学位论文 > 优秀研究生学位论文题录展示

文化智能优化算法及其在约束优化问题中的应用研究

作　者: 汪丽娜
导　师: 曹萃文
学　校: 华东理工大学
专　业: 控制科学与工程
关键词: 文化和声搜索算法文化粒子群优化算法约束优化石脑油调合
分类号: O224
类　型: 硕士论文
年　份: 2012年
下　载: 43次
引　用: 0次
阅　读: 论文下载

内容摘要

文化算法是一种受社会进化启发而提出的双层进化模型,下层种群空间有机结合任一智能优化算法,上层信念空间通过获取种群空间的进化信息或经验来指导种群空间的进化,从而提高算法优化性能。本文将和声搜索算法和粒子群优化算法分别纳入到文化算法的框架,提出了一种文化和声搜索算法和一种改进的文化粒子群优化算法,两种算法均能有效地求解约束优化问题；以炼油厂实际生产过程为背景,将改进的文化粒子群优化算法应用于调合组分不确定的多组分石脑油调合优化问题中,仿真结果验证了模型和算法的有效性。本文主要工作如下：(1)概述了粒子群优化算法与和声搜索算法的起源、发展历程、特点及应用,重点介绍了优于传统智能优化算法的文化算法,包括其来源、计算框架、特点和应用领域,并详述了如何设计和实现文化算法。从工业应用角度出发,对油品调合问题和石脑油的国内外研究现状进行了综述。(2)提出了一种文化和声搜索算法。该算法以文化算法的双层进化结构为框架,将和声搜索算法纳入到文化算法的下层种群空间中；上层信念空间从种群空间的和声记忆库提取优秀和声隐含的进化知识,对种群空间的较差和声进行微调,指导种群空间更好地进化,增加了和声记忆库的多样性,提高了和声搜索算法的全局寻优能力。对多个典型约束函数的仿真结果表明了该算法具有良好的优化性能。(3)提出了一种改进的文化粒子群优化算法。该算法仍以文化算法的双层进化结构为框架,下层种群空间的进化采用粒子群优化算法；上层信念空间将种群空间的部分最优粒子作为信念空间的精英种群,更新知识库并继续新的粒子群优化操作,信念空间根据精英种群产生的优秀粒子再次更新知识库,这样既能保证种群多样性,也能加快知识的更新速度,从而更有效地指导种群空间的进化。对多个典型约束函数进行了仿真,仿真结果表明该算法较大程度上提高了文化粒子群优化算法的全局搜索能力和收敛速度。(4)针对某炼油厂调合组分不确定的石脑油实际生产调合问题,建立一种基于组合数学的石脑油调合约束优化模型,采用(3)中改进的文化粒子群优化算法进行求解,在满足调合后石脑油的质量属性约束及质量属性约束的前提下,仿真获得了满足生产需要的5种最优配方,仿真结果验证了算法和模型的有效性。

全文目录

摘要  5-6
Abstract  6-11
第1章绪论  11-24
  1.1 课题研究的背景和意义  11-12
  1.2 智能优化算法的起源、发展及应用  12-15
    1.2.1 粒子群优化算法  14
    1.2.2 和声搜索算法  14-15
  1.3 文化算法的发展历程  15-20
    1.3.1 智能优化算法的局限性  15-16
    1.3.2 文化概念的演化  16
    1.3.3 文化加速进化过程  16-17
    1.3.4 文化算法的研究现状  17-20
  1.4 油品调合优化问题  20-22
    1.4.1 油品调合的概念与作用  20
    1.4.2 油品调合技术的发展与研究现状  20-21
    1.4.3 石脑油调合技术的研究现状  21-22
  1.5 本文内容及安排  22-24
第2章文化算法  24-38
  2.1 引言  24
  2.2 文化算法的计算框架  24-25
  2.3 文化算法的理论介绍  25-35
    2.3.1 种群空间的进化  25-26
    2.3.2 信念空间的知识结构及其更新规则  26-31
    2.3.3 接受函数  31-32
    2.3.4 影响函数  32-35
  2.4 文化算法的实现步骤  35-36
  2.5 文化算法的特点及应用  36-37
  2.6 本章小结  37-38
第3章基于文化和声搜索算法的约束优化问题研究  38-51
  3.1 引言  38
  3.2 约束优化问题  38-39
    3.2.1 问题描述  38-39
    3.2.2 约束处理方法  39
  3.3 和声搜索算法(HS)  39-42
    3.3.1 HS算法原理  39-40
    3.3.2 HS算法实现流程  40-42
  3.4 文化和声搜索算法(HSCA)  42-46
    3.4.1 HSCA算法思想  43
    3.4.2 HSCA算法设计  43-45
    3.4.3 HSCA算法实现流程  45-46
  3.5 基于HSCA算法的约束优化问题的仿真试验及结果分析  46-49
    3.5.1 性能指标  46-47
    3.5.2 参数设置  47
    3.5.3 仿真结果与分析  47-49
  3.6 本章小结  49-51
第4章基于改进的文化粒子群优化算法的约束优化问题研究  51-66
  4.1 引言  51-52
  4.2 粒子群优化算法(PSO)  52-54
    4.2.1 PSO算法思想  52-53
    4.2.2 PSO算法流程  53-54
  4.3 文化粒子群优化算法(PSOCA)  54-55
    4.3.1 PSOCA算法思想  54
    4.3.2 PSOCA算法实现流程  54-55
  4.4 改进的文化粒子群优化算法(IPSOCA)  55-60
    4.4.1 种群空间的进化  56-57
    4.4.2 信念空间的结构  57
    4.4.3 接受函数  57
    4.4.4 信念空间的更新  57-59
    4.4.5 影响函数  59
    4.4.6 算法实现流程  59-60
  4.5 IPSOCA算法在约束优化问题中的仿真试验及结果分析  60-65
    4.5.1 参数设置  60
    4.5.2 仿真结果与分析  60-65
  4.6 本章小结  65-66
第5章 IPSOCA算法在组分不确定的石脑油调合优化问题中的应用  66-75
  5.1 引言  66
  5.2 炼油厂工艺流程简介  66-68
  5.3 石脑油调合优化问题的工业背景  68-71
    5.3.1 油品调合生产工艺  69
    5.3.2 石脑油调合优化问题的技术背景  69-71
  5.4 IPSOCA求解组分不确定的石脑油调合优化问题  71-72
    5.4.1 问题描述与分析  71
    5.4.2 石脑油调合优化模型的建立  71-72
  5.5 仿真优化求解与分析  72-74
  5.6 本章小结  74-75
第6章总结与展望  75-77
  6.1 本文工作总结  75-76
  6.2 展望  76-77
附录: 测试函数  77-79
参考文献  79-85
致谢  85-86
攻读硕士期间发表的学术论文  86

文化智能优化算法及其在约束优化问题中的应用研究

内容摘要

全文目录

相似论文