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。     

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。     

基于能量均衡的WSN多跳非均匀分簇路由算法

在无线传感器网络路由协议中采用多跳通信的方式能够减少通讯距离、增强网络通讯的稳定性并提高网络能量利用效率,但是,由于靠近汇聚节点的簇头需要转发大量数据,容易导致能量快速衰竭而失效,造成“能量空洞”现象。提出了一种新型的基于能量均衡的多跳非均匀分簇路由算法（MUCRA）,采用逐层成簇的策略,簇头以一定的半径广播分层信号,划分下一层网络区域非均匀层次,普通的传感器节点和簇头根据分层信息选择合适的网络路径。仿真实验结果表明：与经典的LEACH协议及EEUC协议相比,该算法能有效平衡网络负载,缓解“能量空洞”问题     

区间聚类结合区域划分法实现WSN随机游走模型跟踪

传统的移动目标跟踪方案大都基于理想运动模型,利用滤波方法(如Kalman滤波)进行连续的位置估计和预测。但现实世界中,目标移动规律往往带有强机动性,无任何规律可言,称为随机游走模型。基于此,本文提出了一种低复杂度解决方案,引入离线标准参考样本空间替代在线位置估测过程,为移动目标提供了一种启发式跟踪方案。仿真结果表明,该算法在保证精度的同时降低了计算复杂度,对系统能耗设计有一定指导意义,同时具有更高的灵活性和实用性。     

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。     

基于样本密度信息与竞争网络的聚类中心点获取算法

在聚类分析中初值的选取对聚类结果起着关键性的作用。本文在Chiu算法思想的基础上,提出了一种根据样本密度信息获取中心点的算法。该算法不需要任何参数的设定就可实现中心点的获取;之后再通过竞争网络对获取到的中心点进行训练,使中心点更加靠近每一类的中心。仿真实验表明：该算法是有效的且具有很高的可靠性,保证了网络训练前的中心点分布在不同的类簇中,提高了网络的训练效率。     

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。     

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。