基于择优学习的差分进化算法及其在选矿指标决策中的应用

摘要

随着科学技术的发展与进步，特别是计算机科学与技术的发展，从根本上改变了人类的生活，使人们对科学技术提出了新的和更高的要求，其中对于高效的智能计算和优化技术的要求日益迫切。差分进化计算具有全局性的较好的优化能力，并且结构较为简单，易于实现，受到全球算法研究人员的广泛关注。当前，差分进化算法应用于不同的领域，并且在不同的学科之间都取得了比较优越的结果。然而，与其他进化求解算法一样，差分进化算法也同样存在求解速度慢，容易早熟并且可能找不到最优解等缺点。对于复杂的问题来说，算法的性能好坏直接影响到解决方案的质量，所以，对于智能优化算法的研究具有重要的意义。 本文针对上述存在的问题，依托国家自然科学基金项目《复杂工业过程运行指标闭环优化方法研究(61273031)》，从变异算子的改进等方面对差分进化算法进行了改进，主要研究工作包括: 1)提出一种基于择优学习策略的差分进化算法(Preferred-learning DifferentialEvolution，PL_ DE)。算法引入了择优学习的思想，选择性地利用种群中比较优秀的个体的信息，克服种群进化过程中的盲目性和低效性。同时，为进一步验证其合理性和有效性，本文将所提出的方法和多种基本的差分进化算法进行对比，利用12个不同类型的标准测试函数在其它条件相同的情况下进行测试分析，分析结果表明，择优学习策略的引入使算法在收敛程度上得到提高，并且加强了算法的寻优能力。 2)提出一种基于择优学习策略的多种群差分进化算法，将基于择优学习策略的差分变异算子作为其中一个子种群的变异策略，与其他的两个子种群按照多种群策略的相关方法进行差分进化。并用十一个标准测试函数进行测试，在相同的条件下，与最新的多种群差分进化算法的结果进行对比，结果表明该策略的引进，使得差分进化算法的寻优能力进一步提高，对于大多数的函数都能找到最优解，证明了所提出算法的有效性和优越性。 3)采用本文所提出的基于择优学习策略的差分进化算法，结合选矿全流程运行指标决策问题，提出基于该算法的选矿全流程运行指标决策方法。通过该方法得到选矿全流程运行指标，并将该方法得到的运行指标带入目标函数模型中，与多种差分进化(Differential Evolution，DE)算法及案例推理算法求解问题得到的解，进行分析和对比。不仅如此，根据选矿全流程的工艺提出了基于分布式案例推理算法的选矿全流程运行指标决策方法，并与差分进化算法得到的结果进行了纵向的对比和分析，验证了本文所提出的基于择优学习策略的差分进化算法对选矿运行指标模型优化方法具有改进和提高的效果。

目录

声明

摘要

1．1引言

1．2智能优化算法的研究现状

1．2．1智能优化算法分类与特点

1．2．2差分进化算法研究现状

1．3智能优化算法的应用

1．4本文主要研究内容及结构安排

2．1引言

2．2差分进化原理

2．2．1变异操作

2．2．2交叉操作

2．2．3选择操作

2．2．4差分进化算法步骤

2．3差分进化控制参数影响分析

2．4差分进化算改进策略

2．4．1变异、交叉、选择策略的改进

2．4．2控制参数自适应差分进化

2．4．3搜索空间的改进

2．4．4与其他算法相结合的混合算法

2．5本章小结

第3章一种基于择优学习的差分进化算法

3．1引言

3．2基于择优学习策略的变异算子

3．3优秀个体的选取

3．4基于择优学习的单种群差分算法与实验研究

3．4．1算法步骤

3．4．2测试函数集

3．4．3参数设置

3．4．4仿真结果及对比分析

3．5基于择优学习的多种群差分算法与实验研究

3．5．1多种群策略

3．5．2算法步骤

3．5．3仿真结果及对比分析

3．6本章小结

第4章基于择优学习的差分进化的选矿指标决策

4．1选矿生产指标决策问题描述

4．1．1选矿工业过程简介

4．1．2选矿生产运行指标决策过程描述

4．1．4选矿过程指标优化问题描述

4．2基于分布式案例推理的选矿过程指标决策

4．2．1案例推理方法概述

4．2．2分布式案例推理新方法描述

4．2．3分布式案例推理在选矿上的应用及分析

4．3基于择优学习的差分的选矿指标决策

4．3．1参数设置

4．3．2实验结果及性能分析

4．4两种方法的比较研究

4．4本章小结

5．5工作总结

5．6研究展望

参考文献

致谢

攻读硕士期间的科研工作和发表论文