基于混合差分进化算法的软测量时延参数估计

时延参数估计是系统控制与信号处理的关键问题。通过构造一个适当的适应度函数,将软测量系统的时延参数估计问题转化为一个多维非线性优化问题,然后利用混合差分进化算法的全局搜索能力求解该优化问题。对两个典型问题进行了仿真实验,仿真结果表明了混合算法的有效性和鲁棒性。以石油炼制工业中典型装置常压塔为例,对其一线航空煤油的闪点软测量进行了应用验证,结果表明,时延参数估计的引入大大提高了软测量模型的精度,证实了混合差分进化算法的有效性。     

一种求解化工动态优化问题的迭代自适应粒子群方法

智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法(IAPSO)来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是:该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。     

一种求解化工动态优化问题的迭代自适应粒子群方法

智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法（IAPSO）来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是：该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。     

复合粒子群优化算法在模型参数估计中的应用

化工非线性模型的参数估计是较为困难的寻优问题，经典方法常会陷入局部极值。粒子群算法操作简便、容易实现且全局搜索功能较强，适用于非线性参数估计。但其参数值的确定与问题相关，若设定不当，会严重影响全局搜索的性能。今提出引入遗传算法，在粒子群算法的搜索过程中，逐代优选参数，包括惯性权值，加速常数，以此构建为复合粒子群优化算法。分析与测试表明，其全局搜索性能有显著改善。进一步的工作又将两种粒子群算法成功地应用于重油热解模型的参数估计。采用复合粒子群优化算法估计参数构建的重油热解模型，其预报相对误差比常规粒子群优化算法降低了8.97％，比简单遗传算法降低了23.21％，效果明显。     

基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶(marine protease,MP)发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络(PSO-RBFNN)的MP发酵过程软测量建模方法。首先采用指数下降惯性权重(exponential decreasing inertia weight,EDIW)策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

基于自适应粒子群优化算法的预测控制算法及其在加热炉支管平衡中的应用

多变量和输出受限系统的预测控制问题一般表现为一个不易直接求解的多变量且多约束的非线性动态规划问题.传统优化方法在解决此优化问题时,存在易收敛到非法解或局部极小、计算时间长以及对模型参数与初值依赖性强的缺点.提出了一种基于自适应粒子群优化的预测控制算法(APSO-DMC),采用自适应粒子群优化算法(APSO)作为模型预测控制的优化方法,在线实时求解最优控制律,从而有效地克服了传统优化方法的不足.将此算法应用于常减压装置加热炉支管温度平衡控制中,仿真试验结果显示了该方法的有效性.     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

基于多数据源的连铸软测量模型校正方法研究

针对铸坯凝固传热软测量模型的准确性问题,提出了基于多数据源的模型校正方法。首先在铸坯不同位置测量其表面温度,然后根据测量数据和凝固传热数学模型的计算数据将参数辨识问题转化为参数优化问题,采用自适应粒子群优化算法进行模型参数辨识。最后利用凝固坯壳厚度的测量数据验证传热模型的准确性,结果表明:校正后的凝固传热模型可以满足工程应用要求,可用于实际连铸机的计算分析。     

求解带有等式约束的混合整数非线性规划问题的粒子群算法

针对带有等式约束的混合整数非线性规划(MINLP)问题,建立了一种改进的粒子群优化(PSO)算法--简约空间法.利用等式约束将问题的维数降低,使带有等式约束的优化问题转化为无等式约束优化问题.通过测试函数和过程综合的实例对该算法进行了测试并与其他算法所得的结果进行了比较,结果表明,PSO算法在使用的普遍性、求解的准确性等方面都优于一般的算法,尤其对于非凸的MINLP问题,PSO算法是一种有效的求解方法.     

