连续蚁群优化算法的研究及其化工应用

论文题目: 连续蚁群优化算法的研究及其化工应用

论文类型: 博士论文

论文专业: 化学工程与技术

作者: 程志刚

导师: 陈德钊

关键词: 蚁群优化,连续优化,信息素模型,全局优化,局部搜索,算法混合,进化算法,优进策略,化工系统,神经网络,操作优化,参数估计

文献来源: 浙江大学

发表年度: 2005

论文摘要: 对于复杂的过程系统而言,优化是改善系统性能的一种有效手段。优化技术对效率的提高、能耗的降低、资源的合理利用及经济效益的提高等均有显著的效果。化工系统是一类典型的复杂系统,随着目标问题的规模越来越大,模型结构也越来越复杂,实现系统的最优化也越来越困难,对现有的优化方法提出了挑战,因此对高效的智能化的优化技术的需求同益迫切。 蚁群优化算法(Ant Colony Optimization,ACO)是20世纪90年代早期出提出的一类群智能优化算法。其优越的问题分布式求解模式在组合优化问题的求解中取得了极大成功,引起了相关领域学者的广泛关注。而很多工程上的实际问题通常可以表达成为一个连续的最优化问题。如何有效地将全局优化性能优越但本质上离散的基本蚁群优化算法应用于连续空间的问题求解,此为亟待应对的挑战,这也是本文的主要研究内容。 本文中,针对基本蚁群优化算法的离散性本质对其进行改进,应用算法混合的一般原则,将蚁群优化的基本思想与其他优化技术相融合,提出了两类基于蚁群优化思想的混合型连续优化算法。通过测试函数优化试验和实际化工系统的优化实践验证了这两类连续蚁群优化算法具有良好的全局优化性能,在化工系统优化领域有较大的应用潜力。本文的主要研究成果可以归纳如下: 针对蚁群优化算法的离散性本质,将蚁群优化策略与实数编码的遗传算法相结合,并引入Powell方法作为优进策略,构建了一种混合连续蚁群优化算法HCACO。它将蚁群分工为全局蚂蚁和局部蚂蚁,分别引领种群中的个体在解空间中进行全局探索搜优和局部挖掘搜优,并在其引领的个体上释放信息素,增强该个体对其他蚂蚁的吸引力。算法调度两类蚂蚁的交替寻优,并且通过信息素来协调蚂蚁的行为,很好地均衡了算法的全局探索能力与局部挖掘能力,使HCACO算法对连续优化问题具有较高的优化效率和稳定性,全局寻优能力强,针对测试函数的优化性能试验的结果很好地说明了这一点。在函数优化试验的基础上对算法的参数取值进行了深入讨论,并给出了各参数的参考取值。最后将HCACO应

论文目录:

摘要

ABSTRACT

第一章 绪论

1．1 化工系统优化概述

1．2 最优化问题

1．2．1 邻域函数与局部搜索

1．2．2 全局搜索

1．3 最优化技术的发展

1．4 经典优化算法

1．5 现代启发式算法

1．5．1 模拟退火

1．5．2 进化计算

1．5．2．1 遗传算法

1．5．2．2 进化规划

1．5．2．3 进化策略

1．5．3 禁忌搜索

1．6 群智能优化算法

1．6．1 粒子群优化算法概述

1．6．2 蚁群优化算法概述

1．6．2．1 基本蚁群优化算法的起源

1．6．2．2 蚁群优化算法的发展

1．6．3 小结

1．7 混合优化策略

1．7．1 无免费午餐定理

1．7．2 混合优化方法

1．7．3 混合优化策略对连续蚁群优化算法的启发

1．8 无约束标准测试函数

1．9 算法性能的度量

1．9．1 在线性能和离线性能

1．9．2 算法稳定性度量

1．10 本文结构

第二章 基本蚁群优化算法

2．1 蚁群优化算法

2．1．1 蚁群的觅食行为

2．1．2 蚂蚁系统(AS)

2．1．3 蚁群系统(ACS)

2．1．3．1 ACS的状态转移规则

2．1．3．2 ACS信息素全局更新规则

2．1．3．3 ACS信息素局部更新规则

2．1．4 最大最小蚂蚁系统(MMAS)

2．1．5 蚁群优化(ACO)

2．2 蚁群优化算法的理论分析

2．2．1 解构造图

2．2．2 基于解构造图的蚁群算法框架

2．2．3 蚁群算法的收敛性研究成果

2．2．4 蚁群算法与其它基于种群进化计算方法的比较

2．3 新的蚁群算法研究思路

2．4 基本蚁群优化算法的应用进展

2．5 蚁群优化算法在化工系统优化中的应用

2．6 蚁群优化算法局限性分析

2．7 本章小结

第三章 基于实体的连续蚁群优化算法(Ⅰ)

