工业过程稳态随机优化理论研究与算法

本文对工业过程稳态优化问题在有有随机噪声的情况下进行理论上的研究，提出了随机系统稳态的概念和随机稳态优化的最优解的概念，并且提出一种基于方差分析的二次近拟次优算法。证明了该算法的最优性和收敛性。仿真验证了该算法比原有方法更有效。     

水泥生料配料过程优化控制系统

介绍以基于生料率值控制为目的的非线性水泥生料优化配料过程控制,运用智能机理建模的方法,建立配料过程的非线性规划数学模型.针对模型中的多目标函数以及非线性约束特点,提出一种采用优化软件LINGO编制算法程序并通过应用程序接口(API)嵌入到ABB France2000的DCS系统中.工业实验表明该系统能有效地对配料过程进行优化控制,是解决非线性多目标优化问题的一种可行方法.     

基于PSO算法的生料浆配料过程的优化控制

针对烧结法氧化铝生产流程中的生料浆配料过程的工艺特点,将PSO算法应用在配料过程中的原料分配优化问题中,并构造了惩罚函数来处理配料过程中的各种约束条件.基于PSO算法的优化控制不仅可以保证生料浆的各项工艺指标达到设定值,同时可以保证配料成本最低.在某氧化铝厂的应用结果表明,该优化控制可以取代传统的人工配料生产方式,提高了生料浆各项工艺指标的合格率,降低了配料成本,实现了优化配料,取得了显著的应用效益.     

生料浆配料过程的优化设定软件

在生料浆配料过程中,磨机负荷是与生产效率和能源消耗密切相关的重要指标,生料浆的钙比、碱比和水分是重要的质量指标,实现磨机负荷及生料浆各项质量指标的优化控制的关键是确定出合理的赤泥浆、碱粉、各台磨机的混矿、石灰石、碱赤泥浆流量控制回路的设定值。设计并开发了生料浆配料过程的优化设定软件,详细介绍了该软件的结构、功能、程序流程图及实现画面等。优化设定软件可以根据工况的变化自动调整各种流量控制回路的设定值,从而提高了配料过程的产品质量和生产效率,并节能降耗,取得了显著的应用效果。     

基于二次优化的随机优化算法结果的改进

统计研究发现,随机优化算法多次运行后的优化结果满足正态分布,且期望值更接近最优解。为此,提出一种基于统计学理论并结合牛顿法的二次优化方法来改进随机优化算法的求解结果,以克服将多次优化结果的平均值作为最优解时不能满足精度要求的缺陷。以遗传算法对4个经典测试函数的多次优化为例,分别运用平均法和二次优化法来综合其优化结果。多次实验表明,二次优化法在处理多次随机运行结果时,比平均法精度更高、稳定性更好。     

求解一类随机优化问题的社会认知算法

提出了解随机优化问题的社会认知算法.该算法易于理解及程序易实现,克服了随机优化问题难以高效实现全局优化的缺点,为随机优化问题的求解提供了一种新的途径,并为社会认知算法的应用拓展了新的空间.     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络,其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时,特别提出了一种有效改进算法,使得参数在简单选取的情况下保证能量函数的下降,在组合优化问题上具有普遍意义,并且在10城市TSP对改进算法进行验证,指出RNN是解决TSP问题的有效途径。     

水泥磨配料过程仿真模型

水泥磨配料过程是较难建模仿真研究的对象，该文用泛布尔代数为分析工具建立水泥磨配料过程的仿真模型，仿真结果与实际生产数据相比较，得到比较好的一致性，这对工业生产过程的仿真研究有重要意义。     

随机仿真优化的一类遗传序优化框架

针对仿真优化问题存在随机性、计算费时、解空间巨大、多极小等难点,结合遗传算法的并行遗传搜索、最优计算量分配以及序优化的目标软化和序比较思想提出一类遗传序优化框架,进而讨论了该方法的收敛性和具体实施问题,最后指出了进一步的研究内容.     

基于过程神经网络和遗传算法的系统逆向过程求解

针对系统过程的逆向优化求解问题,提出了一种基于过程神经网络和遗传算法相结合的方法。首先根据实际问题的领域知识和学习样本集,确定能够满足系统实际输入输出关系的正向过程神经网络。然后按照系统在过程区间的某一期望输出,逆向确定系统的过程输入信号,即按照给定的期望输出,反求过程神经网络的输入函数,使该输入函数满足已确定的正向映射关系,从而完成系统的优化过程控制。文中给出了具体的实现算法,应用实例证明了该方法的有效性。     

Distributed Momentum-Based Frank-Wolfe Algorithm for Stochastic Optimization

This paper considers distributed stochastic optimization,in which a number of agents cooperate to optimize a global objective function through local computations and information exchanges with neighbors over a network.Stochastic optimization problems are usually tackled by variants of projected stochastic gradient descent.However,projecting a point onto a feasible set is often expensive.The Frank-Wolfe(FW) method has well-documented merits in handling convex constraints,but existing stochastic F...     

