基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明：与NSGA II和自适应差分进化算法(SADE εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

基于高斯过程和改进教与学优化算法的甲醇合成转化率软测量

针对高斯过程软测量建模过程中,常用的共轭梯度法难以完成高维协方差矩阵的超参数确定等问题,引入了教与学优化算法(TLBO)对高斯过程的训练过程进行了优化,提高了模型训练速度。并对基本的教与学优化算法做出了相应的改进:一是改进了算法的"学生阶段";二是增加了"课外阅读阶段",提高了算法的性能。将这一建模方法应用于甲醇合成转化率测量中,结果表明,该方法具有较好的估计精度。     

基于自适应差分进化算法的间歇反应动态优化求解

为了求解间歇反应动态优化问题,提出了一种自适应差分进化算法(Self-Adaptive Differential Evolution, SADE)。在SADE算法中,每个个体都拥有自己的控制参数。该算法在对原优化问题进行差分进化搜优的同时,以权重大小来评价各个控制参数的优劣,并以加权控制参数作为控制参数的进化方向,实现其自适应调整。结果表明SADE算法收敛速度快、求解精度高。将SADE算法应用于两个典型的间歇反应动态优化问题中,取得了较好的优化效果;同时,分析了时间离散度对优化结果的影响。     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法（Multi-phases Particle Swarm Optimization,MPSO）。建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化。根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程。仿真结果表明：多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案。     

基于动态扩张角的广义Pareto支配优化算法

NSGA-Ⅱ算法在处理高维多目标问题时解集的区分度变得很差,对此,有学者提出了基于扩张角的广义Pareto支配优化算法（GPO-NSGA-Ⅱ）,即通过改变扩张角来调整解的支配区域,从而调整解集的区分度,进化过程中扩张角保持恒定。本文在GPO-NSGA-Ⅱ算法的基础上提出了随着种群进化扩张角动态改变的广义Pareto支配优化算法（DGPO-NSGA-Ⅱ）,通过动态调整种群进化过程中的扩张角来影响种群进化的选择压。扩张角的动态调整采用线性减小方式,即随着种群的进化将扩张角从初始扩张角线性减小为0。为保证获得一个较好的初始扩张角区间,对种群进化的不同扩张角进行了大量对比实验。将该算法与GPO-NSGA-Ⅱ、NSGA-Ⅱ在测试函数上进行对比实验,结果表明该算法能以更高的精度更快地收敛到理论前沿,个体分布也更均匀。     

黑色珍珠的无机染色

为了对化工动态系统进行快速的全局优化,结合并加强迭代动态规划算法和一阶梯度算法的优势,同时利用随机搜索和定向搜索,提出了基于一阶梯度算法的迭代动态规划算法,通过2个化工生产实际例子应用,证明了该算法具有高效、高精度、全局性好等特点。     

流程工业中的优化技术及应用研究

提出了流程工业中的静态优化、动态优化和生产结构优化问题的命题和数学描述,及目前解决这些问题的优化方法和常用的工具。对正交配置离散化结合序贯二次规划优化计算的动态优化方法进行了详细的介绍。以热集成精馏系统以能耗最低为操作目标的优化为例,说明动态优化技术在流程工业中的应用。     

腺嘌呤衍生物的合成及光学性质表征

以往对聚烯烃牌号切换的优化一般采用序列二次规划和迭代动态规划方法。本文针对不同成分产品之间的切换问题,建立两层控制结构的牌号切换系统：回路控制层和牌号切换层,通过控制变量参数方法转化为带有约束的非线性规划问题。针对该问题控制变量轨迹的特性,提出一种增量式的拟进化规划方法（IEA）。对于最小时间优化问题,采用双层优化策略：内层以某个给定末端时间产生可行解,搜索可行域;根据内层可行域的大小,收缩末端时间。将该方法应用于TE仿真系统,得到TE 模型两种不同生产状态之间切换的最小时间和切换过程中操作变量的轨迹,验证了所提方法的有效性。     

