论文摘要
近年来,随着全球经济竞争的不断加剧,环境法规的日益严格,技术经济指标的不断提高以及不可再生资源的日趋减少等,化学工业的体系结构发生了巨大的变化,过程系统工程的内涵和外延得以不断拓宽,从产品开发到供应链管理,均需关注,且需在各层面展开优化研究。随着产品工程、分子工程、绿色过程系统集成和多尺度建模等新理念融入传统的化学工程学科,所建的优化模型势必越益复杂,可包含非线性、动态、组合、多目标和不确定性等多种特性,给优化带来诸多困难,常规优化方法往往难以胜任,因此对高效智能优化方法的需求日益迫切。群智能优化方法是一个新兴的研究领域,为复杂优化问题的求解提供了一个有效手段,已引起相关领域学者的广泛关注。蚁群算法和粒子群算法分别在组合优化和连续优化领域获得了广泛的成功应用,但在化学化工领域的应用则起步较晚,研究成果相对较少,且在处理包含约束、动态和多目标等特性的优化问题时,缺乏有效机制。拓展与改造现有的群智能优化方法使之适于不同类型的优化问题,并扩大它们在化学化工领域的应用,是本文研究的主要内容。本文针对蚁群算法仅适于离散问题的不足,提出了三种连续化策略;并对所提的连续蚁群算法予以拓展,进行多方面的改造,使之适于处理含多目标、动态和约束等特性的优化问题;通过对实际化学化工问题的优化实践,表明拓展与改进的蚁群算法具有良好的适应性和全局优化性能,在过程系统优化领域具有巨大的应用潜力。此外,本文还对粒子群算法进行拓展与改造,使之适于处理混合整数非线性规划和动态多目标优化问题,并用于过程综合案例和生化反应器的动态多目标优化问题。本文的主要研究工作与相关成果可归纳如下:[1]针对传统蚁群算法仅适于离散问题的不足,本文提出三种连续化策略,分别为基于实体的、基于募集机制的和基于模型的。基于实体的蚁群算法以遗传操作方式进行全局搜索,并引入powell算子用于局部挖掘,构建为杂交蚁群系统,已成功用于2-氯苯酚超临界水氧化的动力学参数估计。基于募集机制的蚁群算法引入成群和海量两种募集操作实现正反馈,结合厌食现象实现负反馈,构建为MG-CACO,已成功用于二甲苯异构化装置的单目标操作优化。本文还拓展与改进MG-CACO,提出三条启发式规则评价约束意义下的食物源优劣,并改造海量募集和信息素更新操作,构建为MG-CCACO,已成功用于丁烯烷基化过程的约束优化;综合考虑被支配度和分散度,抽提启发式规则评价多目标意义下的食物源优劣,设置优解库用于保留和更新非劣解集,构建为MG-MOCACO,已成功用于二甲苯异构化装置的多目标操作优化。基于模型的蚁群算法采用混合正态分布描述信息素,引入Pareto和免疫系统的浓度概念评价约束多目标意义下的食物源优劣,利用优解库和种群信息更新信息素,以拥挤度指标更新优解库,构建为基于免疫机制的多目标蚁群算法,已成功用于问歇过程的约束动态多目标优化。[2]以规则表示的知识易于理解和专业解释,但规则提取难度大,对连续属性常需离散化。本文提出两种方法用于规则提取,其一将规则提取构建为连续优化模型,并应用MG-CACO予以优化,适于连续属性问题,并融入集成策略构建为集成分类器系统,已成功用于橄榄油产地判别分类研究;其二与粗糙集理论（RST）相结合,基于构建样本区分表,将属性离散化和约简归结为双目标优化问题,提出一种基于妥协的蚁群算法（CACA）予以求解,一并解决RST的2个NP难问题。CACA动态计算启发式信息,融入冗余列移除和局部搜索操作,依概率轮流调用两种信息素更新操作,已成功用于两个毒性作用机制分类问题。[3]针对粒子群算法缺乏约束、离散变量和多目标处理机制的不足,提出两种改进策略,分别适于MINLP,与动态多目标优化问题。（a）引入Pareto概念评价约束矩阵,增设基于距离的概率取整操作,利用各粒子的局部最优点更新速度,并采用多子群策略,构建为混合粒子群算法,已成功用于6个过程综合案例;（b）引入Pareto概念评价多目标解的优劣,以分散度指标更新优解库,构建为多目标粒子群算法,已成功用于外源蛋白补料分批动态多目标优化。
论文目录
摘要ABSTRACT第一章 绪论1.1 引言1.2 优化问题的分类、难点与应用1.2.1 优化问题分类与难点1.2.2 动态优化1.2.3 多目标优化1.3 本文的主要研究内容和结构安排本章参考文献第二章 群智能优化方法研究进展及其化学化工应用2.1 引言2.2 蚁群优化算法2.2.1 蚁群觅食生物学行为2.2.2 离散优化问题的蚁群优化算法2.2.2.1 组合优的数学定义2.2.2.2 蚁群优化元启发式算法2.2.2.3 三种典型的蚁群优化算法2.2.2.4 收敛性研究进展2.2.3 连续优化问题的蚁群优化算法2.2.3.1 离散与连续优化问题的不同点2.2.3.2 基于实体的连续蚁群优化算法2.2.3.3 基于模型的连续蚁群优化算法2.2.3.4 基于生物学行为的连续蚁群优化算法2.2.4 蚁群优化算法在化学化工中的应用2.2.5 本节小结2.3 粒子群优化算法2.3.1 基本粒子群优化算法原理2.3.2 粒子群优化算法的发展2.3.2.1 惯性权重的引入2.3.2.2 收缩因子的引入2.3.2.3 其他改进2.3.3 粒子群优化算法在化学化工中的应用2.4 