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。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

基于改进差分进化算法的复合材料结构优化设计

提出了一种改进的S形变异差分进化算法并对该算法在复合材料结构优化方面的应用进行了研究。首先,分析了控制参数对差分进化算法收敛性和寻优能力的影响机理;其次,针对控制参数对差分进化算法的影响机理,借鉴生物繁殖的"S形曲线"规律,提出变异率的"S形曲线"变化趋势,提出改进的差分进化算法SDE,数值算例证明该算法具有较好的全局寻优能力;最后,针对复合材料结构优化设计问题,建立了基于SDE算法的优化计算系统,利用该优化计算系统对某空间运载器复合材料构件进行了优化设计,优化结果较初始设计质量减小36.5%。     

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.     

改进的差分进化算法及在聚丙烯牌号切换优化中的应用

针对差分进化算法早熟问题,提出一种改进差分进化算法,采用动态缩放因子解决优化过程中的变量约束问题,在进化过程中自动地调整控制参数取值以保证变量约束条件;引入聚集度作为参数评估种群分布的密集程度,增加一种新的变异算子在进化过程中根据聚集度情况对部分个体进行后续变异操作,适时调整种群分布,提高种群多样性,增强全局搜索能力。建立了聚丙烯牌号切换优化模型并将改进的差分进化算法应用于牌号切换优化模型的求解,仿真实验结果表明改进的差分进化算法在全局搜索能力和搜索效率两个方面有较大提高。     

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。     

优进策略支持的进化规划估计反应动力学参数

为准确估计反应动力学参数,在分析确定性优化方法与进化算法特性的基础上,提出了一种由优进策略支持的进化规划方法(EEP),它将确定性寻优的两点梯度法(TPG)引入随机的进化规划算法(EP)中。EEP将依概率调用TPG寻优操作,并相应地调整原有的随机性操作,包括简化变异操作、改进选择操作。测试结果表明EEP克服了TPG与EP的缺点,发扬了二者的优点,具有良好的全局寻优性能。将EEP方法成功地应用于2-氯苯酚在超临界水中氧化反应动力学参数的估计,效果良好,与其它方法相比,结果有所改进,显示出EEP方法的优越性。     

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。     

一种自适应差分进化算法及其在精对苯二甲酸结晶生产过程优化中的应用

提出了一种自适应差分进化算法(adaptive differential evolutionary algorithm,ADE),并将其应用于精对苯二甲酸(PTA)生产中结晶过程的优化.由于该结晶过程为5级结晶器串联组成,并且存在较多杂质等的影响,使得该结晶过程很难用机理数学模型来精确表达.为此首先利用神经网络技术建立了该对象模型,并对各主要操作变量对关键产品指标的影响进行系统分析,以满足结晶机理先验知识.然后利用自适应差分进化算法对该结晶模型进行操作点的寻优.该ADE算法是一种基于实型数值编码的并行直接搜索算法.     

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。     

基于优进策略的遗传算法对重油热解模型参数的估计

针对常规遗传算法全局寻优效率偏低的弱点，提出了一种优进策略，用以改进常规遗传算法。该策略将从繁衍过程中获取进化信息，自适应地改进子代分布，适时引入确定性操作，以提高全局寻优性能。提出的相关技术包括维持种群的多样性、改进交叉算子、增加Powell寻优算子等。实例测试表明这种优进策略效果良好，并已成功地应用于重油热解三集总动力学复杂数学模型的非线性参数估计。     

广义回归神经网络的改进及在延迟焦化建模中的应用

广义回归神经网络（GRNN）具有明确的概率意义,其参数大多能自动确定,仅光滑因子参数需优化估值.采用优进遗传算法（EGA）,将确定性与随机性寻优操作相融合,实现了高效全局搜优,它所基于的优进策略包括设计Powell寻优算子、改进交叉算子、自适应地调整交叉率和变异率等.以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为延迟焦化过程建模,与径向基网络（RBFN）等相比,显示了明显的优势.     

改进的自适应免疫算法及其在对二甲苯氧化燃烧副反应优化中的应用(英文)

In recent years, immune genetic algorithm (IGA) is gaining popularity for finding the optimal solution for non-linear optimization problems in many engineering applications. However, IGA with deterministic mutation factor suffers from the problem of premature convergence. In this study, a modified self-adaptive immune genetic algorithm (MSIGA) with two memory bases, in which immune concepts are applied to determine the mutation parameters, is proposed to improve the searching ability of the algorithm and maintain population diversity. Performance comparisons with other well-known population-based iterative algorithms show that the proposed method converges quickly to the global optimum and overcomes premature problem. This algorithm is applied to optimize a feed forward neural network to measure the content of products in the combustion side reaction of p-xylene oxidation, and satisfactory results are obtained.     

Optimization of process synthesis and design problems: A modified differential evolution approach

A large number of process synthesis and design problems in chemical engineering can be modeled as mixed integer nonlinear programming (MINLP) problems. They involve continuous (floating point) and integer variables. A common feature of this class of mathematical problems is the potential existence of non-convexities due to the particular form of the objective function and/or the set of constraints. Due to their combinatorial nature, these problems are considered to be difficult. In recent years, evolutionary algorithms (EAs) are gaining popularity for finding the optimal solution of nonlinear multimodal problems encountered in many engineering disciplines. In the present study, a novel modified differential evolution [Angira, R., Babu, B.V., 2005a. Optimization of non-linear chemical processes using modified differential evolution (MDE). Proceedings of the Second Indian International Conference on Artificial Intelligence (IICAI-05), Pune, India, December 20-22, pp. 911-923. Also available at 〈http://discovery.bits-pilani.ac.in/discipline/chemical/bvb/publications.html〉], one of the evolutionary algorithms, is used for solving process synthesis and design problems. To illustrate the applicability and efficiency of modified differential evolution (MDE), seven test problems on process synthesis and design have been solved. These problems arise from the area of chemical engineering, and represent difficult nonconvex optimization problems, with continuous and discrete variables. The performance of MDE is compared with that of Genetic Algorithm, Evolution Strategy, and MINLP-Simplex Simulated Annealing (M-SIMPSA).     

Modified nonlinear generalized ridge regression and its application to develop naphtha cut point soft sensor

A novel modified nonlinear generalized ridge regression (MNGRR) is proposed to model highly nonlinear system. MNGRR applies nonlinear transformation for independent variables to expand independent variable space. Then, the generalized ridge regression (GRR), which employs a modified differential evolution (MDE) to obtain the optimal ridge parameters according to the predicting error, is applied to remove the multicollinearity among the expanded variables, and thus the model that can describe complex nonlinear system and has good predicting ability is obtained. In practice, MNGRR is applied to develop naphtha 95% cut point soft sensor due to the existence of highly nonlinear relationship between process variables and naphtha 95% cut point in atmosphere distillation unit and the fact that few on-line hardware sensors are available and these are also difficult to maintain. Satisfactory results were obtained. The comparison results show that the performance of MNGRR is better than line regressions, nonlinear ordinary least squares regression and nonlinear traditional ridge regression. Further, MDE uses an adaptive mutation operator to overcome the premature and enhance the probability of obtaining the global optimal solution. The comparison results demonstrated that MDEs on-line and off-line performances are all superior to those of traditional DE (TDE), the probability of obtaining the global optimal solution is larger than that of TDE, and that the parameter sensitivity degree of MDE is lower than that of TDE.     

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。