带有未知参数的非线性系统递阶模型跟踪控制器的设计

从参数估计与最优控制双目标优化的观点出发,采用大系统中分解-协调的方法,给出了一种对非线性系统四级递阶模型跟踪控制的算法,并用于求解带未知参数的同步电机励磁控制问题。仿真结果表明,此算法计算简便、结构分明,能达到较好的参数估计精度,而且能使非线性对象很好地跟踪模型。     

基于偏最小二乘的Kriging代理模型在加氢裂化建模中的应用

提出了一种改进的代理模型方法 （Kriging with Partial Least Squares,KPLS）。该方法在Kriging模型的基础上引入偏最小二乘的思想,利用偏最小二乘方法构建新的Kriging模型的高斯核函数。将该模型应用于加氢裂化过程建模,有效地提高了航煤、柴油质量收率的预测精度。采用 GLAMP（Global and local search strategy）优化算法对建立的KPLS模型进行优化,仿真结果显示航煤、柴油质量收率得到了显著提升。     

非线性系统辨识的递推-迭代方法

所提出的辨识新方法,以递推最小二乘(RLS)参数估计与非线性规划(BFGS)为主体。其测量数据的部分新息由RLS利用,而另一部分新息则通过BFGS加以采用。通常RLS只能递推地得到“粗略的”参数估计值,而BFGS则迭代地精确化参数的估计值。该辨识算法用于线性系统时,可以提高参数估计值的精度,改善收敛性。另外,该算法中的非线性迭代最优化过程可以克服非线性效应,参数估计值的精度和收敛性可以得到改进,这已由数字仿真验证。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

基于Kriging代理模型的PX氧化过程优化

基于流程仿真模型的复杂化工过程优化,往往需要较长的优化时间,效率低下,因此提出了用拉丁超立方采样和Kriging建模法构造流程仿真模型的代理模型,建立基于Kriging代理模型的多目标优化策略。将该策略应用于PX氧化反应过程优化,结果表明：所建立的Kriging代理模型的3个目标的输出精度都控制在1%以内,建模精度高。采用改进的多目标粒子群算法对此Kriging代理模型进行优化,不但能收敛到全局最优解,而且与PX流程仿真模型优化相比,优化时间大大减少,提高了优化效率。因此,在满足精度要求的前提下,Kriging代理模型可以代替PX流程仿真模型来进行优化,并具有较高的优化效率。     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

一种非线性稳态自适应优化方法

结合系统优化和参数估计的修改二步法(MTS),提出了单参数在线修正模型的非线性优化控制自适应方法。根据Lyapunov稳定性定理,给出了MTS法稳定收敛的最优协调增益K的在线计算方法,大大加快了算法的收敛速度,以甲醇制甲醛生产优化控制为例,仿真结果表明,该方法是有效的。     

基于软测量技术的Aspen Plus用户模型二次开发

Aspen Plus仿真软件能够很好地实现化工工艺流程的模拟,并能对化工工艺流程实现参数优化、灵敏度分析和经济评价等。但化工工艺流程复杂,装置模型众多,Aspen Plus中现有的模型库不可能提供所有的单元模型。基于Aspen与Matlab的数据交互功能,开发了Aspen与Matlab接口用户模型——AEM用户模型。该用户模型能够实现在Aspen界面下调用Matlab程序,建立基于软测量技术的用户模型,大大扩展了Aspen Plus的适用范围。应用本文方法,采用高斯过程回归（GPR）软测量多模型建模方法,完成了双酚A生产流程中结晶塔的用户模型开发,实现了双酚A加合物结晶过程的模拟,并应用于双酚A生产流程模拟中。     

自适应杂交NGA及其在多值电路分析中的应用

提出了一种具有自适应交叉算子的ＮＧＡ算法（简记为ＡＣＮＧＡ），以解决具有多模态函数的参数优化问题，ＡＣＮＧＡ能随着解空间参数结构的变化，自适应地选择不同的杂交算子并确定相应的杂交率，使解群在保持多样性的前提下，以较收敛率得到最优解集。该算法可求解非线性方程组，并主解具有任意约束关系的非线性电阻电路的所有解。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。