基于极值动力学机制和信息融合搜索的混合算法及其应用

提出了一种新的基于自适应lévy变异的极值动力学和信息融合搜索的混合算法.新算法将全局搜索和局部搜索机制有机地结合起来,在全局搜索过程中,信息融合搜索算法(IFA)作为一种群智能进化算法,能够快速地逼近近似最优解;在局部搜索过程中,通过选择近似解的最差组元进行自适应lévy变异,利用极值动力学算法(EO)强大的局部搜索...     

基于自适应粒子群优化算法的节点定位研究

针对粒子群优化定位算法易陷入局部极值的缺点,提出了一种基于自适应粒子群优化算法的无线传感器节点定位方法。该方法在迭代前期ω取较大值实现快速收敛到最优解附近,后期取较小值求高精度解。在适应度值越大时全局搜索能力越强,加快向全局最优位置的聚集速度;适应度值越小局部搜索能力越强,可得到高精度的解,并通过对全局最优位置进行自适应变异操作,保证算法能跳出当前的搜索区域。仿真结果表明:与常用的极大似然估计对比,该算法具有收敛快、能耗小、精度高和稳定性好的优点,适合应用在无线传感器网络的定位中。     

改进生物地理学优化算法及其在汽油调合调度中的应用

汽油调合和调度优化问题中含有典型的非线性约束(NLP)问题。针对一般智能优化算法在解决此类优化问题中易陷于局部极值,提出了一种改进的生物地理学优化算法(HMBBO)。该算法设计了一种基于种群个体差异信息的启发式变异算子,弥补了Gauss变异、Cauchy变异算子缺乏启发式信息的不足,以解决原算法在局部搜索时易出现的早熟问题,提高算法的全局搜索能力,并且采用非线性物种迁移模型以适应不同的自然环境。采用4个测试函数进行仿真,结果表明:HMBBO算法与标准BBO算法、基于Gauss变异及基于Cauchy变异的BBO算法比较,其收敛速度和全局寻优能力有明显改善。汽油调合和调度优化实例表明,该算法能够快速有效地找到全局最优解。     

全局群搜索优化算法及其在汽油调合中的应用

汽油调合配比生产优化是一种非线性约束的多峰优化问题。针对一般群智能优化算法在解决此类优化中易陷于局部最优解,提出了一种改进的群搜索优化算法--全局群搜索优化算法（GGSO）。该算法采用混沌机制初始化粒子在解空间内均匀分布;在算法前期,保留GSO的追随者进化策略,以保证算法的收敛速度。在算法后期,对追随者引入速度更新和个体最优,以保证算法的收敛精度;在粒子陷入局部极值时,对追随者和游荡者引入一种新的交叉、变异机制和自适应混沌扰动机制,以保证粒子跳出局部极值,提高算法全局寻优性能。分别用4个标准测试函数对优化算法进行测试,结果表明：GGSO算法与标准GSO、线性递减惯性权重粒子群算法（LDWPSO）比较,收敛速度和全局寻优性能有明显优势。汽油在线调合优化实例应用表明：该算法有较快的收敛速度,能够较准确地寻得全局最优。     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

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。     

应用于换热网络优化的并行双层RWCE算法

换热网络规模越大,其解空间内极值点呈指数性增长,优化时不仅要求算法具有强大的全局寻优能力,局部解空间的高精度搜索也不可或缺。鉴于强制进化随机游走算法(RWCE)优化换热网络时难以兼顾局部搜索能力、易导致遗漏最优解的现象,同时为增大算法优化大规模换热网络的种群数量,本文将精细搜索和并行计算相结合提出了并行双层RWCE算法。算法基于多核并行技术,通过并行线程分配建立基础层和精细层,基础层在并行计算技术加持下,算法全局搜索能力大幅提升,精细层将基础层当前最优解实时精细搜索,避免了原算法差解代替优解现象。最后通过两个算例进行验证,结果表明并行双层RWCE算法不仅具有更强的全局搜索能力,且兼具高精度的局部搜索能力,在优化进程中有效保护了最优解。     

粒子动力学演化算法在单目标优化中的应用研究

提出一种新的自适应的交叉算子,可以跟踪目前发现的局部最优解和全局最优解来调整进化方向。为了防止算法陷入局部最优,新算法中引入了基于混沌的变异算子,利用新算法对一些问题求解,结果良好。     

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。     

基于改进蚁群算法的PCB孔加工路径优化

针对于印制电路板(PCB)孔加工过程中刀具的路径规划问题,提出了一种改进的蚁群算法,使信息素浓度可以更好地反映路径信息,解决了经典蚁群算法易收敛到局部最优解的问题。仿真实验结果表明:改进算法不仅增强了对于解空间的搜索能力,而且提高了搜索到全局最优解的概率。     

基于适应策略差分进化算法的化工反应动力学参数估值

为了更准确地通过煤烟气成分推测汞元素氧化程度,建立精确的汞氧化过程动力学模型至关重要。目前已有的汞氧化过程动力学模型中存在一些难以确定的未知参数,为了确定模型中这些参数的最优值,本文提出一种改进的适应策略差分进化算法（ASDE）。该算法引入变异策略、缩放因子（F）和交叉参数（CR）候选集合,同时为集合中每个候选参数赋予一定的选择概率。在进化搜索过程中,以历史成功搜索信息为基础,实时更新每个候选集合中各参数对应的选择概率,并根据选择概率自适应为下一时刻进化群体中每个个体分配变异策略和对应控制参数。将改进算法用于汞氧化过程动力学参数估值问题,实验结果显示,相对其他6种算法,改进算法ASDE求解得到模型更加接近实际,是一种求解化工反应动力学参数估值问题的有效方法。     

