連續(xù)蟻群優(yōu)化算法的研究及其化工應(yīng)用.pdf

1、對于復雜的過程系統(tǒng)而言，優(yōu)化是改善系統(tǒng)性能的一種有效手段。優(yōu)化技術(shù)對效率的提高、能耗的降低、資源的合理利用及經(jīng)濟效益的提高等均有顯著的效果?；は到y(tǒng)是一類典型的復雜系統(tǒng)，隨著目標問題的規(guī)模越來越大，模型結(jié)構(gòu)也越來越復雜，實現(xiàn)系統(tǒng)的最優(yōu)化也越來越困難，對現(xiàn)有的優(yōu)化方法提出了挑戰(zhàn)，因此對高效的智能化的優(yōu)化技術(shù)的需求日益迫切。 蟻群優(yōu)化算法(AntColonyOptimization,ACO)是20世紀90年代早期出提出的一類群智能優(yōu)

2、化算法。其優(yōu)越的問題分布式求解模式在組合優(yōu)化問題的求解中取得了極大成功，引起了相關(guān)領(lǐng)域?qū)W者的廣泛關(guān)注。而很多工程上的實際問題通?？梢员磉_成為一個連續(xù)的最優(yōu)化問題。如何有效地將全局優(yōu)化性能優(yōu)越但本質(zhì)上離散的基本蟻群優(yōu)化算法應(yīng)用于連續(xù)空間的問題求解，此為亟待應(yīng)對的挑戰(zhàn)，這也是本文的主要研究內(nèi)容。 本文中，針對基本蟻群優(yōu)化算法的離散性本質(zhì)對其進行改進，應(yīng)用算法混合的一般原則，將蟻群優(yōu)化的基本思想與其他優(yōu)化技術(shù)相融合，提出了兩類基于蟻群

3、優(yōu)化思想的混合型連續(xù)優(yōu)化算法。通過測試函數(shù)優(yōu)化試驗和實際化工系統(tǒng)的優(yōu)化實踐驗證了這兩類連續(xù)蟻群優(yōu)化算法具有良好的全局優(yōu)化性能，在化工系統(tǒng)優(yōu)化領(lǐng)域有較大的應(yīng)用潛力。本文的主要研究成果可以歸納如下： 針對蟻群優(yōu)化算法的離散性本質(zhì)，將蟻群優(yōu)化策略與實數(shù)編碼的遺傳算法相結(jié)合，并引入Powell方法作為優(yōu)進策略，構(gòu)建了一種混合連續(xù)蟻群優(yōu)化算法HCACO。它將蟻群分工為全局螞蟻和局部螞蟻，分別引領(lǐng)種群中的個體在解空間中進行全局探索搜優(yōu)和局部

4、挖掘搜優(yōu)，并在其引領(lǐng)的個體上釋放信息素，增強該個體對其他螞蟻的吸引力。算法調(diào)度兩類螞蟻的交替尋優(yōu)，并且通過信息素來協(xié)調(diào)螞蟻的行為，很好地均衡了算法的全局探索能力與局部挖掘能力，使HCACO算法對連續(xù)優(yōu)化問題具有較高的優(yōu)化效率和穩(wěn)定性，全局尋優(yōu)能力強，針對測試函數(shù)的優(yōu)化性能試驗的結(jié)果很好地說明了這一點。在函數(shù)優(yōu)化試驗的基礎(chǔ)上對算法的參數(shù)取值進行了深入討論，并給出了各參數(shù)的參考取值。最后將HCACO應(yīng)用于神經(jīng)網(wǎng)絡(luò)的訓練，并建立苯乙酰胺類農(nóng)藥

5、QSAR的神經(jīng)網(wǎng)絡(luò)模型，模型預測性能良好。 在對HCACO算法尋優(yōu)機制深入分析的基礎(chǔ)上，提出了基于螞蟻分工的通用連續(xù)蟻群優(yōu)化框架，對HCACO算法尋優(yōu)機制進行了歸納和泛化。在該框架下提出了進化規(guī)劃——蟻群優(yōu)化算法(EP-ACO)，它將進化規(guī)劃應(yīng)用于全空間探索尋優(yōu)，將模式搜索法應(yīng)用于鄰域空間局部搜索，其最大的特點是簡潔性。優(yōu)化試驗的結(jié)果表明，EP-ACO優(yōu)化效率高，全局優(yōu)化性能好。與HCACO對比優(yōu)化試驗的結(jié)果表明，EP-ACO算

6、法的簡潔性對于提高算法的尋優(yōu)效率作用較明顯，同時又能保持好的優(yōu)化效果，算法的穩(wěn)定性也有一定提高。最后將EP-ACO用于二甲苯異構(gòu)化裝置的RBF-MCSR操作模型的條件優(yōu)化，效果良好。 受生物螞蟻在連續(xù)空間中的覓食行為的啟發(fā)，提出了信息素在連續(xù)空間中的正態(tài)分布假設(shè)，從而使螞蟻可以直接根據(jù)信息素的分布在連續(xù)空間中進行位置轉(zhuǎn)移，為將蟻群優(yōu)化思想應(yīng)用于連續(xù)優(yōu)化問題奠定了基礎(chǔ)。信息素的正態(tài)分布假設(shè)反映了蟻群在當前最優(yōu)螞蟻周圍的聚集情況，體

7、現(xiàn)了“螞蟻的搜索主要集中在當前找到的最優(yōu)解的鄰域內(nèi)”的蟻群優(yōu)化思想的基本原則。 基于連續(xù)空間中信息素的正態(tài)分布假設(shè)，提出了一種新的連續(xù)蟻群優(yōu)化算法——混合連續(xù)蟻群系統(tǒng)(HybridContinuousAntColonySystem，HCACS)。算法擴展了蟻群系統(tǒng)(AntColonySystem，ACS)，將蟻群的優(yōu)化目標由尋找最短路徑改為搜索最優(yōu)食物源。螞蟻通過對信息素分布函數(shù)進行隨機抽樣，構(gòu)成蟻群的狀態(tài)轉(zhuǎn)移規(guī)則，并隨著螞蟻的

8、移動調(diào)整分布函數(shù)，實施信息素更新。信息素引導螞蟻在連續(xù)的可行域中尋優(yōu)，逐步向最優(yōu)食物源聚集，而螞蟻的聚集又改變了信息素的分布，這符合蟻群系統(tǒng)正反饋的基本特征。算法還逐步引入了優(yōu)進策略和變異策略，以加強局部挖掘和全局探索機制，提高了HCACS算法的尋優(yōu)能力和對復雜問題的適應(yīng)性。HCACS算法的參數(shù)較少，設(shè)置簡單，實用性較強。本文還將混合連續(xù)蟻群系統(tǒng)成功地應(yīng)用于重油熱解三集總反應(yīng)動力學模型的參數(shù)估計，效果良好。HCACS是適用于實施模型參數(shù)