融合差分进化算法的AEA算法及其在参数估计中的应用

着眼于AEA(Alopex-based evolutionary algorithm)算法本身的不足,构造出一种融合了差分进化算法和AEA的改进型算法--MAEA(modified AEA).MAEA算法将改进后的差分进化算法嵌入到AEA中,改进AEA算法中种群的生成方式,提高算法的寻优能力.改进的算法不仅拥有启发搜索和确定性搜索的优点,同时还增加了种群的多样性,使算法能够更好地进行全局和局部搜索.通过21个标准函数的测试结果表明,该算法较标准AEA算法、差分进化算法的性能有较大提升.进一步和当前具有代表性的先进算法(ISDEMS)的比较结果表明,MAEA算法有较高的精确度和稳定性.将算法用于发酵动力学模型参数的估计,通过优化得到了较好的结果,验证了本文提出的算法的可行性和有效性.     

融合copula EDA的AEA算法及其在参数估计中的应用

着眼于AEA(Alopex-based evolutionary algorithm)算法本身的不足,提高算法寻优性能,今构造出了一种融合了copula分布估计算法(copula EDA)和AEA算法的改进型算法-CAEA。将copula分布估计算法嵌入到AEA中,改进AEA算法中种群的生成方式,保持了种群的多样性。改进后的算法不仅拥有AEA算法启发搜索和确定性搜索的优点,同时还具有copula分布估计算法收敛速度快、包含全局搜索信息的特点。利用CAEA算法对9个标准函数进行测试实验,并与AEA算法、改进的粒子群算法(MSCQPSO)和差分进化算法(ISDEMS)的测试结果进行比较,结果表明CAEA算法无论在精确度还是稳定性方面都具有较大的提高。最后将算法用于发酵动力学模型参数的估计,通过优化得到了较好的结果,充分验证了所提出的算法的可行性和有效性。     

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。     

一种大步长激励的结构进化策略应用于换热网络优化

强制进化随机游走算法（random walk algorithm with compulsive evolution,RWCE）具有进化策略简单、控制参数少、全局搜索能力强等特点,是换热网络优化的一种有效方法。鉴于步长对RWCE算法跳出局部最优解有重要的影响,针对RWCE算法的步长分布进行研究,通过分析大步长在局部极值跳出中的作用机理,建立了一种全新的步长组合生成方法,并据此提出了一种大步长激励的结构进化策略。最后,通过3个算例验证了结构进化策略的有效性,与文献结果进行对比,结果表明大步长激励的结构进化策略提高了算法的全局搜索能力。     

基于自适应布谷鸟搜索的模糊聚类算法

由于布谷鸟算法的步长控制因子和发现概率在算法运行过程中保持固定,影响算法的整体寻优效率和寻优精度,为此提出一种自适应设置步长控制因子和发现概率的布谷鸟搜索算法,并利用它优化模糊聚类随机选取初始聚类中心影响聚类效果的缺陷。首先根据搜索阶段的不同自动调节两个参数,使全局和局部的搜索能力达到最平衡的状态,提高整体的搜索效率;然后用改进的布谷鸟搜索算法优化模糊聚类算法,使得算法达到更好的聚类效果。在对比实验中验证了改进后的自适应布谷鸟搜索算法在寻优速度和精度上效果更优。通过比较4种算法在UCI数据集上的聚类效果,验证了改进后的算法在聚类准确率和稳定性上都有所提升。     

一种大步长激励的结构进化策略应用于换热网络优化

强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE)具有进化策略简单、控制参数少、全局搜索能力强等特点,是换热网络优化的一种有效方法。鉴于步长对RWCE算法跳出局部最优解有重要的影响,针对RWCE算法的步长分布进行研究,通过分析大步长在局部极值跳出中的作用机理,建立了一种全新的步长组合生成方法,并据此提出了一种大步长激励的结构进化策略。最后,通过3个算例验证了结构进化策略的有效性,与文献结果进行对比,结果表明大步长激励的结构进化策略提高了算法的全局搜索能力。     

一种基于改进PSO算法的PID控制器参数整定方法

在线性权重下降PSO(LWDPSO)和随机PSO(SPSO)的基础上,提出一种交互进化PSO算法(IEP-SO),将粒子群分成两组,分别采用标准PSO和SPSO并行交互进化,各侧重于全局搜索和局部搜索,根据进化代数动态调整两种算法中进化的粒子数。通过仿真实验,证明了IEPSO的寻优性能优于LWDPSO与SPSO。Zie-gler-Nichols、LWDPSO、SPSO和IEPSO分别对控制对象进行整定仿真测试,证明了IEPSO对PID控制器参数整定效果最佳。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

自适应正余弦搜索樽海鞘群优化算法

针对基本樽海鞘群智能优化算法的收敛速度慢、搜索精度低、容易陷入局部最优的缺点,提出了一种自适应正余弦搜索樽海鞘群优化算法.该算法引入正余弦搜索,以加强领导者位置更新速度,提升算法寻优速率;在跟随者位置更新公式中引入自适应权重因子,提高算法跳出局部最优的能力,并且提高了算法的收敛精度.使用所提出的算法对12个典型寻优测试...     

