粒子群优化算法的研究

粒子群优化算法是一种基于群体智能的优化算法。介绍粒子群优化算法及其基本原理,给出各种改进技术及研究现状,并展望未来的发展趋势。     

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.     

粒子群优化算法的发展及应用

讨论了粒子群优化算法的发展和应用。介绍了粒子群优化算法的基本原理和算法流程,并且与其他演化算法进行了比较,给出了一些经常用到的测试函数。针对粒子群优化算法在搜索后期存在的不足,介绍了改进的粒子群优化算法,重点介绍了在实际应用领域中用到的改进粒子群优化算法。     

智能井优化控制技术

在介绍智能井技术的基础上,从国内外研究智能井优化算法、优化控制模型等方面综述了智能井生产优化控制技术的进展,介绍了智能井优化控制模型在多层油藏、微裂缝油藏、高渗透非均质油藏和河流相油藏中的应用方法,指出不同优化方法的简化条件和适用范围,并提出了智能井优化控制技术在将来的研究方向.     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

化工过程系统优化的分布式并行计算

针对大规模化工过程系统优化计算能力不够的情况 ,讨论用机群系统建构成并行优化计算环境 .在分析并行计算的原理和现状后 ,对优化算法的并行化进行探讨 ,并且深入讨论了大规模优化算法SQP的并行化和如何提高机群系统效率的问题 .通过精馏塔优化算例 ,证明利用机群系统开展并行优化是行之有效的     

人工鱼算法的重磁位场反演方法

位场反演是地球物理反演问题研究的主要内容之一,其任务为确定地质体的空间形体参数和物性参数。目前,局部和全局最优化技术结合是地球物理反演的热点。人工鱼群算法是源于对鱼群觅食行为而提出的一种新型群体智能优化算法,在多参数、非线性、多极值函数优化问题中具有较强的优越性。通过分析人工鱼群算法的原理,本文用该非线性算法实现了重磁位场反演,并且在理论模型的实验中,证明了算法的可行性。     

蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

一种基于模型搜索的启发式算法

讨论一种基于MBS搜索的启发式算法——蚁群优化(ACO)算法,ACO算法的求解以信息素为前提进行,阐述了信息素值的初始化方法,对信息素的更新规则、信息素模型选择方法进行分析,分析了信息素模型选择机制,提出了ACO算法中的两种状态转移规则,将ACO模型中的信息素模型定义为信息素的初始化及更新规则,对研究模型优化搜索、蚁群优化算法有一定的指导意义.     

基于蚂蚁智能体调度的混沌搜索算法及化工应用

针对混沌搜索随机性的缺点和遍历性的优点,提出了一种基于蚂蚁智能体调度的混沌搜索算法（chaos optimization algorithm based on ant agent scheduling,CAAS）。该算法将解空间的每维变量都划分成若干子域并分配一定规模的蚂蚁智能体,蚂蚁智能体在各子域中进行混沌搜索。同时,根据每维变量各个子域中信息素浓度决定蚂蚁智能体在各个子域间的转移,以有效克服传统混沌优化算法的随机性,实现快速的全局最优搜索。分别采用传统混沌优化算法和CAAS对标准的非线性连续优化问题进行寻优。结果表明：CAAS的全局搜索性能、收敛速率都明显地优于混沌优化算法。最后,将该算法应用于对羧基苯甲醛含量软测量模型参数估计,取得良好的效果。     

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.     

4种智能算法在相平衡数据拟合中的应用

针对Marquardt-Levenberg法应用于多元物系相平衡数据拟合时,模型参数剧增,初值难以设定的难题,将4种智能算法,即遗传算法、神经网络,退火算法及粒子群算法,应用于相平衡数据的拟合。以正丙醇（1）+乙腈（2）二元物系汽液相平衡数据的Wilson拟合和甲醇（1）+乙腈（2）+1-乙基-3-甲基咪唑四氟硼酸盐（3）三元物系汽液相平衡数据的NRTL拟合为例,系统讨论了4种算法在应用时的主要影响因素,并将所得结果进行了分析和比较。结果表明遗传算法和粒子群算法可以较好地解决初值难设的问题,并且给出了每种算法的适用范围和使用建议。     

