群智能动态优化方法研究

发布时间：2017-05-26 20:16

  本文关键词：群智能动态优化方法研究，，由笔耕文化传播整理发布。

【摘要】：动态优化,又称最优控制,是解决工业瓶颈,实现系统节能、降耗、挖掘和增效的重要手段,广泛应用于生物工程、石油化工、航空航天等诸多领域,并引起了国内外众多著名学者的广泛关注。其中,控制向量参数化是一种求解动态优化问题的常用数值分析方法,通过对时域进行离散,将控制向量用一组参数化的基函数逼近,从而使原始的无限维动态优化问题转化为参数个数有限的非线性规划问题。智能优化方法不仅简单易实现,还具有全局搜索能力强、灵活多变等优点,使其逐渐成为一类重要的优化方法。本文在控制向量参数化方法的基础上,研究智能优化方法在动态优化问题上的应用。论文的主要工作及贡献如下：(1)提出了一种具有普适性的智能动态优化方法框架。该框架以控制向量参数化方法为基础,将原始的动态优化问题转化为非线性规划问题,继而采用智能优化算法进行求解与分析；(2)提出了三种新颖基于控制向量参数化的智能动态优化方法：细菌觅食动态优化方法、入侵杂草动态优化方法和粒子群动态优化方法。对经典动态优化问题进行了求解,结果表明了所提出的三种智能动态优化方法的有效性；(3)针对强非线性化工动态优化问题,提出了一种高效的混合型智能优化方法,不仅具有自适应粒子群算法强大的全局搜索能力,还兼备差分搜索算法强大的局部开拓能力。国际经典的强非线性动态优化实例的测试结果表明了该混合型智能动态优化方法良好的寻优性能、寻优精度及收敛速度；(4)针对含状态约束的动态优化问题,提出了一种基于迭代多目标粒子群算法的控制向量参数化方法。分别利用状态约束处理方法和控制向量参数化方法,将原始问题转化为多目标非线性规划问题进行求解。经典含状态约束的动态优化问题上的测试结果表明了所提出方法良好的寻优性能。同时,算法性能对比与分析也进一步表明了迭代多目标粒子群优化算法在Pareto前沿面良好的收敛性能和分布性能。
【关键词】：群智能动态优化 控制向量参数化 多目标粒子群优化 区域缩减 强非线性 状态约束
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;O232
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 引言10
• 1.2 动态优化的基本概念10-12
• 1.3 动态优化方法12-15
• 1.3.1 间接方法12-13
• 1.3.2 直接方法13-14
• 1.3.3 智能优化方法14-15
• 1.4 本文组织结构15-18
• 第二章 基于控制向量参数化的智能动态优化方法18-22
• 2.1 引言18
• 2.2 控制向量参数化方法18-20
• 2.3 基于控制向量参数化的智能动态优化方法框架20-21
• 2.4 本章小结21-22
• 第三章 三种新型的智能动态优化方法22-32
• 3.1 引言22
• 3.2 细菌觅食动态优化方法22-23
• 3.2.1 趋化操作22-23
• 3.2.2 繁殖和消亡操作23
• 3.2.3 迁移操作23
• 3.3 入侵杂草动态优化方法23-25
• 3.3.1 入侵杂草优化算法基本原理24
• 3.3.2 算法步骤24-25
• 3.4 粒子群动态优化方法25-27
• 3.4.1 粒子群优化算法基本原理26
• 3.4.2 算法步骤26-27
• 3.5 优化实例应用与分析27-31
• 3.5.1 优化实例数学模型27-28
• 3.5.2 结果与分析28-31
• 3.6 本章小结31-32
• 第四章 基于混合型智能的动态优化方法应用研究32-48
• 4.1 引言32
• 4.2 自适应粒子群算法32-36
• 4.2.1 进化状态与进化因子33-35
• 4.2.2 参数调整策略35-36
• 4.3 差分搜索算法36-37
• 4.3.1 初始位置产生36
• 4.3.2 搜索策略36-37
• 4.3.3 全局搜索与局部开拓的平衡37
• 4.4 混合型智能优化算法37-39
• 4.5 优化实例应用与分析39-44
• 4.5.1 优化实例数学模型39-41
• 4.5.2 结果与分析41-44
• 4.6 算法性能比较44-46
• 4.7 本章小结46-48
• 第五章 基于多目标粒子群算法的动态优化方法应用研究48-64
• 5.1 引言48
• 5.2 多目标优化问题描述48-49
• 5.3 状态约束处理方法49-50
• 5.4 基于多目标粒子群算法的动态优化方法50-54
• 5.4.1 多目标粒子群优化算法50-52
• 5.4.2 改进策略52-53
• 5.4.3 算法步骤53-54
• 5.5 优化实例应用与分析54-58
• 5.5.1 优化数学模型54-55
• 5.5.2 结果与分析55-58
• 5.6 算法性能比较58-61
• 5.6.1 性能衡量指标58-59
• 5.6.2 性能比较59-61
• 5.7 本章小结61-64
• 第六章 总结与展望64-66
• 6.1 全文总结64
• 6.2 本文研究展望64-66
• 参考文献66-72
• 英文缩略词72-74
• 图索引74-76
• 表索引76-78
• 作者攻读硕士期间的主要成果78-80
• 致谢80

【参考文献】

中国期刊全文数据库 前10条

1 李国栋;刘兴高;;一种求解最优控制问题的变时间节点控制向量参数化方法[J];化工学报;2015年02期

2 李国栋;胡云卿;刘兴高;;一种高效的快速近似控制向量参数化方法[J];自动化学报;2015年01期

3 周游;赵成业;刘兴高;;一种求解化工动态优化问题的迭代自适应粒子群方法[J];化工学报;2014年04期

4 范勤勤;颜学峰;;基于自适应差分进化算法的间歇反应动态优化求解[J];华东理工大学学报(自然科学版);2010年06期

5 贺益君;俞欢军;成飙;陈德钊;;多目标粒子群算法用于补料分批生化反应器动态多目标优化[J];化工学报;2007年05期

6 李赣平;邵惠鹤;;迭代粒子群算法及其在间歇过程鲁棒优化中的应用[J];信息与控制;2007年02期

7 莫愿斌;陈德钊;胡上序;王居凤;;二进制粒子群优化算法在化工优化问题中的应用[J];计算机与应用化学;2006年12期

8 莫愿斌;陈德钊;胡上序;;混沌粒子群算法及其在生化过程动态优化中的应用[J];化工学报;2006年09期

9 张兵;俞欢军;陈德钊;;序贯优化化工动态问题的蚁群算法[J];高校化学工程学报;2006年01期

10 张兵,陈德钊;迭代遗传算法及其用于生物反应器补料优化[J];化工学报;2005年01期

中国重要会议论文全文数据库 前1条

1 陈珑;刘兴高;;改进正交配置算法及其在化工过程动态优化问题中的应用[A];PCC2009—第20届中国过程控制会议论文集[C];2009年

中国博士学位论文全文数据库 前1条

1 胡云卿;基于控制变量参数化的带约束最优控制问题计算方法[D];浙江大学;2013年

  本文关键词：群智能动态优化方法研究，由笔耕文化传播整理发布。

本文编号：398000