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。     

基于一类混合PSO算法的函数优化与模型降阶研究

为了克服传统微粒群优化(PSO)算法容易早熟收敛和陷入局部极小的缺点,通过对PSO算法特点和行为的分析,提出一类有机结合模拟退火(SA)算法和PSO算法的混合算法.混合算法不仅利用PSO的机制进行群体全局搜索,而且利用模拟退火的思想恰当地选择微粒的最好历史位置,保障了群体多样性,并有效平衡了算法的探索和趋化能力,进而改善了算法的优化性能.基于典型复杂函数优化问题和模型降阶问题的仿真结果表明,所提混合算法具有很好的优化质量、搜索效率和鲁棒性.     

A multilevel coordinate search algorithm for well placement,control and joint optimization

Determining optimal well placements and controls are two important tasks in oil field development. These problems are computationally expensive, nonconvex, and contain multiple optima. The practical solution of these problems requires efficient and robust algorithms. In this paper, the multilevel coordinate search (MCS) algorithm is applied for well placement and control optimization problems. MCS is a derivative-free algorithm that combines global and local search. Both synthetic and real oil fields are considered. The performance of MCS is compared to generalized pattern search (GPS), particle swarm optimization (PSO), and covariance matrix adaptive evolution strategy (CMA-ES) algorithms. Results show that the MCS algorithm is strongly competitive, and outperforms for the joint optimization problem and with a limited computational budget. The effect of parameter settings for MCS is compared for the test examples. For the joint optimization problem we compare the performance of the simultaneous and sequential procedures and show the utility of the latter.     

基于群体智能算法的换热网络同步最优综合

换热网络同步综合方法一般需要建立复杂的混合整数非线性数学规划模型,该模型具有非凸、非线、不连续的特点,属于最难求解的一类NP-hard问题,应用传统的优化算法很难确定其全局最优解,尤其是对大规模换热网络综合问题,甚至无法在合理时间内接近全局最优的局部最优解。针对换热网络同步综合问题,提出基于群体智能算法的分层优化策略,外层采用离散粒子群算法与遗传算法相结合的混合群体智能算法优化换热网络结构,内层在结构变量给定条件下利用改进粒子群算法优化冷热物流分流比与换热负荷。两个典型算例研究证明了该方法能以较高的效率和稳定性得到较好的优化结果。     

基于全局优化改进混沌粒子群遗传算法的物料平衡数据校正

结合遗传算法（GA）和粒子群算法（PSO）的优点以及混沌运动的特性,提出了加入混沌扰动的混沌粒子群遗传算法（DCPSO-GA）,并使用5个高维非线性测试函数考察全局优化混合算法的性能。DCPSO-GA解决了在寻优搜索时出现的停滞现象,扩大了全局优化的搜索空间,丰富了粒子的多样性,且不需要函数梯度信息。测试结果证明,针对本文的5个测试函数DCPSO-GA能找到全局最优解,其收敛速度很快,大大减少了计算量。而且,经过与其他相关算法比较可知,当总的目标函数调用次数较接近或更少时,改进算法不论在计算精度还是收敛速度上,均有很大的提高。并将DCPSO-GA算法应用到重油裂解参数估计和预测中,测试结果证明,其提高了参数估计和预测的准确性,降低了误差,能有效找到全局最优解,收敛速度快,大大减少计算量。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

Control Parameterization‐Based Adaptive Particle Swarm Approach for Solving Chemical Dynamic Optimization Problems

A control parameterization‐based particle swarm optimization (CP‐PSO) approach is presented which combines control parameterization with particle swarm optimization to solve dynamic optimization problems in chemical engineering. To improve search efficiency and convergence rate, a control parameterization‐based adaptive particle swarm optimization (CP‐APSO) approach is proposed, in which inertia weight and acceleration coefficients are updated according to population distribution characteristics. Three benchmark chemical dynamic optimization problems are explored as illustration. The results demonstrate that CP‐APSO is efficient for solving a general class of chemical dynamic optimization problems and CP‐APSO largely outperforms CP‐PSO on the convergence rate.     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。