改进的教学优化算法及其应用

针对教学优化算法（TLBO）收敛速度慢,容易陷入局部最优的问题,本文提出了一种改进的方法。算法的改进主要在两方面：一是对教学因子（TF）进行自适应调整,使TF随算法迭代减小,这样算法在搜索前期采用全局搜索,搜索空间快速收敛于最优解附近,提高搜索速度,搜索后期采用局部精细搜索以获得高精度的解。二是引入信任权重,对学生已获得的知识采取部分信任的策略,避免对已获取知识的过分信任,增加学生个体与教师及学生之间的信息共享,利于算法跳出局部最优。算法在8个标准测试函数上应用,仿真结果表明改进的算法有更快的收敛速度并且能够跳出局部最优。最后将改进的算法应用到乙烯裂解炉裂解运行效益优化中,显著提高了裂解炉的效益。     

基于局部搜索策略的混合算法同步综合换热网络

针对复杂换热网络混合整数非线性问题,提出了一种由混沌蚁群算法、局部搜索策略和结构进化策略组成的混合算法,同步综合换热网络。首先采用混沌蚁群算法初步优化换热网络,蚂蚁个体根据混沌搜索机制遍历整个求解域。随后引入Powell法作为局部搜索策略,加强蚂蚁个体的局部搜索能力。最后结合结构进化策略,限制算法的搜索空间,优化蚂蚁个体表示的换热网络结构,并将优化后的信息反馈。蚂蚁会根据自身、邻居和反馈的信息作进一步搜索,直到算法收敛于全局最优解。通过算例对算法进行验证,结果表明,混沌搜索机制使混合算法具有很好的全局搜索能力;Powell法加强了算法的局部搜索能力,提高了求解精度;结构进化策略能够有效地缩减搜索区间,提高搜索效率。所以混合算法能够很好地兼顾处理连续变量和整型变量,适用于换热网络综合。     

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。     

动态克隆调节策略在分馏系统资源优化中的应用

基于生物免疫的克隆选择和独特型免疫网络机理,提出了动态克隆调节策略（DCAS）。该策略以搜索全局最优解为目标,引入了抗体的促进与抑制的动态调节思想,能自动调整搜索空间及克隆规模,并采用自适应多尺度变异方法,因此能更好地保持种群的多样性,协调全局与局部寻优搜索,提高了全局收敛的速度,有效避免了早熟现象。本文用典型的多峰测试函数检验了算法的有效性,并将结果应用于分馏系统的进料资源优化中,取得了良好的效果。     

基于粒子群算法的多传感器数据融合

粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行、收敛速度快,但存在收敛精度不高、易陷入局部极值点的缺点。本文对原有算法中的固定惯性权重进行改进,着重分析了惯性权值因子在粒子群优化(PSO)算法中的作用,在现有的线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性地运用到多传感器融合的领域,运用该算法对数据融合中的加权因子进行估计。实验结果表明,改进的PSO算法能近似最优地确定数据融合中各权值因子,使融合在信息源的可靠性、信息的冗余度/互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,有效地从各融合数据中提取有用信息,成功排除噪声干扰,取得了良好的融合结果。     

带惩罚的逆梯度进化算法应用于换热网络

针对局部邻域搜索方法搜索结果对初始解位置依赖大,难以摆脱局部最优解影响的问题,本文提出了一种带惩罚的逆梯度进化算法。该算法通过给当前位置适应度施加一个仅与在该点处停留时间正相关的惩罚以迫使该个体沿逆梯度方向移动,进而逃离当前局部极值点。同时为了防止出现“回跳”现象,引入禁忌邻域,禁止当前个体重回原先位置。相对于一般启发式算法跳出局部极值点的随机性,该算法通过惩罚实时构造填充函数以逃离当前局部极值点的机制具有一定的确定性因素,提高了算法的搜索效率。将该算法应用于换热网络优化问题上,分别对10SP1和10SP2两个经典算例进行验证,获得了优于已有文献的优化结果,表明该算法具有较强的跳出局部最优解能力。     

高分辨率混合模糊神经网络裂缝反演研究

本文提出了对ANF IS模糊神经网络的一种新的学习方法。由于梯度下降法和最小二乘法在训练ANF IS模糊神经网络时,尽管搜索局部极值的能力较强,但容易陷入局部极值,而遗传算法可以很快达到全局最优解附近。本文结合遗传神经网络、梯度下降法和最小二乘法各自的特点,提出一种混合算法,使得神经网络的收敛速度得到加快,精度得到提高。将该算法进行裂缝反演,取得了很好的反演效果。     

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。     

多策略果蝇优化算法及其应用

针对果蝇算法容易陷入局部极值、收敛速度慢和收敛精度低的问题,基于粒子群优化算法中社会认知因子和差分演化算法的变异算子,提出了一种多策略果蝇优化算法(SFOA)。对于味道浓度值劣于平均味道浓度的个体,采用社会认知变异因子产生下一代个体,加快收敛速度。对于味道浓度值优于平均味道浓度的个体,引入差分向量,提高算法跳出局部极值的能力。经过8个测试函数的仿真实验对比,SFOA具有更好的全局搜索能力、更快的收敛速度和更高的收敛精度。最后,将改进后的果蝇算法运用到GE气化炉操作优化中,以有效合成气产率最大化为优化目标,氧煤比和水煤浆浓度为决策变量,结果表明,SFOA能够快速找到最优值,证明了多策略果蝇优化算法的有效性。