DMAC—H2O精馏系统过程优化研究

以经济效益为目标,以简捷法和严格法的计算数据为依据．运用过程系统综合的方法对DMAC—H2O二元体系的精馏系统过程进行优化研究,在满足工艺要求的基础上,基于粒子群算法对精馏过程的年度总费用进行单目标优化,使得年度总费用最低。     

混合粒子群算法求解单机批调度问题

设计了一种混合粒子群算法(Hybrid Particle Swarm Optimization,HPSO)以求解基于工件动态到达的最小化最大拖期时间单机批调度问题。该算法在标准粒子群算法的基础上引入了惯性权重正弦调整,以改善标准粒子群算法的收敛速度和全局收敛性,然后采用自适应变异全局极值算法增强粒子群优化算法跳出局部最优解的能力,防止算法陷入局部最优。应用改进的算法对实验设计问题进行求解,证明了改进算法的有效性。     

基于EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。     

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。     

Gravitational Search,Monkey, and Krill Herd Swarm Algorithms for Phase Stability,Phase Equilibrium,and Chemical Equilibrium Problems

Phase equilibrium calculations (PECs) and phase stability (PS) analysis of reactive and nonreactive systems problems are important for the simulation and design of chemical engineering processes. These problems, which are challenging, multi-variable, and non-convex, require optimization techniques that are both efficient and effective in finding the solution. Stochastic global optimization algorithms, especially swarm algorithms, are promising tools for such problems. In this study, monkey algorithm (MA), gravitational search algorithm (GSA), and Krill Herd algorithm (KHA) were used to solve PS, phase equilibrium, and chemical equilibrium problems. We have also studied the effect of adding a local optimizer at the end of the stochastic optimizer run. The results were compared to determine the strengths and weaknesses of each algorithm. When a local optimizer was used, MA was found to be a reliable algorithm in solving the problems. GSA had relatively the least numerical effort for all problems among the three algorithms but with low reliability. KHA was more reliable than other two algorithms without the use of a local optimizer. The performance of GSA, MA, and KHA was compared with firefly algorithm and cuckoo search (CS). In summary, this study found that CS algorithm was more reliable than the newly tested algorithms. Nevertheless, MA and GSA algorithms, when combined with a local optimizer, solve the thermodynamic problems as reliably and efficiently as CS.     

Modeling of compressive strength of cemented sandy soil

This paper attempted to show the application of particle swarm optimization in the prediction of the compressive strength of cement sandy soil from the curing period, porosity of sample and percentage of cement. The results of the study show that the unconfined compressive strength of the cement stabilized sandy soil increases with an increasing cement content curing time period. Moreover the compressive strength decreases with an increasing porosity. The compressive strength improvement due to cement treatment has a larger increase in samples with less porosity. In addition, particle swarm optimization algorithm is and accurate technique in estimation of compressive strength of cement stabilized sandy soil. In order to compare of existing correlations, a total number of 100 unconfined compressive tests and 15 scanning electron microscope tests have been conducted on cemented Babolsar sand. It can be concluded that compared to existing correlations models, particle swarm optimization algorithm models give more reliable prediction about compressive strength of cement satblized sandy soil. Moreover, the sensitivity analysis of the polynomial model shows that cement content and porosity have significant impact on predicting unconfined compressive strength.     

基于微粒群优化算法的不确定性调和调度

Blending is an important unit operation in process industry. Blending scheduling is nonlinear optimization problem with constraints. It is difficult to obtain optimum solution by other general optimization methods. Particle swarm optimization （PSO） algorithm is developed for nonlinear optimization problems with both continuous and discrete variables. In order to obtain a global optimum solution quickly, PSO algorithm is applied to solve the problem of blending scheduling under uncertainty. The calculation results based on an example of gasoline blending agree satisfactory with the ideal values, which illustrates that the PSO algorithm is valid and effective in solving the blending scheduling problem.