用于动态化工过程故障检测的T-TELPP算法

工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法（Tensor-Temporal Extension Locality Preserving Projection,T-TELPP）。首先,改进局部保持投影（LPP）算法得到时序扩展的LPP算法（TELPP）,使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T²和SPE统计量。对田纳西-伊斯曼（Tennessee Eastman,TE）过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。     

基于动态混合约束框架的改进差分进化及其应用

针对动态随机选择多个体差分进化（DSS-MDE）在处理复杂约束问题时易陷入局部最优的缺陷,提出了基于动态混合约束框架的改进差分进化算法（DHCF-IDE）。首先,通过跟踪种群可行解比例,动态地执行可行解搜索和全局搜索,并分别使用动态随机排序和可行性规则作为两模型的约束处理方法。其次,分别采用多个体差分进化和基于幂律分布父代选择的改进差分进化作为两模型的算法实现。选取CEC2006中6个测试函数进行仿真实验,实验结果表明：与仅采用DSS-MDE或DyHF相比,DHCF-IDE能保持更快的收敛速度和较好的全局搜索能力。催化重整芳烃产率优化的工业案例也表明该改进算法在实际应用中具有可行性。     

基于Kriging代理模型的苯乙烯流程优化

针对苯乙烯工艺流程的设计及控制复杂性,使用Kriging代理模型方法,对由Aspen plus构建的苯乙烯工艺流程模拟系统进行建模,并且使用分布估计算法对目标函数进行优化。结果表明,基于Kriging模型的分布估计算法,在保证较高精度要求的前提下,明显减少了计算时间,有效地化解了精度和效率之间的矛盾,具有理论意义及实用价值。     

基于混合编码的遗传算法在神经网络优化中的应用

提出了一种结合浮点数编码与二进制编码的混合编码遗传算法,该算法在同一条染色体上同时使用浮点数编码与二进制编码,有机结合了两者的优点,并与BP算法结合用于优化神经网络的结构和系数,获得具有更好泛化能力的神经网络.仿真实验结果证实了这种混合编码遗传算法的有效性和优越性能.     

基于改进量子粒子群算法的无分流换热网络综合

用数学规划法求解换热网络优化问题,当换热网络模型考虑所有分流情况时,会包含大量的连续和离散优化变量,因此对大规模换热网络的优化求解非常困难。相比有分流模型,无分流的网络模型结构简单,变量少,求解难度低。本文以分级超结构模型为基础,建立了无分流换热网络模型,以年综合费用为优化目标,提出用单层改进量子粒子群算法综合无分流换热网络,即在生成无分流换热网络结构变量的同时,生成换热负荷变量。相比有分流同步综合模型,不考虑分流的同步综合模型的复杂度和求解时间显著降低。采用两个典型算例对该方法的有效性进行了验证。