基于改进蚁群算法的催化裂化分馏塔在线多目标优化

为了对催化裂化分馏塔多目标问题在线智能优化,本文选择可以在线催化裂化分馏塔多目标的优化模型,同时提出一种新的改进蚁群算法,作为智能优化手段.对分馏塔的优化过程作单位化和数字位的处理,通过研究优化过程中参数的取值对优化的影响,确定一组合适的参数组合,去优化分馏塔.实验数据表明:优化结果较好并大大缩短了优化时间,为在线优化分馏塔提供行之有效的方法.     

自适应粒子群法于应用催化裂化分馏塔多目标的优化

为了更有效地解决催化裂化分馏塔多目标优化问题,本文根据熊俊文等所建催化裂化分馏塔多目标优化问题的数学模型,提出采用自适应粒子群法作为优化手段.在传统粒子群算法中,由于每代粒子飞行时间固定为1,导致产生"振荡",且惯性权重ω是线性递减的,没有充分利用目标函数所提供的其它信息,使得搜索方向的启发性不强,收敛速度较慢且易陷入局部极值.本算法在传统粒子群法基础上,采取自适应调整飞行时间,减少"振荡"现象的产生,并且充分利用目标函数提供的信息,动态变惯性权值,增强算法的启发性,有效地跳出局部极值.通过参数调试,选取一组合适的参数优化分馏塔.将本法与申慧敏等IPAGA、周晓静等ASACA的优化结果及优化过程加以比较,结果表明:本法优化结果较好而且速度快,与ASACA最优解相同,无论综合测评函数还是子目标函数的取值均高于IPAGA,同时克服了ASACA中暂停现象,大大地减少了时间花费,有利于提高生产效率,是行之有效、多目标优化分馏塔的方法.但是本法在处理复杂的多目标优化问题时存在一定的局限性,还有待进一步改进.     

基于多目标遗传算法的工程资源优化配置

为了使工程资源能够在工程应用中最大程度的优化配置, 利用遗传算法模拟自然进化过程求得最优解的特点, 对遗传算法和多目标优化问题的理论基础和模式定理的进行了分析, 讨论了遗传算法在解决多目标优化工程资源问题过程中的优势, 最后将多目标遗传算法应用于具体工程资源配置实例予以实现. 仿真优化结果表明: 遗传算法在工程资源优化配置过程中更具有先进性, 可靠性和优化性.     

基于NSGA-Ⅱ的催化裂化分馏塔的多目标优化

在催化裂化装置生产中,主分馏塔的操作水平和技术水平直接影响整套装置的经济效益;研究催化裂化加工装置优化设计,分馏系统的操作优化非常重要;引入已经建立的分馏塔多目标优化函数并运用NSGA-Ⅱ对模型进行求解;通过深入研究算法并对NS-GA-Ⅱ算法中各项参数设置后,求解得一组Pareto最优解,该组最优解具有良好的延伸和分布;并引人多目标综合评价优化函数,求得一组最优解;结果表明在满足约束条件下,分馏塔的汽油和柴油的产率能得到显著的优化.     

遗传算法在多目标优化应用中的对比研究

多目标优化应用研究在过程工程领域越来越受重视。本文首先给出了多目标优化问题的一般形式,指出多目标问题求解任务：引导搜索向整个的Pareto优化范围;Pareto优化前沿上保持解集的多样性。在简要论述遗传算法求解多目标技术的基础上,对应用了遗传算法求解多目标的两种方法进行了对比研究,并给出了线性加权遗传算法和一种多目标遗传算法的计算框图。指出线性加权法求解Pareto最优解时不能不能很好地处理非凸区域、均匀分布的权重值不能生成均匀分布的Pareto前沿等局限性,以及多目标遗传算法生成种群多样性及Pareto最优解均匀分布的优点,并用实例进行了验证说明。     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

基于数据仓库的多目标优化遗传算法

基于数据仓库的多目标优化遗传算法为解决多目标优化问题提供了有效的途径。其基本思想是：为求Pareto最优解的多目标优化遗传算法建立一个数据仓库，将进化过程中所产生的每一代Pareto最优解放入数据仓库中，在每一代先对数据仓库中的所有个体进行求Pareto最优解运算，淘汰掉劣解，再进行个体间的欧氏距离运算，将小于指定值的其中一个个体作为劣解处理。大量的计算机仿真计算表明，这种算法不仅能够有效地避免交叉或变异操作对Pareto最优解产生的破坏。而且进化速度极快，算法稳定，一般只需20-40代的运算．即可得到分布广泛的Pareto最优解。     

