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。     

改进的粒子群优化算法及其在多目标过程设计中的应用

介绍了粒子群优化算法的基本思想和步骤,对基于动态Pareto解集的多目标粒子群优化算法进行了分析,提出了随机更新个体粒子最优位置的策略,并把改进的粒子群优化算法用于实际的多目标过程设计中.对甲苯加氢脱烷基化过程进行了分析,利用此方法对以经济和环境为目标的加氢脱烷基化过程设计进行了计算.结果表明,此种方法可以用于实际的多目标过程设计中.     

并行多机批调度的混合粒子群算法研究

针对调度目标为最小化最大完工时间的并行多机批调度问题,提出了改进的基于批序列编码的混合粒子群算法。在基本粒子群算法的基础上,引入了学习因子二阶振荡、随机权重、最大速度线性递减及自然选择等方法,改善了算法本身易陷入局部最优及早熟收敛等问题,并解决了因引入新的方法造成算法收敛速度慢及寻优能力差等问题。由仿真结果可知:改进的算法均优于常规的粒子群算法,且根据批序列编码的改进算法更优于常规基于工件序列编码的改进算法。     

辐射硫化技术在轮胎中的应用

简述了辐射硫化技术的基本原理及技术特点,综述了其在轮胎制造中的应用优势,以及在国内外轮胎制造中的应用发展及市场现状,并对在我国轮胎制造中的应用前景进行了预测。     

基于改进粒子群算法的TTCAN系统矩阵的优化

在基于时间触发的CAN总线控制系统中,TTCAN协议的任务调度是一个很重要的问题。针对这一问题,提出了基于改进粒子群算法的TTCAN系统矩阵优化方法,给出了详细的优化过程,并对算法进行了仿真研究。结果表明,改进的粒子群算法有效地减少了CAN的干扰抖动问题,提高了TTCAN网络带宽利用率,使得在实时控制系统中总线负载达到峰值时仍然能得到可靠的传输。     

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。     

改进的生物地理学优化算法在混合流水车间调度中的应用

调度问题是将有限的资源分配给各项不同任务的决策过程,其目的是优化一个或多个目标,它广泛存在于当今大多数的制造和生产系统中。混合流水车间调度问题是一般流水车间调度问题的推广,更接近实际的生产过程。采用一种新型的算法--生物地理学优化算法求解混合流水车间调度问题,通过引入改进策略,增强了算法的全局搜索能力和局部搜索能力,并提高了算法的收敛速度。通过10个标准调度算例的仿真研究,并与遗传算法进行对比,验证了改进后的生物地理学优化算法在求解混合流水车间调度问题方面的优越性。     

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。     

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。     

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。     

微粒群算法在干燥器多变量优化设计中的应用

建立了以具有废气循环的回转干燥系统年总费用为目标函数的优化设计数学模型,在此基础上探讨了惯性权因子对微粒群算法性能的影响,并应用微粒群算法求解干燥器优化设计数学模型,对干燥器出口废气温度与循环比进行优化设计。结果表明,带动态非线性惯性因子的微粒群算法对求解多变量的干燥优化设计问题具有方法简单、所需微粒群规模小、收敛速度快等特点;采用部分废气循环并进行优化设计对干燥系统的节能具有十分重要的意义,对湿空气出口温度和废气循环比进行优化设计,其年总费用比无废气循环的常规设计节省18．2%,比循环比为0．2时的常规设计节省12．6%。     

改进PSO算法在蒸汽动力系统多周期运行优化中的应用

为了满足石化企业工艺过程对蒸汽和电力不断变化的要求,实现企业降低成本、节能降耗的目的,必须保证蒸汽动力系统在最优的状态下运行。针对这一问题在以往研究的基础上提出了包括设备维护和启停费用的改进的混合整数线性规划模型,利用改进的PSO算法对其求解,并通过实例证明了利用该模型、使用改进的PSO算法能很快得到最优的方案,并节省了大量的运行成本。     

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。     

Parameter estimation of methanol transformation into olefins through improved particle swarm optimization with attenuation function

This paper provides two improved mathematical expressions of attenuation function to quantify the effect of water in the process of methanol transformed to olefins on SAPO-34. Comparison between the experimental and predicted data shows that the kinetic models, such as four component lumped kinetic model and six component lumped kinetic model, are fitted well by using the improved attenuation functions. In addition, the effect of the error objective function with different weight factors on parameter estimation has been considered. If the maximum component is 10 times greater than minimum, the real weight of each response is more suitably used in the minimization. Meanwhile, double particle swarm optimization is employed to minimize the error objective function and the calculated values agree well with the experimental data.     

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。     

Nonlinear parameter estimation through particle swarm optimization

Parameter estimation procedures are very important in the chemical engineering field for development of mathematical models, since design, optimization and advanced control of chemical processes depend on model parameter values obtained from experimental data. Model nonlinearity makes the estimation of parameter and the statistical analysis of parameter estimates more difficult and more challenging. In this work, it is shown that many of these difficulties can be overcome with the use of heuristic optimization methods, such as the particle swarm optimization (PSO) method. Parameter estimation problems are solved here with PSO and it is shown that the PSO method is efficient for both minimization and construction of the confidence region of parameter estimates. Moreover, it is shown that the elliptical approximation of confidence regions of nonlinear model parameters can be very poor sometimes and that more accurate likelihood confidence regions can be constructed with PSO, allowing for more reliable statistical analysis of the significance of parameter estimates.     

Kinetic parameter estimation in hydrocracking using hybrid particle swarm optimization

This paper provides a continuous lumping model for hydrocracking using molecular weight and true boiling point as the basis. Isomerization and cracking are the two typical global reactions which occur on acid sites of a bifunctional acid-metal hydrocracking catalyst. The latter reaction is considered to model the hydrocracking process. It is assumed that the rate coefficient of the cracking reactions depend on the size of the feed hydrocarbons. The kinetic parameters involved in the continuous lumping model are estimated by using a hybrid particle swarm optimization method. The proposed kinetic methodology is validated with the experimental data cited in the literature.     

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.     

多目标粒子群算法用于补料分批生化反应器动态多目标优化

多目标优化是过程系统工程的重要课题,通常以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。基于群智能的粒子群算法具有全局优化性能,且易于实现。为使其适于多目标优化,应拓展功能,实施改造。以Pareto支配概念评价种群个体的优劣,设计了确定局部最优点和全局最优点的操作。又利用各粒子的局部最优点信息进行速度更新,以加强种群的多样性,避免因早熟而陷于局部最优。还设置了外部优解库,并通过分散度计算,以适当的策略进行更新,使之逐步均匀地逼近于Pareto最优解集。由此构建一种多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）,并用于补料分批生化反应器的动态多目标优化,取得了满意的结果。可基于所搜得的Pareto最优解集,分析目标间的关系,为合理决策提供有效的支持。经与NSGA-II比较,MOPSO算法具有更为优良的性能。