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。     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

一种改进粒子群算法及其在聚乙烯热分解动力学分析中的应用

随着计算机技术的发展，粒子群算法在聚合物的热分解动力学领域广泛应用。虽然粒子群算法可以实现全局寻优，但也存在收敛速度慢且易陷入局部最优解的缺陷。针对标准粒子群算法的缺陷，引入自适应惯性权重与加速常数对粒子群算法进行改进，提出一种动态自适应粒子群算法（DAPSO），并进行6个测试函数的仿真实验。结果表明：DAPSO算法比MPSO及MeanPSO算法收敛速度更快且精度更高。将DAPSO算法与Kissinger法结合得到了K-DAPSO算法，分别利用DAPSO算法与K-DAPSO算法结合聚乙烯DTG曲线，对两步平行反应模型进行参数反演。K-DAPSO算法较DAPSO算法能够更快收敛到最优解。提出的两步平行反应模型能够准确描述聚乙烯热失重曲线复杂的多峰结构。     

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。     

一种新的多种群竞争粒子群优化算法及高密度聚乙烯装置操作优化

利用模糊C均值聚类对种群自适应划分,提出一种基于模糊C均值聚类的多群竞争粒子群优化算法。根据种群规模选择不同的寻优策略,规模大者采用标准粒子群算法寻优,规模小者在最优解邻域随机搜索,增大跳出局部最优概率。在每个聚类内部,个体相互通信,通过竞争学习分别找到各聚类种群的适应值,按照不同聚类的适应值排序,再把适应值小者向其邻近的适应值大者融合,通过种群间的竞争保证种群向最优解搜索。该算法避免陷入局部最优,提高了算法的全局搜索能力,通过标准函数验证了算法的有效性。最后,把提出的优化算法应用到高密度聚乙烯装置（HDPE）乙烯单体总消耗的优化操作,实际应用效果良好。     

融合灰狼优化算法在工控系统入侵检测中的应用

针对当前工控系统中数据体量大、维度高的特点,提出了一种融合随机黑洞(random black hole, RBH)策略的灰狼优化(grey wolf optimization integrated random black hole, RBHGWO)算法。该方法在更新下一代灰狼位置时,模拟黑洞的吸引方式,让狼群中的个体能够更快地向着当前全局最优解移动,增强了算法的收敛速度;同时个体以随机策略被黑洞吸引,保持了算法的局部搜索能力。通过优化算法测试函数验证,RBHGWO算法与粒子群优化(particle swarm optimization, PSO)算法、随机黑洞粒子群优化(particle swarm optimization integrated random black hole, RBHPSO)算法、GWO算法和优胜劣汰的灰狼优化(survival of fitness grey wolf optimization, SFGWO)算法进行了实验对比。结果表明,RBHGWO算法具有较快的收敛速度和较好的寻优精度。同时以田纳西-伊斯曼(Tennessee-Eastman, TE)数据集为基础进行仿真实验,结果表明该算法应用于在工控系统入侵检测的特征选择中,其收敛精度、迭代速度以及稳定性都有明显优势。     

免疫PSO_WLSSVM最优聚丙烯熔融指数预报

熔融指数（MI）是聚丙烯生产的重要指标,建立可靠的熔融指数预报模型非常重要。针对标准粒子群算法(PSO)在迭代过程中易出现粒子过早收敛而陷入局部最优的缺陷,通过引入免疫系统的抗体选择机制,构造了一种基于免疫机制的免疫粒子群优化算法(ICPSO),来保持更新粒子的多样性,从而克服标准粒子群算法过早收敛的缺陷;然后利用ICPSO方法对鲁棒最小二乘支持向量机预报模型(WLSSVM)进行参数寻优,得到最优的ICPSO_WLSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的ICPSO_WLSSVM模型的有效性和良好的预报精度。     

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。