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。     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization,BLPSO）算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子“排名”,即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

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。     

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。     

基于粒子群算法的动态多目标优化

针对碳二氢生产中的反应器动态优化问题,目前虽然有多种算法对生产过程进行优化,但大部分只是对单一目标进行求解,提出一种更为灵活的反应器动态求解方法。在该方法中,首先构建碳二氢目标函数,然后采用多目标粒子群算法和分段线性函数参数法结合的方式对目标函数的进行求解,以提高整体搜索能力,得到碳二氢反应器动态优化的最优解。最后,以实际乙烯碳二加氢化工反应过程为例进行实验验证,结果证明,通过该方法进行求解的目标函数无论是在收敛性,还是在优化的平均值等方面,都比SADE-eCD和NSGA-II算法具有优势,说明该算法在反应器动态优化中是切实可行的。     

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。     

基于改进粒子群算法的柴油调合配方优化

为了解决扬子石化炼油厂柴油调合质量过剩的问题,介绍了炼油厂柴油调合的组分资源及调合现状,采用改进粒子群算法,在多智能体仿真平台——Repast上建模仿真,对炼油厂现有组分油资源进行合理的调配,相对于传统的现场人员经验调合,线性规划方法调合等方式有效地解决了现有柴油调合配方调出的柴油硫含量、十六烷值、闪点等质量指标过剩的问题,对调合人员起到了一定的辅导作用,有效地降低了现有柴油调合的经济成本。     

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。     

微粒群算法参数的理论分析

微粒群算法是近年来兴起的一种智能优化算法,而算法参数是影响算法性能和效率的关键。用基于常系数非齐次差分方程求解的分析、基于动态系统理论的分析和基于离散系统稳定判据的分析三种不同的方式对微粒的位置和速度两个变量进行了深入理论分析,最终得出了一个共同的结论,即保证微粒收敛的参数取值区域约束在一个直角梯形的内部,这将对算法的实际应用起到很重要的作用。     

基于微粒群优化的鲁棒PID控制器参数整定方法研究

针对复杂工业过程中存在的一类模型不确定问题,提出一种新的鲁棒PID控制器参数整定方法.通过将鲁棒PID控制器的参数整定问题转化成一个max-min优化问题,利用微粒群优化(PSO)的协作算法对之进行求解,能获得某种鲁棒性能指标最优的PID控制器.对连续搅拌反应釜系统的实例仿真结果表明:与其它典型鲁棒PID控制器设计方法相比,本方法得到的PID控制器具有更强的鲁棒性和抗干扰能力,当过程操作范围发生大的变化时,利用本方法设计的鲁棒PID控制器能获得满意的结果.     

粒子群算法求解边值固定的化工动态过程优化问题

针对化工过程系统优化中广泛存在着边值固定的动态优化问题,该问题的求解数学上还没有有效的方法,现今的方法之一是将问题转化为多目标优化问题.本文在粒子群优化(PSO)算法的基础上,提出在PSO算法中加入惩罚项,同时对局部极值与全局极值作进一步的调整,使PSO算法适用于求多目标优化问题理想有效解,该算法对多目标问题起到边优化边求理想有效解的功效;即只用一步即可求理想有效解,这使得在求解速度上大为加快.最后将其用于间歇反应器的最佳反应温度边值固定动态优化控制的实际运用中,取得良好效果.     

应用群能量恒定粒子群优化算法的批次流加发酵过程批次间优化(英文)

An iterative optimization strategy for fed-batch fermentation process is presented by combining a run-to-run optimization with swarm energy conservation particle swarm optimization (SEC-PSO). SEC-PSO, which is designed with the concept of energy conservation, can solve the problem of premature convergence frequently appeared in standard PSO algorithm by partitioning its population into several sub-swarms according to the energy of the swarm and is used in the optimization strategy for parameter iden-tification and operation condition optimization. The run-to-run optimization exploits the repetitive nature of fed-batch processes in order to deal with the optimal problems of fed-batch fermentation process with inaccurate process model and unsteady process state. The kinetic model parameters, used in the operation condition optimization of the next run, are adjusted by calculating time-series data obtained from real fed-batch process in the run-to-run optimization. The simulation results show that the strategy can adjust its kinetic model dynamically and overcome the instability of fed-batch process effectively. Run-to-run strategy with SEC-PSO provides an effective method for optimization of fed-batch fermentation process.     

A Parallel Biological Optimization Algorithm to Solve the Unbalanced Assignment Problem Based on DNA Molecular Computing

The unbalanced assignment problem (UAP) is to optimally resolve the problem of assigning n jobs to m individuals (m < n), such that minimum cost or maximum profit obtained. It is a vitally important Non-deterministic Polynomial (NP) complete problem in operation management and applied mathematics, having numerous real life applications. In this paper, we present a new parallel DNA algorithm for solving the unbalanced assignment problem using DNA molecular operations. We reasonably design flexible-length DNA strands representing different jobs and individuals, take appropriate steps, and get the solutions of the UAP in the proper length range and O(mn) time. We extend the application of DNA molecular operations and simultaneity to simplify the complexity of the computation.     

基于粒子群优化算法的水分配网络系统综合的最优化研究

The problem of optimal synthesis of an integrated water system is addressed in this study, where water using processes and water treatment operations are combined into a single network such that the total cost of fresh water and wastewater treatment is globally minimized. A superstructure that incorporates all feasible design alterna- tives for wastewater treatment, reuse and recycle, is synthesized with a non-linear programming model. An evolutionary approach--an improved particle swarm optimization is proposed for optimizing such systems. Two simple examples are .Presented.to illustrate the global op.timization of inte.grated water networks using the proposed algorithm.     

一种改进的无线传感器网络DV-Hop定位算法

针对无线传感器网络DV-Hop定位算法测距误差大的问题,提出了一种最佳信标节点选择算法。该算法充分考虑了信标节点的位置分布对定位精度的影响,并在算法中加入了跳距误差修正算法,进一步提高了定位精度。最后,利用Matlab进行仿真实验,结果表明:与现有DV-Hop算法相比,改进算法减少了测距误差,提高了定位精度。     

Genetic Algorithm Based on Duality Principle for Bilevel Programming Problem in Steel-making Production

Steel-making and continuous/ingot casting are the key processes of modern iron and steel enterprises. Bilevel programming problems (BLPPs) are the optimization problemswith hierarchical structure. In steel-making production, the plan is not only decided by the steel-making scheduling, but also by the transportation equipment. This paper proposes a genetic algorithmto solve continuous and ingot casting scheduling problems. Based on the characteristics of the problems involved, a genetic algorithm is proposed for solving the bilevel programming problem in steel-making production. Furthermore, based on the simplex method, a new crossover operator is designed to improve the efficiency of the genetic algorithm. Finally, the convergence is analyzed. Using actual data the validity of the proposed algorithm is proved and the application results in the steel plant are analyzed.