基于Kriging的差分进化算法及其在苯乙烯流程优化中的应用

自适应差分进化算法基于个体生成策略和控制参数自适应,无须人为设置参数,对问题有较好的适应性,但其收敛速度和精度有待提高。将具有较高预测精度的Kriging模型应用于自适应差分进化算法中,建立跟随种群变化的Kriging模型,通过模型极值点与种群最优个体竞争,对种群产生扰动,影响种群进化过程,改善算法的收敛速度和寻优性能。对10个典型测试函数的测试结果表明,该算法较标准和自适应差分进化算法收敛速度加快,收敛精度提高,且具有更好的稳定性。将基于Kriging的差分进化算法应用于苯乙烯装置的流程优化,操作运行费用显著降低。     

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。     

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法（SMDE）。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。     

改进鲸鱼优化算法及其在渣油加氢参数优化的应用

针对智能优化算法在处理非线性优化问题中存在的容易陷入局部最优和收敛精度差等问题,提出了一种基于结合差分进化和精英反向学习的改进鲸鱼算法（DEOBWOA）。该算法引入对立搜索初始化、精英反向学习,并结合差分进化进行变异修正,显著有效地提高WOA算法的收敛精度和收敛速度,提高其跳出局部最优的能力。之后采用8个标准测试函数进行仿真实验,结果表明：DEOBWOA算法与标准WOA、HCLPSO、DE算法相比,全局搜索能力和收敛速度都有较大提升。最后建立了渣油加氢动力学模型,考虑到渣油加氢过程中存在诸多典型的非线性约束问题,以某炼化厂渣油加氢装置为例,应用DEOBWOA对渣油加氢反应动力学模型参数进行优化,结果表明该算法能较好地处理实际工程优化问题。     

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法(SMDE)。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。     

基于改进差分进化算法的化工参数估计

为提高化工参数估计的精度，本文提出一种改进的差分进化(improved differential evolution,IDE)算法，并将其应用于甲醇转化烃类物质的参数估计问题。IDE算法设计了一种混合差分变异策略，主要利用种群中的当前个体、较优个体和指导个体实现算法寻优，并对参数进行了调整。该算法在提高种群多样性的同时能够加快收敛速度，在一定程度上降低搜索陷入局部最优的可能性。为验证算法在甲醇转化烃类物质的参数估计问题上的有效性，将IDE算法与部分已有算法进行比较。实验结果表明，本文算法提高了甲醇转化为烃类物质的化工参数估计精度，具有较强的竞争性。     

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.     

带有精英保留机制的混合差分化学反应算法

传统智能算法在求解复杂的带有多峰特点的优化问题时, 由于其计算量和变异方式的限制很容易陷入局部最优, 并且不具备跳出局部最优进行二次搜索等能力。针对这一问题, 本文提出了混合差分的化学反应算法, 在利用化学反应算法(CRO)良好的全局搜索能力的同时, 使用差分变异策略来加强算法的计算精度。对于优秀分子可能在反应中被消耗掉的现象, 有针对性地加入了精英保留机制来保持种群的优良。本文选取了CEC2005中的测试函数, 特别是几个带有多峰特点的复杂测试函数来分析改进算法的各项性能, 并与几个改进的智能算法进行了对比实验。最终验证改进算法在提高计算精度和全局搜索能力两方面具有良好的效果。     

改进鲸鱼优化算法及其在渣油加氢参数优化的应用

针对智能优化算法在处理非线性优化问题中存在的容易陷入局部最优和收敛精度差等问题,提出了一种基于结合差分进化和精英反向学习的改进鲸鱼算法(DEOBWOA)。该算法引入对立搜索初始化、精英反向学习,并结合差分进化进行变异修正,显著有效地提高WOA算法的收敛精度和收敛速度,提高其跳出局部最优的能力。之后采用8个标准测试函数进行仿真实验,结果表明:DEOBWOA算法与标准WOA、HCLPSO、DE算法相比,全局搜索能力和收敛速度都有较大提升。最后建立了渣油加氢动力学模型,考虑到渣油加氢过程中存在诸多典型的非线性约束问题,以某炼化厂渣油加氢装置为例,应用DEOBWOA对渣油加氢反应动力学模型参数进行优化,结果表明该算法能较好地处理实际工程优化问题。     

