大系统优化控制中的非光滑函数优化问题

分析了大系统递阶-协调控制方法之一——关联预估方法中的协调级非光滑函数最优化问题,确定了相应的目标函数对协调变量的子梯度,从减少优化控制对系统干预次数的角度,提出了一种基于子梯度的最速下降的优化协调策略。数字仿真结果表明了本算法的优越性。     

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。     

非线性大系统多目标优化的交互式满意分解方法

本文提出了交互式二级算法,在此基础上又提出了交互式三级算法,统称为交互式满意方法。利用加权切贝雪夫方法,将多目标优化问题化简为单目标优化问题。采用大系统分解协调理论完成了对决策空间的分解,降低了系统的维数。通过引入代值目标完成了对目标空阿的分解,兼顾了系统的整体利益和局部利益。运用希望水平方法实现了人机交互过程。该方法具有一定的智能水平,所需的计算机内存容量较小,收敛速度较快。用数值例子表明了其实用性和有效性。     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法（NSGA II）具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

改进的AEA算法及其在参数估计中的应用

群搜索算法(Group Search Optimizer,GSO)是一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优。对GSO算法进行了改进,将文化算法的模型运用到GSO算法中,并引入群体适应度方差的概念来判断是否进行影响函数操作以提高收敛效率。将该算法与遗传算法(GA)、粒子群算法(PSO)和基本的GSO算法进行优化测试函数的对比实验,并将其运用于丁烷化工业过程中效益最大化问题的研究,所得结果均验证了改进算法的有效性。     

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。     

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。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

改进的多目标混合整数优化算法及其在蒸汽动力系统优化中的应用

为了提高多目标粒子群算法（MOPSO）的收敛性和多样性,以及增加多目标粒子群算法的适用范围,提出了一种ε约束处理混合三点随机Gbest选择多目标粒子群（ε-TMOPSO）算法。采用一种全新的三点随机Gbest选择机制,用粒子与档案集中非支配解的欧氏距离最近、最远以及处于中间位置的3个粒子构建一个备选池,然后随机选择一个粒子作为Gbest,提高算法的收敛性和多样性;采用改进的带松弛阶段ε约束处理机制处理约束条件,在前期允许加入部分优秀的不可行解,提高算法跳出局部最优的能力;融入Sigmoid函数离散变量编码处理机制,使算法能够处理混合整数问题,增加算法的适用范围。通过测试函数仿真,与EM-MOPSO、NSGA2以及SNSGA算法进行对比,结果表明本文算法在收敛性和分布性上有一定的优势。将该算法应用于乙烯装置蒸汽动力系统优化中取得了较好的效果,进一步证明了该算法的有效性。     

基于自适应网络与动态拥挤距离的多目标粒子群算法及应用

针对传统方法不易收敛到真实Pareto前端和解的多样性较差的问题,提出了一种基于自适应网络和动态拥挤距离的多目标粒子群优化算法。该算法能在外部种群的数量超过种群规模时,将目标函数空间均匀地划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,限制外部档案的规模;然后引入粒子的方差信息,设计了基于动态拥挤距离的算法,避免了一次性淘汰所有拥挤距离小的个体而使解的分布性变差的问题,提高了解的多样性。函数优化实验及该算法在成品油调和经济效益问题中的应用都验证了改进后的算法具有很好的效果。     

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。     

年龄—时期—队列模型

年龄－时期－队列模型广泛应用于描述性流行病学来分析慢性病发病率和死亡率变化趋,它改进了传统的疾病描述性分析方法。然而模型的三因素间存在着安全线性依赖性,使参数不能得出唯一的估计值,许多学者提出了各种方法加以解决,现对近些年来国内外学者提出的年龄－时期－队列模型及其参数估计中线性依赖性问题的解决方法进行综述。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

多目标优化方法在中药组效关系研究中的应用

中药复方药效是方中药物整体作用的结果,组效关系研究即是剖析中药各化学成分和药效作用变化之间的关系。只有采用多药效指标才能更全面地评价中药质量,而要寻求多个指标的同时最优化,即构成多目标优化问题。因此,多目标优化问题是中药组效关系研究及组方设计中所要面对的较为常见的问题。本文简要介绍多目标优化方法中较为常用的权重系数法和第1、2代进化算法,概述其基本原理和在中药组效关系研究中的应用情况,并做出总结。     

外部信息对企业作用机制的探析

探讨了外部信息对企业作用的途径与方式,归纳出外部事件驱动、企业内部问题驱动及企业发展战略驱动三个不同层次的外部信息作用机制,着重分析了外部信息受企业重视程度与对企业作用机制两者间的关系。在此基础上阐明了处于市场经济体制下的国有企业要摆脱困境,求生存与发展就必须转变为发展战略驱动型的企业,必须从战略高度持久灵活地开发与利用外部信息的理论依据。     

基于二次插值教学优化的化工动态参数估计方法

动态参数估计问题的有效求解对于化工过程精确建模具有重要意义。针对动态参数估计问题,通过将二次插值算子引入到教学优化（TLBO）算法来加强其局部搜索能力,提出了二次插值教学优化（TLBO-QI）算法。此外,将TLBO-QI用于3个化工过程动态参数估计问题的求解,并与TLBO、蜂群优化以及粒子群优化进行了对比,计算结果表明了TLBO-QI可以获取精度更好的解。     

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。     

An approach to alcoholism in a university medical center complex

We developed a three-part approach to the problem of alcoholism among the employees and faculty of the Vanderbilt University and Medical Center. This included identification of faculty and staff with problem drinking, guidance of those identified for rehabilitation, and an educational program for students. Forty university employees (37 staff and three faculty) with problem drinking were identified and referred for rehabilitation. The principles of employee assistance used successfully in industry were applied in this employee group. The 65% "job rehabilitation" rate is comparable with that achieved in industrial employee assistance programs. Identification and rehabilitation of faculty in the university required special approaches. The educational program for students as part of the medical school elective curriculum was attended by most of the first- and second-year medical students.     

一种求解阻塞流水车间多目标调度的离散差分进化算法

针对流水车间中产品不存在缓冲区的多目标优化问题,研究了阻塞流水车间的最大完工时间和总流程时间的最小化问题,提出了一种多目标离散差分进化（Multi-objective Discrete Differential Evolution,MDDE）算法搜索Pareto最优调度解。MDDE的变异个体通过非支配解或当前解的邻域随机产生,实验个体通过交叉操作产生,而选择过程则设计为一种多目标选择策略。此外,算法还混合了一种基于插入的Pareto局部搜索方法。基于标准测试算例的数值仿真实验表明,MDDE算法获得的非支配解集在Inverted Generational Distance、Set Coverage和Hypervolume性能指标上均有较好的表现。