一种新的进化优化算法.给出该算法的具体步骤,将该算法与标准粒子群算法、遗传算法和差分算法在性能上做了仿真时比,并将其应用于乙炔加氢反应器出口乙炔浓度软测量的建模中.这种新的优化算法具有全局收敛能力,并具有较快的收敛速度.对典型函数的测试和基于神经网络的软测量建模表明:新算法具有较强的全局搜索能力,特别是对易于陷入局部最优的多峰函数能够有效地避免早熟收敛问题.     

GAAS优化PID算法在全电动注塑机注射系统中的应用

全电动注塑机有2个伺服电机同时进行驱动,与一般的伺服液压注塑机相比,控制精度更高、控制速度更快,针对其控制系统提出一种遗传算法修正的蚁群算法(GAAS)对闭环PID控制的控制参数进行优化,该算法能够有效提高系统的快速性和准确性。Rosenbrock函数验证了嵌入遗传算法后蚁群算法的优越性,嵌入遗传算法后收敛速度更快,算法具有更优良的收敛速度。GAAS算法能够提供更加准确可靠的PID参数,且不会降低系统的调节性能。仿真实验证明,GAAS算法能够有效减小系统超调量、缩短调节时间;在实际运行中,注射螺杆的控制精度在0. 5%以内。因此,控制器可以大幅度改善全电动注塑机的闭环控制效果,参考价值较大。     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization,BLPSO）算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子“排名”,即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

浅谈电力系统的无功优化和无功补偿

电力系统的无功优化和无功补偿是提高系统运行电压,减小网损,提高系统稳定水平的有效手段。本文对当前国内外的无功优化和无功补偿进行分析了,对无功补偿和优化存在的问题进行了一定的探讨和研究。