基于变区域搜索的改进遗传算法研究

针对基本遗传算法容易陷入局部最优解的缺点,提出了一种求解全局最优解的变区域搜索遗传算法。该算法以上一代最优解为导向,在它所在的随机局部区域内搜索,以提高当代最优解附近的搜索密度,加快遗传算法的收敛速度。基于标准函数的仿真测试研究表明,本算法能有效地减小进化代数和提高最优解的精度,尤其适合维数较多的函数寻优。     

叠加支持向量机及其在醋酸精馏软测量中的应用

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明：改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

基于带扰动项粒子群算法的软测量建模

针对粒子群算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象,提出一种改进的带扰动项粒子群算法并进行收敛性分析。算法中引入进化速度因子,当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明:改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。将本方法用于建立丙烯腈收率神经网络软测量建模,研究结果表明模型精度较高、泛化性能好,满足现场测量要求。     

引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用

针对鸟群算法（BSA）易陷入局部最优的问题,提出了一种引入迁移策略和变异策略的改进鸟群算法（IBSA）。在鸟群飞行阶段引入迁移策略有助于提高鸟群向适应度更高位置迁移的能力,提高BSA的收敛速度;在寻优后期引入变异策略,提高鸟群的局部寻优能力,提高了算法的寻优能力。选取6个典型的测试函数进行寻优实验,实验结果表明,与粒子群算法（PSO）、蝙蝠算法（BA）、BSA等算法相比,IBSA具有更高的寻优精度和更快的寻优速度。在此基础上,将IBSA应用于发酵动力学模型参数估计中,与Gauss-Newton、GA、MAEA算法相比,IBSA的参数估计值的偏差平方和最小,具有更高的模型拟合精度。在面对非凸、不可微等复杂寻优问题的情况下,IBSA为研究者提供了一种更加可靠、快速和精确的寻优可能。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明：CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

基于寄生行为的双种群萤火虫算法及其在柴油调合中的应用

在实际的化工过程中会遇到许多非线性优化问题。常规群智能优化算法在解决这类问题时,常出现收敛精度差和容易陷入局部最优,本文针对此提出了一种基于寄生行为的双种群萤火虫算法（FAPB）。该算法将进化种群均分为两个种群,通过生物的寄生行为将两个种群联系起来,共享进化信息,提高了全局搜索能力;为防止算法陷入局部最优,引入基于自适应系数的高斯变异机制,提高了局部搜索能力。对4个经典测试函数进行仿真,结果表明：与标准FA算法、FALS算法、LDPSO算法比较,FAPB算法在收敛精度和全局搜索能力上都有较大提升。将该算法应用于柴油调合过程,结果验证了其在实际应用中的可行性。     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE)。在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近。在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力。采用4个经典的测试函数对算法进行验证,结果显示：该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法。     

基于正弦载波的粒子群算法

针对传统粒子群算法(Traditional Particle Swarm Optimization, TPSO)存在的易陷入局部最优、收敛速度慢等缺点,提出了一种基于载波的粒子群算法(carrier-wave Particle Swarm Optimization,CWPSO)。根据正弦函数具有的自变量连续变化而值域不变的特点,该算法设计了以载波自变量变化确定粒子搜索位置的新方法,从而极大地提高了全局搜索能力。同时对于搜索到的可能极值点,通过载波扩展的方法进行局部寻优,以进行精确搜索。对一系列测试函数的寻优结果表明：CWPSO算法不仅都能找到最优值,且寻优时间仅为TPSO算法和惯性权值线性下降的改进PSO算法（Line-WPSO,LWPSO）的1/3~1/5;同时,CWPSO具有对寻优问题维数不敏感的优点,大大扩展了该算法的适用范围。     

基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算法(CWPSO)。通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少。同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化。仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高。     

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%。     

基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法（BA）易陷入局部极小的缺点,提出了两点改进：（1）在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;（2）将差分进化算法（DE）中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统（ICS）入侵检测中支持向量机（SVM）分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法（PSO）和遗传算法（GA）等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

一种快速自适应蜂群算法及其应用

提出了一种改进的人工蜂群算法(Quick Self Adaptive Artificial Bee Colony, QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法（标准ABC、ABCP）对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

二甲基-二(3-乙炔基苯胺)硅烷的固化反应及其动力学

利用非等温差示扫描量热法(DSC)得到了二甲基-二(3-乙炔基苯胺)硅烷(DMEAS)的特征固化参数,采用Kissinger和Ozawa法计算得到DMEAS固化反应表观活化能(ΔE)分别为100.6、113.0 kJ/mol;通过FT-IR研究了DMEAS固化前后的结构变化,采用TGA分析了其固化物的耐热性。结果表明:DMEAS固化反应主要是乙炔基发生交联反应,形成空间网状结构;在氮气中,DMEAS固化物的热降解起始温度(Td5)为563℃,900℃时的质量残留率为84.0%。     

一种改进的混合蛙跳算法及其在水浴牵伸控制中的应用

针对基本混合蛙跳算法的收敛速度慢、容易陷入局部最优的缺点,提出了一种基于细胞通信策略的改进算法,该算法通过修改更新策略,从而增加了种群的多样性,产生更多靠近优质解的个体。用典型测试函数对基本蛙跳算法和改进的蛙跳算法及其他算法进行对比实验,仿真结果表明改进的蛙跳算法能较大幅度提高收敛精度。将改进的蛙跳算法应用于碳纤维生产过程水浴牵伸控制系统的优化,仿真结果表明其具有较好的优化控制效果。     

基于改进云粒子群优化的模糊神经网络在甲醇合成转化率软测量中的应用

针对基本PSO算法早熟、搜索精度不高与易陷入局部最优的缺点,结合云滴的随机性、稳定倾向性,提出了一种改进粒子群优化算法(ICPSO)。将改进算法用于模糊神经网络的参数优化,并应用于甲醇单程转化率建模中。仿真实验结果表明：该模型具有较高的精度和较好的泛化能力,能够实现甲醇转化率的实时监测。     

一种改进的细菌觅食优化算法

针对细菌觅食优化算法存在收敛速度慢、寻优精度低、易陷入局部最优等缺点,提出了一种改进的细菌觅食优化算法。改进原有固定步长的游动方式,引入自适应步长调整策略,提出了基于非线性递减的余弦自适应步长;改进细菌位置的更新方式,借鉴人工蜂群的方法,采用混合的更新方式;改进优胜劣汰的选择标准,保留最优个体,对复制后的父代个体引入杂交算子;改进迁徙方式,提出种群进化因子,防止进化停滞不前。将本文算法用于经典函数以及PID参数整定测试,仿真实验结果验证了该算法的有效性。