改进生物地理学优化算法及其在汽油调合调度中的应用

汽油调合和调度优化问题中含有典型的非线性约束(NLP)问题。针对一般智能优化算法在解决此类优化问题中易陷于局部极值,提出了一种改进的生物地理学优化算法(HMBBO)。该算法设计了一种基于种群个体差异信息的启发式变异算子,弥补了Gauss变异、Cauchy变异算子缺乏启发式信息的不足,以解决原算法在局部搜索时易出现的早熟问题,提高算法的全局搜索能力,并且采用非线性物种迁移模型以适应不同的自然环境。采用4个测试函数进行仿真,结果表明:HMBBO算法与标准BBO算法、基于Gauss变异及基于Cauchy变异的BBO算法比较,其收敛速度和全局寻优能力有明显改善。汽油调合和调度优化实例表明,该算法能够快速有效地找到全局最优解。     

非线性蒸汽动力系统参数优化新方法——改进遗传算法

针对蒸汽动力系统参数优化的整数非线性规划问题（ＮＬＰ）提出一种改进的遗传算法。该算法对连续变量采用连续化遗传算子进行处理,使得算法与原问题的对应更加自然有效。针对常见的提前收敛或局部最小现象提出几种算子。实例表明本方法能对蒸汽动力系统参数准确、迅速地进行优化。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

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。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

基于PSO-控制变量参数化混合策略的间歇化工过程优化控制

控制变量参数化方法作为一种化工过程动态优化的梯度搜索算法，其求解效率过于依赖初始给定轨迹。目前初始轨迹一般都是设定在边界值或中间值，缺乏科学依据，从而大大影响了算法的收敛速度。针对这一问题，提出了一种粒子群优化(PSO)与控制变量参数化方法混合的策略，首先利用粒子群优化对间歇化工过程最优控制量进行求解，结果作为控制变量参数化方法初始给定轨迹，进行二次优化。双层优化的混合策略提高了控制变量参数化方法的收敛速度和粒子群优化算法的求解精度。将混合策略应用于两个间歇化工过程优化控制实例，仿真结果表明了该算法对求解化工过程动态优化问题具有可行性和有效性。     

一种基于Alopex的参数自适应进化算法及其在软测量建模中的应用

提出了一种基于Alopex的参数自适应进化算法(SaAEA)。SaAEA算法将进化分为两个层面,即种群个体利用AEA算法进化,算法参数利用粒子群算法进化,实现参数的自适应调整。并将差分算法中使用的交叉操作引入到AEA算法以改善种群多样性。SaAEA算法在14个典型测试函数上进行了测试,测试结果表明,与基本的AEA算法相比,SaAEA算法寻优性能有了较大的提高,获得的解的质量和收敛速度均有明显提高。最后,将SaAEA算法应用于乙烯裂解深度神经网络软测量建模,得到的模型有较好的泛化能力。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

A comparative study of teaching-learning-self-study algorithms on benchmark function optimization

In typical optimization problems, the number of design variables may be large and their influence on the specific objective function can be complicated; the objective function may have some local optima while most chemical engineers are interested only in the global optimum. For any new optimization algorithms, it is essential to validate their performance, compare with other existing algorithms and check whether they provide the global optimum solutions, which can be done effectively by solving benchmark problems. In this work, seven typical optimization algorithms including the newly proposed TLBO (Teaching-learning-based optimization) based algorithms such as the TLSO (Teaching-learning-self-study optimization) algorithm have been reviewed and tested by using a set of 20 benchmark functions for unconstrained optimization problems to validate the performance and to assess these optimization algorithms. It was found that the TLSO algorithm shows the fastest convergence speed to the optimum and outperforms other algorithms for most test functions.     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。