一种自适应差分进化算法及其在精对苯二甲酸结晶生产过程优化中的应用

提出了一种自适应差分进化算法(adaptive differential evolutionary algorithm,ADE),并将其应用于精对苯二甲酸(PTA)生产中结晶过程的优化.由于该结晶过程为5级结晶器串联组成,并且存在较多杂质等的影响,使得该结晶过程很难用机理数学模型来精确表达.为此首先利用神经网络技术建立了该对象模型,并对各主要操作变量对关键产品指标的影响进行系统分析,以满足结晶机理先验知识.然后利用自适应差分进化算法对该结晶模型进行操作点的寻优.该ADE算法是一种基于实型数值编码的并行直接搜索算法.     

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.     

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.     

基于改进差分进化算法的化工参数估计

为提高化工参数估计的精度,本文提出一种改进的差分进化(improved differential evolution,IDE)算法,并将其应用于甲醇转化烃类物质的参数估计问题。IDE算法设计了一种混合差分变异策略,主要利用种群中的当前个体、较优个体和指导个体实现算法寻优,并对参数进行了调整。该算法在提高种群多样性的同时能够加快收敛速度,在一定程度上降低搜索陷入局部最优的可能性。为验证算法在甲醇转化烃类物质的参数估计问题上的有效性,将IDE算法与部分已有算法进行比较。实验结果表明,本文算法提高了甲醇转化为烃类物质的化工参数估计精度,具有较强的竞争性。     

基于多策略自适应差分进化算法的污水处理过程多目标优化控制

针对污水处理过程中的能耗过高和出水水质不达标等问题,提出一种基于多策略自适应差分进化算法的污水处理过程多目标优化控制方法。首先,在常规跟踪控制结构的基础上,增加对第3、4单元溶解氧浓度的跟踪控制,扩大了能耗和出水水质的优化调节范围。然后,设计一种多策略自适应差分进化算法（MSADE）,该算法采用多策略融合变异和排序优选方法,选取合适的变异策略和较优的随机个体引导种群变异,并根据进化过程信息自适应地更新交叉率,以提升算法的收敛性和pareto解的多样性。最后,将MSADE算法与PID控制器相结合,并构建以能耗和出水水质为优化目标的多目标优化问题,实现对溶解氧和硝态氮浓度设定值的动态寻优和跟踪控制。基于国际基准仿真平台BSM1进行验证,结果表明所提的多目标优化控制方法能有效降低污水处理过程的能耗并提升出水水质。     

一种改进的差分进化算法及其在补料分批式生化反应器动态优化中的应用

动态优化是生物化工过程中的重要课题,求解动态优化问题通常有两种方法:解析法和数值法。基于智能进化算法的数值方法在动态优化中的应用越来越广泛,但是这些方法局部寻优能力不强,容易陷入局部最优,并且求解速度相对较慢。针对这些方法的不足,提出了一种改进的差分进化算法,设计了新的局部寻优算子来增强算法的局部寻优能力,并且采用一种新的控制策略表示方法来求解动态优化问题。通过求解补料分批式生化反应器的动态优化实例,证明了算法的有效性和鲁棒性。通过与其他几种方法进行对比,实验结果表明,所提出的方法在优化结果和计算代价方面都有优势。     

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。     

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。     

混沌广义差分进化算法及其在Texaco气化过程中的应用

在Texaco水煤浆气化工艺中,合成气中各组分的含量是衡量气化效率的关键参数。以某厂Texaco气化装置为研究背景,设计了一种合成气组分含量的预测模型。该模型选取三层前馈神经网络结构,并采用一种具有广义差分项的混沌差分进化算法(ChaoDEGD)作为模型参数的学习方法。ChaoDEGD算法在差分进化算法的变异操作中引入了广义的个体差异信息,并在不同进化时期,对不同适应度等级的个体施加混沌映射,保证了种群的多样性,帮助种群有效跳出了局部极小点。实验结果表明,基于ChaoDEGD的神经网络预测模型能够较好地估计合成气中CO、H₂、CO₂三类关键组分的含量,为Texaco水煤浆气化过程的安全稳定运行提供了有利指导。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

基于Kriging代理模型的气辅注射成型工艺优化

针对气辅成型工艺设定及控制的复杂性,使用Kriging代理模型近似拟合气辅成型工艺参数与气体穿透长度之间的非线性函数关系,建立起Kriging代理模型与APSO算法相结合的优化策略。应用所建立的优化方案,以气体的穿透深度为优化的目标,模拟了某汽车后视镜的气辅成型工艺优化过程。算例表明,基于Kriging代理模型与APSO算法耦合的优化策略可以在小样本情况下获取较高的求解精度和较快的收敛速度。     

一种改进的知识进化算法及其在化工动态优化中的应用

智能优化算法在动态优化问题的求解中,一方面可以一定的概率收敛到全局最优,避免局部极值而得到了广泛应用;但另一方面,基于随机机制的仿生智能算法也面临收敛速度慢、寻优效率较低的瓶颈,限制了其工业实时应用的场合。为此,从提高智能优化算法在动态优化问题的求解效率出发,提出了一种改进的基于知识引导的进化算法结构,主要包括候选控制策略-时域与控制域的离散策略、知识库空间的进化、知识引导的种群进化。该算法分别在批式反应器等4个典型化工动态优化问题上进行了仿真验证,计算结果表明,该方法能够以较小的种群规模通过知识的引导,以较少的计算代价找到较好的全局解,有效提高了算法的收敛效率。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

基于Kriging代理模型的稳健优化设计

稳健优化设计需要进行不确定性分析,优化过程比较费时。为提高计算效率,提出了基于Kriging代理模型的稳健优化设计方法。该方法结合双重Kriging代理模型和多点加点准则进行稳健优化设计。双重Kriging代理模型的建立,减小了不确定性分析的计算量,提高了计算效率。多点加点准则实现了序列的迭代优化,在保证计算效率的同时提高了对全局最优解的逼近程度。数学函数测试结果表明,与一般模拟基稳健优化方法相比,本文所提出的序列稳健优化方法在效率上有很大的提高。最后,考虑注塑工艺的不稳定性,对一盒式注塑制件的壁厚和工艺进行稳健优化,结果表明该稳健优化设计方法是有效的。     

微分进化算法应用于换热网络全局最优化

前言换热网络是过程系统中实现能量回收和高效利用的重要环节,其性能直接关系到整个系统的能量利用水平。目前,换热网络优化设计的方法主要分为三类,分别是夹点法[1-2]、数学规划法[3-4]与启发式方法[5-7]。