小结本章参考文献第三章 杂交蚁群系统用于动力学参数估计3.1 引言3.2 2-氯苯酚超临界水氧化动力学模型3.3 杂交蚁群系统3.3.1 有关概念说明3.3.2 全局蚂蚁及其操作3.3.2.1 选择操作3.3.2.2 交叉操作3.3.2.3 变异操作3.3.3 局部蚂蚁及其操作3.3.4 信息素挥发3.3.5 HACS算法步骤3.4 算法性能测试3.5 HACS用于2-氯苯酚超临界水氧化反应动力学参数估计3.6 小结本章参考文献第四章 基于募集机制的蚁群优化算法用于过程稳态优化4.1 引言4.2 稳态优化和蚁群算法的有关概念说明4.2.1 稳态优化的有关概念4.2.2 蚁群算法的有关概念4.3 基于募集机制的蚁群优化算法4.3.1 用于无约束单目标优化问题的蚁群优化算法MG-CACO4.3.1.1 成群募集操作4.3.1.2 海量募集操作4.3.1.3 局部搜索操作4.3.1.4 信息素挥发操作4.3.1.5 MG-CACO算法步骤4.3.1.6 MG-CACO性能测试4.3.2 用于无约束多目标优化问题的蚁群优化算法MG-MOCACO4.3.2.1 头蚁的确定4.3.2.2 信息素更新操作4.3.2.3 优解库更新操作4.3.2.4 MG-MOCACO算法步骤4.3.2.5 MG-MOCACO性能测试4.3.3 用于约束单目标优化问题的蚁群优化算法MG-CCACO4.3.3.1 食物源优劣评价4.3.3.2 信息素更新操作4.3.3.3 海量募集操作中的选择概率计算4.3.3.4 MG-CCACO算法步骤4.3.3.5 MG-CCACO性能测试4.4 基于募集机制的蚁群优化算法在过程稳态优化中的应用4.4.1 二甲苯异构化装置的操作优化4.4.1.1 二甲苯异构化过程简介及其模型4.4.1.2 MG-CACO用于二甲苯异构化装置的单目标操作优化4.4.1.3 MG-MOCACO用于二甲苯异构化装置的多目标操作优化4.4.1.4 本节小结4.4.2 丁烯烷基化过程优化4.4.2.1 丁烯烷基化过程介绍及其模型4.4.2.2 MG-CCACO用于丁烯烷基化过程的约束优化4.5 小结本章参考文献第五章 基于模型的多目标蚁群优化算法用于间歇过程的动态多目标优化5.1 引言5.2 动态多目标优化问题5.2.1 路径约束的转换5.2.2 自由终端时间的转换5.2.3 控制变量的离散化5.2.4 总体求解思路5.3 基于免疫机制的多目标蚁群算法IM-MOACA5.3.1 适应度评价5.3.2 信息素分布5.3.3 解的构造5.3.4 信息素更新5.3.5 优解库更新5.3.6 IM-MOACA算法步骤5.4 IM-MOACA的性能测试5.5 IM-MOACA用于间歇反应器的动态多目标优化5.5.1 间歇反应器的动力学模型5.5.2 多目标优化方案（Ⅰ）5.5.3 多目标优化方案（Ⅱ）5.6 小结本章参考文献第六章 蚁群优化算法用于模式分类6.1 引言6.2 基于MG-CACO的集成分类系统用于化学模式分类6.2.1 规则提取的连续优化模型6.2.1.1 规则表述6.2.1.2 规则评价6.2.1.3 规则提取的连续优化模型6.2.2 MG-CACO用于规则提取6.2.3 集成分类系统6.2.4 MG-CACO-ECS用于模式分类问题6.2.4.1 MG-CACO-ECS用于UCI数据集6.2.4.2 MG-CACO-ECS用于橄榄油产地判别6.3 CACA与粗糙集理论的集成方法用于毒性作用机制的分类研究6.3.1 粗糙集理论和双目标优化问题6.3.2 基于妥协策略的蚁群算法6.3.2.1 有关概念说明6.3.2.2 解构造6.3.2.3 冗余列移除6.3.2.4 局部搜索6.3.2.5 全局信息素更新6.3.3 值约简和预测6.3.4 CACA与RST的集成方法用于模式分类问题6.3.4.1 三个测试问题6.3.4.2 毒性作用机制分类研究6.4 小结本章参考文献第七章 粒子群优化算法用于过程综合和动态多目标优化7.1 引言7.2 混合粒子群优化算法用于求解MINLP7.2.1 混合整数非线性规划问题7.2.2 混合粒子群优化算法7.2.2.1 有关概念的说明7.2.2.2 增设和改造的几个操作7.2.2.3 HPSO算法步骤7.2.3 HPSO用于MINLP案例7.2.3.1 问题描述7.2.3.2 性能分析与比较7.3 多目标粒子群优化算法用于求解DMOP7.3.1 多目标粒子群优化算法7.3.2 MOPSO算法步骤7.3.3 MOPSO用于补料分批生化反应过程多目标优化7.3.3.1 外源蛋白补料分批生产过程动力学模型7.3.3.2 两种多目标模型7.3.3.3 模型（Ⅰ）的多目标优化7.3.3.4 模型（Ⅱ）的多目标优化7.3.3.5 算法性能比较7.4 小结本章参考文献第八章 总结与展望8.1 本文工作总结8.2 未来研究工作展望致谢作者攻读博士学位期间撰写的论文和参与项目
相关论文文献
标签：群智能优化方法论文; 蚁群算法论文; 粒子群算法论文; 过程系统工程论文; 动态优化论文; 多目标优化论文; 约束论文; 混合整数非线性规划论文; 间歇过程论文; 生化反应过程论文; 参数估计论文; 模式分类论文;