3．1 基本蚁群算法的离散性本质

3．2 蚁群优化策略应用于连续优化问题的研究

3．3 混合连续蚁群优化算法

3．3．1 算法构建

3．3．1．1 基本思路

3．3．1．2 相关的优化操作

3．3．1．3 HCACO算法的主要步骤

3．3．2 HCACO的性能测试与分析

3．3．2．1 测试函数

3．3．2．2 参数设置

3．3．2．3 试验结果

3．3．2．4 算法在线性能与离线性能分析

3．3．2．5 影响因素的讨论

3．4 HCACO算法候选解产生机理的分析

3．5 本章小结

第四章 基于实体的连续蚁群优化算法(Ⅱ)

4．1 HCACO的寻优机制分析

4．2 基于蚂蚁分工的通用连续蚁群优化框架

4．3 进化规划—蚁群优化算法(EP-ACO)

4．3．1 基于ACS的最大吸引度个体

4．3．2 EP-ACO中的相关操作

4．3．3 EP-ACO算法的主要步骤

4．3．4 EP-ACO性能测试

4．3．4．1 参数设置

4．3．4．2 优化结果与分析

4．4 EP-ACO算法候选解产生机理的分析

4．5 EP-ACO与HCACO的比较

4．5．1 算法原理的比较

4．5．2 优化性能对比试验

4．5．3 对比试验的结果及分析

4．6 本章小结

第五章 基于模型的连续蚁群优化算法

5．1 蚁群系统(ACS)的特征

5．2 随机型连续蚁群系统(HCACS_R)的构建

5．2．1 连续空间中的蚂蚁觅食

5．2．2 算法构建的基本思路

5．2．2．1 信息素连续分布模型

5．2．2．2 状态转移规则

5．2．2．3 信息素更新

5．2．3 HCACS_R算法的步骤

5．2．4 HCACS_R算法性能测试与分析

5．2．4．1 测试函数

5．2．4．2 参数设置

5．2．4．3 性能测试与结果分析

5．3 优进策略的引入——HCACS_E算法的构建

5．3．1 HCACS_E方法中蚂蚁的状态转移规则

5．3．2 HCACS_E方法的性能测试与结果分析

5．4 变异策略的引入——HCACS的构建

5．4．1 HCACS方法中蚂蚁的状态转移规则

5．4．2 HCACS方法的性能测试与结果分析

5．5 混合连续蚁群系统的算法流程框图

5．6 三种混合连续蚁群系统的优化性能对比试验

5．7 HCACS中新候选解产生方式的分析

5．8 HCACS算法候选解产生机理的分析

5．9 HCACS算法与其他算法的性能比较

5．9．1 参数设置

5．9．2 性能测试及结果分析

5．9．3 HCACS的参数选择

5．10 本章小结

第六章 连续蚁群优化算法的应用

6．1 HCACO在苯胺类农药的定量构效关系建模中的应用

6．1．1 苯乙酰胺类农药的QSAR问题

6．1．2 苯乙酰胺类农药QSAR的神经网络模型

6．1．2．1 网络结构

6．1．2．2 HCACO用于网络权值的训练

6．1．3 网络训练结果及分析

6．1．4 不同建模方法的结果比较

6．1．5 应用小结

6．2 EP-ACO用于二甲苯异构化装置的操作条件优化

6．2．1 二甲苯异构化过程简介

6．2．2 二甲苯异构化过程建模

6．2．2．1 模型的自变量和因变量

6．2．3 模型建立

6．2．4 操作优化

6．2．4．1 参数设置

6．2．4．2 结果及分析

6．2．5 应用小结

6．3 HCACS在重油热解模型参数估计中的应用

6．3．1 重油热解模型介绍

6．3．2 重油热解实验装置及试验过程

6．3．3 模型参数估计

6．3．4 应用小结

6．4 本章小结

第七章 总结与展望

7．1 本文工作总结

7．2 未来工作展望

参考文献

致谢

攻读博士学位期间完成的论文及科研项目

发布时间: 2006-05-10

标签：蚁群优化论文;  连续优化论文;  信息素模型论文;  全局优化论文;  局部搜索论文;  算法混合论文;  进化算法论文;  优进策略论文;  化工系统论文;  神经网络论文;  操作优化论文;  参数估计论文;