基于迭代的遗传算法和蚁群算法研究

摘要

化工过程在严格意义上是状态变量随时间的严谨、空间的转移而发生改变的动态过程。动态过程由微分方程或差分方程描述，称为动态模型。动态优化就是对动态模型中的操作变量实施控制，使得过程的性能指标达到最优。对于少许复杂的动态优化问题，一般不能得到解析解，通常是在庞特里亚金极大值原理霍贝尔曼最佳原理的基础上采用数值方法以分段阶梯函数来逼近最优控制轨线，包括最速下降法、共轭梯度法、动态规划方法等。新型的智能仿生算法在动态优化问题中的应用也逐渐增多。动态规划与智能仿生算法尤其适用于梯度信息不可得的情况。 单一的优化方法用于不同情况下的化工动态优化问题未必可行有效，为此本文针对具体情况，提出了两种解法的集成策略。集成策略的基本思想是把原问题分解为一系列的子问题，并采用合适的方法优化之。 针对边值无约束且系统的梯度信息不可得的情况，在分析迭代动态规划法(IDP)和连续仿生算法优劣的基础上提出将迭代思想与遗传操作或蚁群寻优操作相结合，构建迭代遗传算法(IGA)和迭代蚁群算法(IACA)。IGA与IACA将一个连续的问题转化为一系列的离散问题，同时具备IDP和连续仿生算法的优点，无需离散化状态变量，且仅在有限个的离散值中寻优，克服了前两者的不足。已成功地将IGA与IACA应用于生物反应器优化的优化，仿真运算结果均优于文献值，且收敛更快。

目录

文摘

英文文摘

厦门大学学位论文原创性声明及著作权使用声明

第1章绪论

1.1动态过程与动态优化

1.2动态优化问题的一般解析方法

1.2.1变分法或基于极大值原理的解法

1.2.2基于最佳原理的动态规划方法

1.3动态优化问题的一般数值方法

1.3.1梯度方法

1.3.2动态规划方法

1.3.3迭代动态规划方法

1.3.4其他方法

1.4动态优化方法的集成策略

1.4.1化工动态优化问题的基本类型

1.4.2集成策略的基本思路

1.4.3混合算法的一般原则

1.5全文内容安排

第2章遗传算法的基本理论与实施

2.1引言

2.2遗传算法的生物遗传学基础

2.3标准遗传算法

2.3.1遗传算法的结构

2.3.2遗传算法的实施

2.4模式定理

2.5遗传算法的特点和操作关键

2.6标准遗传算法的局限

2.7本章小结

第3章迭代遗传算法

3.1引言

3.2迭代遗传算法的构建

3.2.1变量的离散化

3.2.2染色体编码

3.2.3初始染色体群的生成

3.2.4遗传寻优操作

3.2.5迭代计算

3.2.6迭代遗传算法的步骤

3.3迭代遗传算法的参数设定与测试

3.3.1参数设定

3.3.2算法测试

3.4应用于生物反应器的优化问题

3.4.1生物反应器的数学模型

3.4.2迭代遗传算法的优化结果与讨论

3.5本章小结

第4章蚁群算法简介

4.1蚁群原理及算法描述

4.1.1蚁群的自组织行为

4.1.2蚁群算法描述

4.1.3蚁群算法的特点

4.2基本蚁群算法及其改进算法

4.2.1引言

4.2.2蚂蚁系统的模型与实现

4.2.3改进的蚁群优化算法

4.3本章小结

第5章迭代蚁群算法

5.1引言

5.2迭代蚁群算法的框架

5.2.1变量的离散化处理

5.2.2控制策略与路径

5.2.3蚁群寻优操作

5.2.4迭代操作

5.3IACA中的蚁群寻优操作

5.3.1蚂蚁搜移的概率

5.3.2计算适应度值

5.3.3信息素的更新

5.3.4终止条件

5.4IACA的计算步骤与实例研究

5.4.1迭代蚁群算法的步骤

5.4.2实例研究

5.5生物反应器的优化测试

5.6本章小结

第6章总结与展望

6.1全文总结

6.2存在的不足

6.3工作展望

参考文献

致谢