多目标蚁群遗传算法在区域水资源优化配置中的应用研究

讨论了区域水资源优化配置算法。首先建立了区域水资源优化配置的数学模型，然后提出了采用多目标蚁群遗。传算法解决这个多目标约束优化的问题。最终通过应用实例验证了算法的适用性。     

动态多目标优化的预测遗传算法

为了在动态环境中很好地跟踪最优解,考虑动态优化问题的特点,提出一种新的多目标预测遗传算法.首先对 Pareto 前沿面进行聚类以求得解集的质心;其次应用该质心与参考点描述 Pareto 前沿面;再次通过预测方法给出预测点集,使得算法在环境变化后能够有指导地增加种群多样性,以便快速跟踪最优解;最后应用标准动态测试问题进行算法测试,仿真分析结果表明所提出算法能适应动态环境,快速跟踪 Pareto 前沿面.     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

一种用于求解多目标组合优化的混合遗传算法

为高效求解多目标组合优化问题 ,提出一种进化计算与局部搜索结合的多目标算法。此算法基于个体排序数和密度值进行适应度赋值 ,采用非劣解并行局部搜索策略 ,在解的适应度赋值和局部搜索过程中使用 Pa-reto支配的概念。实验结果表明 ,新算法不仅提高了优化搜索的效率 ,且能够找到更多的近似 Pareto最优解。     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型。主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略。将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果。     

基于元胞多目标遗传算法的蜗杆优化设计

为研究蜗杆传动的多目标优化问题,提出一种自适应差分进化的元胞多目标遗传算法。该算法针对元胞遗传算法的特点,对基本的差分进化策略进行改进,得到一种参数自适应控制策略。将该算法与目前性能优异的4种多目标进化算法在三目标的基准测试函数进行对比实验,结果表明所提算法相对于其他算法具有明显的优势,能够在保证良好收敛性的同时,使获得的Pareto前端分布性更加均匀,覆盖范围更广;工程实例求解结果也表明了算法的工程可行性。     

用于约束多目标优化问题的热力学遗传算法

为了保持所求得的约束多目标优化问题Pareto最优解的适应度与多样性,在NSGA-Ⅱ基础上提出了一种用于求解有约束的多目标优化问题的热力学遗传算法.结合热力学中自由能与熵的概念,利用热力学中熵与能量的竞争来保持种群的适应度与多样性的平衡,设计了热力学算子.根据非支配排序Pareto分层结构建立分层小生境来改进选择算子,弥补了选择算子不足.实验结果表明:该算法不仅得到的解在空间分布均匀,收敛性好,同时解集具有较广的分布空间.     

一种改进的多目标混合遗传算法及应用

在NSGA-II算法中引入自适应交叉算子和自适应变异算子,将模拟退火算法与改进的NSGA-II算法相结合,并应用到武器装备供应合同商的选择与评价中。实验结果表明,非劣解在目标空间分布均匀,算法收敛性好,为求解武器装备供应合同商选择的多目标问题提供了一种有效的工具。     

基于多目标遗传算法的集装箱码头泊位—岸桥分配问题研究

为获得合理的集装箱码头泊位—岸桥分配方案,建立了以最小化船舶在港时间和码头生产成本为目标的优化模型。提出一种多目标遗传算法用于求解该模型,算法中采用染色体组的方式表示可行解,给出了多个约束条件下的交叉算子运算规则,个体的各目标值结合岸桥分配启发式算法求得,并应用Pareto分级方法进行适应度值评价;同时给出了最终实施方案的选择策略。试验算例表明,与单目标优化相比,提出的优化方法能获得使码头综合效益较大的满意解。     

基于NSGA-II的改进多目标遗传算法

在已有多目标优化算法（NSGA-II）研究和分析的基础上，为加快收敛速度，提高收敛精度，设计了新的初始筛选机制，改进了交叉算子的系数生成，提出了更为合理的排挤机制。通过典型应用函数的计算测试，结果表明：上述改进不仅具有较高的计算效率，而且能够得到分布更为合理的解，且能保持解的多样性分布。