基于支配度迁移模型的多目标生物地理学优化算法

针对传统多目标算法在解决MOPs问题时会出现Pareto前沿收敛结果不好、解集分布性不佳的情况,提出了基于支配度迁移模型的多目标生物地理学算法（MOBBO）。新的迁移模型充分利用了Pareto解之间的支配信息,有助于算法进行有效的个体评价和栖息地排序;为了强化算法的收敛效果,提出了基于优选特征库的自适应迁移策略,以便产生携带较好特征的候选解强化搜索能力;同时为了增强算法进化中Pareto解集的分布性,提出了改进的KNN密度估计方法淘汰过密的个体。通过ZDT和DTLZ系列测试函数以及MDI缩合过程的多目标问题优化上的比较,验证了MOBBO算法具有较快的收敛性和较好的分布延展性。     

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。     

广义等效均匀剂量生物优化法在食管癌调强计划的应用

目的 探讨食管癌调强计划中广义等效均匀剂量生物优化法的应用。方法 选取承德医学院附属医院8例食管癌患者。每位患者使用三种方式进行运算,分别是对心脏和肺采用单目标物理优化法（PlanA）,多目标物理优化法（PlanB）以及广义等效均匀剂量生物优化法（PlanC）。脊髓及其外放的约束条件保持不变,对比3组计划的优劣。结果 在靶区和脊髓以及脊髓外扩剂量没有发生明显变化时,用广义等效均匀剂量生物优化法设计的计划在肺和心脏的大部分均值都下降,Plan A与Plan C对比显示,肺的V5、V10、V20、V30及Dmean均有差异且具有统计学意义（P<0.05）,心脏的V5、V10、V20及Dmean均有差异且具有统计学意义（P<0.05）。Plan B与PlanC对比显示,肺的V5、V10、V20、V30、V40及Dmean均有差异且具有统计学意义（P<0.05）,心脏的V5、V20及Dmean均有差异且具有统计学意义（P<0.05）。在剂量体积直方图（DVH）的显示中,在计划靶区（PTV）曲线没有明显变化且脊髓及脊髓外扩也没有明显变化的情况下,肺和心脏的曲线均有不同程度...     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

基于种群协同进化算法的固定极性动态逻辑电路功耗优化

基于电路的动态逻辑实现形式,建立了固定极性XNOR/OR电路低功耗极性优化问题的数学模型;针对传统遗传算法(TGA)和量子算法(TQA)的优势和不足,借鉴合作型协同进化思想,提出了种群协同进化算法(PCEA)。该算法包含主体种群和小规模的量子比特种群,采取两种群并行进化、统一评估和主体种群择优重组的进化策略。主体种群采用包括选择、交叉和变异在内的常规进化方式。量子比特种群采用均匀进化和多次测量的进化方式,以便得到一组尽可能均匀覆盖解空间的个体补充到主体种群,避免算法出现“早熟”现象。最后,8个MCNC Benchmark 电路的测试结果表明了PCEA的优化效果及其稳定性。     

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。     

基于广义动态模糊神经网络的聚乙烯分子量分布软测量

分子量分布（MWD）是聚合物的重要质量指标,但由于实时检测的困难,MWD的预测成为聚合过程先进控制和优化面临的重要挑战。为解决聚乙烯分子量分布预测的实时性和精度问题,本文结合过程信息和反应机理建立了分子量分布预测的混合模型。首先通过机理分析,在假设不同催化剂活性位个数的情况下拟合MWD,通过误差分析获得合理的催化剂个数及分布函数参数,同时操作条件与分布函数参数之间的关系通过广义动态模糊神经网络（GDFNN）描述。在GDFNN中,利用K-means初始化其网络结构,训练过程中,充分利用历史数据和新息决定是否增加新规则,减少冗余规则的频繁生成,并通过分级学习机制,前期提高全局学习率,后期提高局部学习率。最后通过实际工业数据的仿真实验证明了该混合模型的有效性。     

基于动态筛选策略的SMO改进算法

提出了一种基于动态筛选策略的SMO(Sequential Minimal Optimization)改进算法,它能快速地筛选出绝大多数的边界支持向量和非支持向量,并将非边界支持向量限定在很小的范围内。仿真实验结果表明:样本规模无论大小,这种策略都能使Keerthi的改进算法2的性能得到大幅提升。     

优化的动态平均权重算法及其在色谱信号处理中的应用

在液相色谱检测系统中,通常将朗伯 比尔定律计算得到的吸光度进行数模转换,再将转换结果以模拟信号的方式送入工作站进行分析。由于色谱信号大部分是直流信号,只有在出峰时信号频带才处于低频状态,导致基于动态平均权重算法（DWA）的多位量化调制器带入额外的谐波噪声,直接影响色谱信号的性能。本文提出了一种优化的DWA算法,可以更好地抑制谐波噪声,提高DAC性能。与常规DWA算法不同的是,本文算法加入了条件选择模块,通过控制每个选择周期的初始指针值,避免了谐波噪声的带入。仿真结果表明,该算法明显抑制了谐波噪声,有效提高了直流特性,从而更有利于对色谱信号进行处理。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

铁路纵断面设计优化的动态规划模型

提出了应用动态规划法实现变坡点位置和设计标高同时达到最优的铁路纵断面设计优化的新模型。在本模型中,引入了基于B样条函数的铁路纵断面设计优化模型,并将从该模型得到的纵断面设计线作为本模型的出发解,大大降低了状态变量的维数,从而大大缩短了求解的计算时间。经实例试算,表明所建模型是正确的、可行的和高效的。     

动态成角牵引治疗颈型颈椎病的临床疗效观察

颈型颈椎病是各类颈椎病发病的前驱表现,通过对照观察发现,动态成角牵引治疗颈椎病的疗效,较之传统静态垂直牵引法有着显著性差异。     

基于动态旋转角策略的混合量子进化算法在流水车间调度中的应用

针对工业过程中广泛存在的信息不确定性、信息传递的时滞特性以及过程本身的非线性和动态特性,研究了基于不确定数据信息的生产过程系统级建模与过程变量的状态预测方法;提出基于小波互信息的信息传递时延估计方法,建立了概率时延符号有向图模型;采用组合预测方法,实现生产过程中关键变量实时状态的准确预测。在空分过程中进行了应用研究,初步结果表明该方法具有良好的预测精度、实用有效,具有应用推广前景。