基于蒙特卡罗微分算法优化大规模换热网络

在换热网络数学模型及分级超结构基础上,提出蒙特卡罗结合微分进化算法,双层优化换热网络。外层利用蒙特卡罗算法全局范围内搜索最佳的换热网络结构;内层用微分进化算法优化换热器面积;通过设定合理的预期换热器个数,控制Grossmann超结构下产生换热器的个数,不但能提高求解效率,而且可以有效地解决大规模换热网络问题。最后,算例结果表明,基于蒙特卡罗微分算法能保证在全局搜索能力的前提下,混合求解策略能够获得较优的结果。     

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。     

微分进化算法及其在聚合过程控制中的应用

Moo Ho Lee等人将微分进化算法 (DE,differenetevolution)应用于半连续共聚操作过程的最优控制中 ,采用控制变量参数化的方法 ,将控制函数进行离散 ,与迭代动态规划法和序列二次规划法相比 ,微分进化算法的全局收敛性能要更好一些。微分进化算法及其在聚合过程控制中的应用@曹彬     

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。     

基于改进差分进化算法-径向基神经网络的电热水浴串级控制系统研究

针对电热水浴装置温度控制中被控对象存在的大惯性、非线性、大延迟等特点,设计了一种基于改进差分进化(improved differential evolution, IDE)算法的径向基（radial basis function, RBF）神经网络串级控制系统。采用IDE算法对RBF神经网络的初始参数进行优化,采用优化后的RBF神经网络辨识主控制回路被控对象的Jacobian信息,进而实现主控制回路PID(proportional integration differentiation)控制器参数的在线调整。针对主控制回路控制器包含输出噪声,导致控制性能下降的问题,引入Kalman 滤波器对串级控制的主回路进行重新设计,控制对象的输出值经过Kalman 滤波算法处理后再返回闭环控制系统。以微化工领域常用电热水浴装置为对象,对IDE-RBF-PID-PI串级控制系统进行仿真实验,结果表明,IDE-RBF-PID-PI串级控制系统相较于常规串级控制,大大提高了控制性能,主控制回路引入的Kalman滤波算法有效消减控制系统的输出噪声,控制效果接近于无噪声的理想状态。     

基于改进差分进化算法-径向基神经网络的电热水浴串级控制系统研究

针对电热水浴装置温度控制中被控对象存在的大惯性、非线性、大延迟等特点,设计了一种基于改进差分进化(improved differential evolution, IDE)算法的径向基(radial basis function, RBF)神经网络串级控制系统。采用IDE算法对RBF神经网络的初始参数进行优化,采用优化后的RBF神经网络辨识主控制回路被控对象的Jacobian信息,进而实现主控制回路PID(proportional integration differentiation)控制器参数的在线调整。针对主控制回路控制器包含输出噪声,导致控制性能下降的问题,引入Kalman滤波器对串级控制的主回路进行重新设计,控制对象的输出值经过Kalman滤波算法处理后再返回闭环控制系统。以微化工领域常用电热水浴装置为对象,对IDE-RBF-PID-PI串级控制系统进行仿真实验,结果表明,IDE-RBF-PID-PI串级控制系统相较于常规串级控制,大大提高了控制性能,主控制回路引入的Kalman滤波算法有效消减控制系统的输出噪声,控制效果接近于无噪声的理想状态。     

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BP神经网络的PID算法研究与应用

针对实际非线性、不确定系统,文章将提出基于BP算法神经网络PID算法,阐述了三层BP网络设计方法。最后用于一个慢变性被控对象进行仿真,结果表明,此控制方法能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时出现的参数整定不良等问题。     

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.     

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.     

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。     

基于混合微分进化算法的生化过程动态参数估计(英文)

Determination of the optimal model parameters for biochemical systems is a time consuming iterative process. In this study, a novel hybrid differential evolution (DE) algorithm based on the differential evolution technique and a local search strategy is developed for solving kinetic parameter estimation problems. By combining the merits of DE with Gauss-Newton method, the proposed hybrid approach employs a DE algorithm for identifying promising regions of the solution space followed by use of Gauss-Newton method to determine the optimum in the identified regions. Some well-known benchmark estimation problems are utilized to test the efficiency and the robustness of the proposed algorithm compared to other methods in literature. The comparison indicates that the present hybrid algorithm outperforms other estimation techniques in terms of the global searching ability and the convergence speed. Additionally, the estimation of kinetic model parameters for a feed batch fermentor is carried out to test the applicability of the proposed algorithm. The result suggests that the method can be used to estimate suitable values of model parameters for a complex mathematical model.     

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。     

基于优进策略的差分进化算法及其化工应用

鉴于常规差分进化算法容易“早熟”,全局寻优能力有待提高,提出了基于优进策略的差分进化算法,利用种群繁衍的有用信息改进子代分布,并引入确定性寻优操作,以提高寻优性能.设计了单纯形寻优操作和重布操作,并调整有关概率等.测试表明新算法的全局寻优性能有明显改善,已成功地应用于铯-铷-钒系低温硫酸催化剂上SO2氧化反应模型参数的估计,效果良好.     

A Hybrid Algorithm Based on Differential Evolution and Group Search Optimization and Its Application on Ethylene Cracking Furnace

To find the optimal operational condition when the properties of feedstock changes in the cracking furnace online, a hybrid algorithm named differential evolution group search optimization (DEGSO) is proposed, which is based on the differential evolution (DE) and the group search optimization (GSO). The DEGSO combines the advantages of the two algorithms: the high computing speed of DE and the good performance of the GSO for preventing the best particle from converging to local optimum. A cooperative method is also proposed for switching between these two algorithms. If the fitness value of one algorithm keeps invariant in several generations and less than the preset threshold, it is considered to fall into the local optimization and the other algorithm is chosen. Experiments on benchmark functions show that the hybrid algorithm outperforms GSO in accuracy, global searching ability and efficiency. The optimization of ethylene and propylene yields is illustrated as a case by DEGSO. After optimization, the yield of ethylene and propylene is increased remarkably, which provides the proper operational condition of the ethylene cracking furnace.     

差分演化算法中变异策略的改进与算法的优化

自然界生物体进化现象可以形式化成一些优化算法,如差分演化算法、粒子群算法等。其中,差分演化算法在数值函数优化方面的性能要优于其它的优化算法。通过对差分演化算法的变异策略改进,使优化后的差分演化算法在函数优化方面性能得到进一步提高。通过十个基准函数的仿真测试可以验证这一结果。     

基于差分进化算法的控制变量参数化方法及其在化工过程动态优化中的应用(英文)

Two general approaches are adopted in solving dynamic optimization problems in chemical processes, namely, the analytical and numerical methods. The numerical method, which is based on heuristic algorithms, has been widely used. An approach that combines differential evolution (DE) algorithm and control vector parameterization (CVP) is proposed in this paper. In the proposed CVP, control variables are approximated with polynomials based on state variables and time in the entire time interval. Region reduction strategy is used in DE to reduce the width of the search region, which improves the computing efficiency. The results of the case studies demonstrate the feasibility and efficiency of the proposed methods.