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。     

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。     

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%。     

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。     

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。     

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。     

基于差分进化算法和HYSYS机理模型的催化重整过程优化

选取催化重整18集总31反应集总动力学模型,以流程模拟软件HYSYS为工具,建立了催化重整机理模型。以最大化芳烃产率为优化目标,以4个反应器入口温度为决策变量,建立了过程优化模型。利用差分进化算法求解该优化问题,并利用可行性规则处理约束。仿真结果表明,芳烃产率有较大提高,证实了差分进化算法的有效性。     

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。     

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。     

差分进化算法研究进展

针对一种新兴的进化算法--差分进化算法,介绍该算法的基本原理、算法流程、算法参数及其对算法性能的影响,总结控制变量选择的经验规则,归纳了改进差分进化算法和算法在相关领域的应用概况,已研究的理论和应用成果均证明该进化算法的有效性和先进性,具有广阔的发展前景.最后对差分进化算法进一步的研究工作进行了探讨和展望.