具有步长调整策略的强制进化随机游走算法优化换热网络

强制进化随机游走算法(random walking algorithm with compulsive evolution,RWCE)是一种优化换热网络的新方法,具有程序简单、算法适应性和全局搜索能力较强等优点。本文研究了最大步长对RWCE算法优化性能的影响,提出了抛物线函数的最大步长递减调整策略来平衡RWCE算法的全局搜索与局部搜索能力。将引入策略的RWCE算法与基础算法比较,发现加入最大步长递减调整策略的RWCE算法与基础RWCE算法相比,在进化后期能够跳出局部极小值,具有更强的局部搜索能力。采用10SP2、9SP和15SP换热网络实例检验加入此策略RWCE算法的有效性,其中10SP2和9SP算例的优化结果均好于文献最好结果,相比算例原始文献下降了20.98%和1.11%。对15SP算例优化找到了新的换热网络匹配结构,并好于多数无分流换热网络优化结果,且低于文献结果 4.60%,证明了此方法在换热网络优化中具有较强的优化能力。     

基于极值动力学机制和信息融合搜索的混合算法及其应用

提出了一种新的基于自适应lévy变异的极值动力学和信息融合搜索的混合算法.新算法将全局搜索和局部搜索机制有机地结合起来,在全局搜索过程中,信息融合搜索算法(IFA)作为一种群智能进化算法,能够快速地逼近近似最优解;在局部搜索过程中,通过选择近似解的最差组元进行自适应lévy变异,利用极值动力学算法(EO)强大的局部搜索...     

A hybrid algorithm based on extremal optimization with adaptive lévy mutation and information fashion algorithm and its applications

提出了一种新的基于自适应lévy变异的极值动力学和信息融合搜索的混合算法。新算法将全局搜索和局部搜索机制有机地结合起来,在全局搜索过程中,信息融合搜索算法(IFA)作为一种群智能进化算法,能够快速地逼近近似最优解;在局部搜索过程中,通过选择近似解的最差组元进行自适应lévy变异,利用极值动力学算法（EO)强大的局部搜索能力,协助IFA跳出局部极值点。将其运用于超临界水氧化去除率神经网络软测量建模,实验结果表明了方法的有效性和实用性。     

采用结构保护策略的强制进化随机游走算法优化换热网络

鉴于强制进化随机游走算法（random walk algorithm with compulsive evolution, RWCE）在优化换热网络时可能出现有潜力结构被差解代替,提出了一种结构保护策略,增加一个与原种群平行进化的新种群,新种群执行结构保护,个体与原种群一一对应并接收其当前最优解,同时采用一种降维邻域搜索的进化方式,设置个体各维变量更新概率确定搜索维数,充分挖掘个体结构进化潜力,提升了算法的局部搜索能力;原种群则沿用RWCE的主要操作,保留了较强的全局搜索能力。将采用结构保护策略的RWCE算法用于有分流换热网络优化,取得了优于现有文献的结果。     

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。     

改进的精英教学优化算法及其在甲醇合成优化中的应用

为了提高精英教学算法（ETLBO）的寻优能力,特别是精度差、寻优速度慢的问题,提出改进的精英教学算法。首先,通过自主学习过程,加强对优质解所在区域的局部勘探,提高算法的寻优效率。其次,引入“差异化帮扶”思想及自适应机制,对不同水平的学生施予适宜的、灵活的学习方式,有针对性的帮助,平衡了算法的勘探速度、精度。通过增加学生间的交流次数,提高了算法的全局勘探能力。标准函数优化结果表明,改进后的算法在寻优能力和勘探效率两方面都有明显提高。最后,建立甲醇合成的机理模型,将改进后的算法应用于甲醇合成过程的优化,取得了良好的效果。     

一种基于梯度信息的多目标优化算法

传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是针对动态多目标优化问题。就此提出了一种新的基于梯度信息的多目标寻优算法（hybrid optimization algorithm based on single and multi-objective gradient information,HSMGOA）,该算法首先利用种群中每个个体对各目标的负梯度方向,以有效保证种群个体能沿单个目标函数值减小的方向加快搜索;同时为避免由于多目标问题之间的冲突性而导致其他目标函数的显著增大,将多个目标的梯度信息方向整合为一个方向进行协同搜索;并且还提出了一种新的选择置点法,以加快算法初始寻优速度并提供优良的初始种群。通过对ZDT系列测试函数的仿真可以看出,HSMGOA在较少的运行次数下,其性能远远优于NSGA2算法。最后将HSMGOA与NSGA2混合以解决补料分批生化反应过程的动态多目标优化问题,并将取得的Pareto最优解集与NSGA2、MOPSO比较可知,该混合算法在解决该化工问题时表现出了更好的性能。     

应用于换热网络优化的并行双层RWCE算法

换热网络规模越大,其解空间内极值点呈指数性增长,优化时不仅要求算法具有强大的全局寻优能力,局部解空间的高精度搜索也不可或缺。鉴于强制进化随机游走算法(RWCE)优化换热网络时难以兼顾局部搜索能力、易导致遗漏最优解的现象,同时为增大算法优化大规模换热网络的种群数量,本文将精细搜索和并行计算相结合提出了并行双层RWCE算法。算法基于多核并行技术,通过并行线程分配建立基础层和精细层,基础层在并行计算技术加持下,算法全局搜索能力大幅提升,精细层将基础层当前最优解实时精细搜索,避免了原算法差解代替优解现象。最后通过两个算例进行验证,结果表明并行双层RWCE算法不仅具有更强的全局搜索能力,且兼具高精度的局部搜索能力,在优化进程中有效保护了最优解。