BBO算法的改进及其在动力学模型辨识和操作条件优化中的应用

发布时间：2020-03-14 18:19

【摘要】：生物地理学优化算法(Biogeography-Based Optimization Algorithm)是一种生物地理学启发式的群智能优化算法。该算法研究生物种群生存、繁衍、衰落和灭绝等行为,通过模拟种群迁徙、变异而构造出的一种群智能优化算法。该算法具有机制新颖,结构简单、易于实现等特点;随着生物地理学优化算法理论研究的进展,其应用也越来越广泛,逐渐引起了国内外诸多学者的关注。但是,该算法的性能还有待进一步改进。本文针对生物地理学优化算法在寻优过程中出现的收敛容易陷入早熟的现象,提出了一种改进的生物地理学优化算法I-BBO (Improved Biogeography-Based Optimization)算法。改进算法是在生物地理学的基础上,引入人工驯养的概念,把人工驯化理论与生物地理学相结合,解决了BBO算法在后期存在搜索动力不足的问题。本文将改进算法应用到系统辨识、控制器参数整定和正丁烷异构化学反应动力学建模及操作优化中都收到了良好效果。因此课题的主要研究内容为BBO算法的改进及其应用,概括为:(1)生物地理学优化算法的改进。生物地理学优化算法虽然收敛速度快,但是后期存在搜索动力不足的问题。针对该问题,本文将人工驯养的概念和生物地理学相结合,提出了改进的I-BBO算法。为了探索I-BBO算法的性能,将其和其他五种基于群智能的优化算法对基本测试函数进行了性能测试比较。仿真实验表明:I-BBO算法提高了物种的多样性,增强了算法的搜索能力,加快了寻优速度。(2) I-BBO算法在系统辨识中的应用。本文使用二阶加时滞系统来近似复杂的工业系统,并采用多种智能优化算法对参数进行辨识。然后,将这种方法推广到闭环系统模型辨识中,给出了闭环系统的可辨识性,利用了群智能优化算法对闭环系统进行了辨识。仿真结果表明了 I-BBO算法的优越性能。(3) I-BBO算法在PID控制器参数优化中的应用。本文通过两个不同对象控制器的参数整定实例,来验证I-BBO算法的性能,仿真结果表明,改进的I-BBO算法在优化PID控制器参数上比原有的BBO算法更加的优秀。(4) I-BBO算法在正丁烷异构化学反应动力学模型参数辨识及操作优化中的应用。根据正丁烷异构化反应的实验数据和化学反应网络,使用I-BBO优化算法对幂函数型动力学模型的参数进行了辨识。同时,对正丁烷异构化学反应的工艺操作条件进行了优化,从理论上指导了正丁烷异构化学反应过程的最优化进行。
【图文】：

模型图,物种迁移,栖息地,模型

群体优化算法中的适应度。高适宜性指数解决方案代表了拥有很多生物的栖息地，低逡逑适宜性指数解决方案指的是拥有少量物种的栖息地。我们假设每一种解决方案（栖息逡逑地）都有一个相同的生物物种迁入迁出曲线，如图２－１所示。但是解决方案所代表的逡逑Ｓ值取决于它的适宜性指数。Ｓ，代表一个低适宜性指数的解决方案，意思是一个有很逡逑少物种的栖息地，而Ｓ２则代表了一个高适宜性指数的解决方案表示一个具有许多物种逡逑的栖息地。然而对与Ｓ，的迁入率将会比＼的迁入率高。Ｓ，的迁出率却比Ｓ２的迁出率低。逡逑单个栖息地的物种迁出迁入模型如图２－１所示。图中的迁入率入和迁出率ｕ是关于该逡逑栖息地物种数量的函数。考虑到迁入率曲线。设该栖息地最大可能的迁入率为Ｉ，当逡逑１０逡逑

迁移模型,栖息地

逡逑图２－２所示。逡逑每种解决方案依概率按照迁入率和迁出率在栖息地间进行信息的分享。逡逑比率ｆ逦比率ａ逡逑ｒ＼邋；ｘ逡逑Ｖ７邋＾逡逑＾邋？邋逦ｒ逡逑ｋ0逦ｎ物种逦ｋ0逦ｎ物种逡逑ａ．二次线性迁移模型逦ｂ．余弦迁移模型逡逑图２－２不同形式的迁移模型逡逑Ｆｉｇ．２－２邋Ｄｉｆｆｅｒｅｎｔ邋ｆｏｒｍｓ邋ｏｆ邋ｍｉｇｒａｔｉｏｎ邋ｍｏｄｅｌ逡逑（２）变异逡逑突如其来的大事件可以剧烈地改变自然栖息地的ＨＳＩ。这可以导致某物种数量偏逡逑离其平衡值（比如来自于邻近栖息地的大量飘移者、疾病、自然灾害）。因此，一个逡逑栖息地的ＨＳＩ可以因为明显的随机事件而改变。在ＢＢＯ算法中把这种现象作为模型逡逑的突变，并且生物物种数量概率决定突变率。逡逑在图２－１中，物种数量平衡时的物种数量记为Ｓ。，此时的迁入率和迁出率相等。逡逑然而，可能由于瞬时效应的影响Ｓ。会出现漂移。正的漂移可能是由于井喷式的迁入（由逡逑异常引起的。也许，是来自邻近的栖息地大块漂浮物），或突然形成的物种大爆发（就逡逑像一个微型的寒武纪爆发）。负的漂移可能是由于疾病、特别贪婪的捕食者的引入，，或逡逑其它自然灾害。在一个大的扰动后，大自然需要花很长时间才能使物种数量达到新的逡逑平衡［４７］。逡逑现在
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：O643.12;TP18

【参考文献】