粒子群算法求解边值固定的化工动态过程优化问题

针对化工过程系统优化中广泛存在着边值固定的动态优化问题,该问题的求解数学上还没有有效的方法,现今的方法之一是将问题转化为多目标优化问题.本文在粒子群优化(PSO)算法的基础上,提出在PSO算法中加入惩罚项,同时对局部极值与全局极值作进一步的调整,使PSO算法适用于求多目标优化问题理想有效解,该算法对多目标问题起到边优化边求理想有效解的功效;即只用一步即可求理想有效解,这使得在求解速度上大为加快.最后将其用于间歇反应器的最佳反应温度边值固定动态优化控制的实际运用中,取得良好效果.     

混沌搜索方法及其在化工过程优化中的应用

提出利用混沌搜索方法结合精确不可微罚函数求解约束优化问题的新方法 ,并将该方法用于闪蒸过程优化 .结果表明 ,该方法算法简单 ,实现容易 ,求解精度和可靠性较高 ,是解决化工优化问题的有效方法 .     

化工动态优化问题的混合海鸥优化算法研究

化工动态优化问题的求解具有重要的理论与现实意义,但是求其最优解具有一定的难度,因此,提出了一种混合海鸥优化算法(HSOA)用于求此问题.首先在海鸥群体产生攻击行为的过程中引入认知部分,避免算法陷入局部最优;其次,引入自然选择的机理,利用适应度值对群体进行排序,用最好的一半个体代替最差的一半个体,同时保留群体的历史最优值...     

约束优化问题的改进混合遗传算法

提出了罚函数与修复的混合策略,改进了罚函数,给出了种群早熟度评价指标,对遗传算法的交叉算子进行了改进,解决了单一使用罚函数方法求约束优化问题所遇到的困难,方便了遗传算法在约束优化问题中的应用,提高了遗传算法在机械及工程中应用的适应性。数值实验证明,该方法比传统的遗传算法处理约束优化问题效率高。     

序贯优化化工动态问题的蚁群算法

针对化工动态优化问题,分析现有数值解法的不足,提出序贯执行蚁群寻优操作,逐步寻找最佳解的策略,构建序贯蚁群算法.算法首先对时间区间和控制变量搜索域实施离散化,以一组整数编码的蚁群路径表示可行控制策略,进而应用蚁群寻优操作寻找离散问题的最优控制策略.逐步收缩控制搜索域并反复上述步骤,不断改善寻优结果.序贯蚁群算法简便快捷,用于化工动态优化问题效果良好,计算结果体现了算法的稳健性.     

知识进化算法在化工动态优化中的应用

在化工的优化过程中,动态优化是化工优化未来发展的主要趋势,要如何更好地利用各种算法进行化工动态优化,这一问题成了化工行业的主要课题。本文将会就知识进化算法作为例子,对化工动态优化方法进行研究。     

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。     

化工过程模拟优化的演变优化方法

研究了化工过程模拟优化的一类新方法——过程演变优化方法,提出基于ＤＮＮ（动态人工神经网络）的动态算法的统一框架,阐明其并行分布计算特性,并给出一些基于过程规划的计算动力学模型。     

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。     

FDY成品丝摆放区分级方法优化

对原先FDY成品丝摆放区待定等产品的分级方法进行优化,在相同数量的分级人员的情况下,极大地降低了现场成品丝分级的使用时间,提高了分级人员的工作效率。     

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。     

改进的全息搜索策略及其在化工优化中的应用

引言 基于样本数据估计反应动力学参数是常见的化工优化问题.参数估计的通用规则是偏差最小化,许多经典的序贯类寻优方法都可用于这一目的,例如Powell共轭梯度法、模式搜索法、变度量法等.     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

过程动态优化问题的自热式求解策略

分析了基于微分代数方程（DAE）的动态优化问题的联立求解原理,提出了基于Lobatto配置的全离散模型的简洁描述形式。根据离散化模型的最优解具有结构相似性的特点,利用低密度离散的解来近似高密度离散的解,并且配合内点法求解的暖启动技术与障碍参数初值设定方法,提出了能实现动态优化问题快速求解的自热式策略。最后通过求解一个结晶过程的动态优化算例,证实了所提出的自热式策略能够将求解速度提高6倍左右。     

进化规划-蚁群优化算法的构建并用于化工过程操作优化

经典蚁群优化（ACO）算法搜优效率高,但只适用于求解组合优化等离散问题.以搜索最优食物源为目标,并引入进化规划（EP）简洁的进化机制,用以改造ACO,使之适于连续问题.又将蚁群分工为全局和局部蚂蚁,分别引领个体进行全局探索式和局部挖掘式寻优,并在各个体上释放信息素,供蚁群共享,由此继承了ACO正反馈、互激励的优点,并在优进策略的支持下,构建为EP-ACO算法.经复杂测试函数的优化检验,显示出EP-ACO适于连续问题,且全局搜优效率高,对高维问题适应性强.将EP-ACO应用于二甲苯异构化装置的操作优化,取得了良好的效果,与其他方法相比,优越性明显.     

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。     

Robust dynamic optimization for nonlinear chemical processes under measurable and unmeasurable uncertainties

We formulate an integrated framework for the robust dynamic optimization of nonlinear chemical processes under measurable and unmeasurable uncertainties. An affine decision rule is proposed to approximate the causal dependence of the wait-and-see decision variables on the gradually revealed measurable uncertainties. To overcome the computational intractability of the proposed model, a linearization technique based on the first-order Taylor expansion is introduced around the nominal values of uncertainties to derive the robust dynamic counterpart, which can be discretized to a large-scale nonlinear programming (NLP) formulation. Effects of first discretizing the dynamic models or introducing the affine decision rule are investigated. The proposed framework is also compared with the state-of-the-art re-optimization and traditional robust optimization approaches. An illustrative example and an industrial semi-batch 2-mercaptobenzothiazole production case are involved to demonstrate the advantages and applicability of the proposed framework.     

动态克隆调节策略在分馏系统资源优化中的应用

基于生物免疫的克隆选择和独特型免疫网络机理,提出了动态克隆调节策略（DCAS）。该策略以搜索全局最优解为目标,引入了抗体的促进与抑制的动态调节思想,能自动调整搜索空间及克隆规模,并采用自适应多尺度变异方法,因此能更好地保持种群的多样性,协调全局与局部寻优搜索,提高了全局收敛的速度,有效避免了早熟现象。本文用典型的多峰测试函数检验了算法的有效性,并将结果应用于分馏系统的进料资源优化中,取得了良好的效果。     

迭代遗传算法及其用于生物反应器补料优化

针对化工动态优化的数值求解问题,提出将迭代思想与遗传操作相结合,构建迭代遗传算法.算法首先对时间区间和控制搜索域实施离散化,进而应用遗传操作搜索离散问题的最优控制策略.逐步收缩搜索域并迭代以消减离散化带来的偏差,不断改善寻优结果,增强算法的稳健性.实例测试表明该算法简便、可行、高效,已成功地应用于Lee-Ramirez生物反应器补料流率的优化,运算结果优于文献值,显示了迭代遗传算法的优越性.迭代遗传算法尤其适用于系统的梯度信息不可得的情况.