基于混合粒子群算法的烧结配料优化

在引入惩罚函数和对目标函数进行适当修改的前提下,充分利用粒子群优化算法的全局搜索能力和约束条件下共轭梯度法的局部搜索能力,设计了烧结配料优化算法．利用惩罚函数方法将约束条件优化问题转化为无约束条件优化问题,然后利用粒子群优化算法进行寻优．当群体最优信息陷入停滞时将目标函数进行适当变化,继续利用共轭梯度法进行寻优．计算结果表明,采用该方法能够在提高混合料中的有用成分、降低有害成分的前提下,更多地降低生产成本．     

一种基于轮盘赌选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--GAR-SPSO。该方法是在SPSO的进化过程中,以轮盘赌选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。通过对五个多峰的测试函数进行仿真明：在搜索空间维数相同的情况下,GAR-SPSO收敛率及收敛速度均大大优于SPPSO。     

基于自适应进化算法的烧结配料优化

针对烧结配料系统的多样性、复杂性和相关性特点,基于广义回归神经网络建立了烧结配料预测模型,提出基于自适应加速机制的多种群进化算法的烧结配料优化算法。该算法在引入自适应加速机制和弹性缩放因子的前提下,充分运用了多种群进化算法的全局搜索能力寻找最优的工艺参数组合,将神经网络和自适应进化算法有机结合,实现了烧结配料的优化,增加了混合料中有用的化学成分,从而提高了产品质量。实际计算结果验证了该优化算法的正确性。     

铅锌烧结配料过程的智能集成建模与综合优化方法

以铅锌烧结配料过程为背景, 针对传统配料方法中存在的成本高和准确率低的问题, 提出一种智能集成建模与综合优化方法. 首先, 在建立过程神经网络模型和改进灰色系统预测模型的基础上, 利用信息论中熵值的概念, 提出一种既可保证预测精度又能满足配料计算对数据完备性要求的烧结块成分集成预测模型; 其次, 以成本最小为目标建立烧结配料优化模型, 采用基于专家推理策略和改进免疫遗传算法的定性定量综合集成方法, 实现烧结配料的优化. 仿真结果验证了该方法的有效性.     

基于预测模型和遗传算法的配煤优化研究

焦化企业配煤和炼焦过程是存在诸多不确定性、无法用数学模型描述的复杂工业过程,传统控制方法难以实施控制。因此要实现配煤成本的最优控制是个比较复杂的问题。本文在焦化理论和实际生产所获的数据基础上,以神经元网络为指导,建立焦炭质量预测模型;利用单种和混合煤中各组分的关系,建立起混合煤的质量预测模型。在以上两个模型的基础上,把炼焦过程中配煤成本最小化的问题转化成为带约束的最优化问题。再利用遗传算法可以比较方便地求得近似最优解。本文利用实际数据和仿真实验,验证方法的可行性。     

基于粒子群算法的自动配煤系统多目标优化

粒子群优化(PSO)算法是一种有效的基于群体智能的全局优化方法,不能直接应用于多目标自动配煤系统的优化中。文章考虑实际灰分最大限度接近目标灰分、配煤时间最短、能耗最小经济效益最高这3个目标,建立了具有条件约束的多目标自动配煤系统模型;利用加权法将自动配煤系统的多目标优化问题转化为单目标优化问题,然后利用PSO算法对系统进行优化,求出最优解集。仿真结果表明,应用PSO算法优化多目标自动配煤系统的方法简单可行,效果较为理想,但也存在适应度函数和权值参数选取难的问题。     

一种减小方差求解非光滑问题的随机优化算法

随机优化算法是求解大规模机器学习问题的高效方法之一.随机学习算法使用随机抽取的单个样本梯度代替全梯度,有效节省了计算量,但却会导致较大的方差.近期的研究结果表明:在光滑损失优化问题中使用减小方差策略,能够有效提高随机梯度算法的收敛速率.考虑求解非光滑损失问题随机优化算法COMID(compositeobjective mirror descent)的方差减小问题.首先证明了COMID具有方差形式的O(1/√T+σ²/√T)收敛速率,其中,T是迭代步数,σ²是方差.该收敛速率保证了减小方差的有效性,进而在COMID中引入减小方差的策略,得到一种随机优化算法α-MDVR(mirror descent with variance reduction).不同于Prox-SVRG(proximal stochastic variance reduced gradient),α-MDVR收敛速率不依赖于样本数目,每次迭代只使用部分样本来修正梯度.对比实验验证了α-MDVR既减小了方差,又节省了计算时间.