基于动态粒子群算法的流程雁阵实时进化方法

摘要

流程雁阵(Process Goose Queue，PGQ)采用了基于数学规划的寻优方式，对工艺模型依赖性强，并且，在对流程雁阵阵形进行调整期间，无法对其它扰动进行有效地反应，从而影响整体优化目标的实现。针对此类问题，论文进行了以下研究:
　　首先，受动态多峰函数优化的思路的启发，提出了一种基于熵模型的动态粒子群算法，利用熵模型公式来克服粒子群算法中容易陷入局部极值的缺点。算法包括空间等分机制，多样性增加机制，动态检测机制。并且对动态多峰经典问题进行了模拟，以此证实了算法的可行性。
　　其次，将基于熵模型的动态粒子群算法应用于多级雁阵优化算法中，熵模型可以检测粒子的分散程度，提高了流程雁阵寻优的精度。在每个流程雁阵优化过程中将粒子群算法的迭代次数等分，在每个迭代区间完成后执行动态检测机制，实时检测是否发生新的扰动。从而，克服了流程雁阵无法对新的扰动做出反应的缺点。
　　最后，采用了TE过程进行仿真实验，利用流程雁阵分解协调机制建立了多级流程雁阵系统，通过动态粒子群算法进行进化寻优，以保证过程的经济成本最小化。另外，在连续发生扰动的情况下，所提出的方法仍然可以对新的扰动做出及时的响应，通过与以前的流程雁阵进行对比，证明了算法的有效性。

目录

声明

摘要

第一章 前言

1．1 研究背景及意义

1．2 相关技术综述

1．2．1 大系统分解与优化

1．2．2 智能优化算法

1．2．3 流程雁阵方法

1．3 内容及章节安排

第二章 基于熵模型的动态粒子群优化算法

2．1 引言

2．2 粒子群优化算法

2．3 基于熵模型的动态粒子群优化算法

2．3．1 空间等分机制

2．3．2 基于熵模型的多样性增强机制

2．3．3 算法描述

2．3．4 算法复杂度分析

2．4 实例研究

2．4．1 动态多峰benchmark问题

2．4．2 EDM-PSO算法参数设置

2．4．3 实验结果及分析

2．5 本章小结

第三章 面向流程雁阵的实时进化方法

3．1 引言

3．2 流程雁阵

3．2．1 流程雁阵描述

3．2．2 流程雁阵基础

3．2．3 流程雁阵阵型调整

3．3 流程雁阵的实时进化方案

3．3．1 实时进化策略

3．3．2 实时进化算法构建

3．3．3 算法描述

3．4 实例分析

3．4．1 数学规划方法

3．4．2 智能优化算法

3．4．3 实时进化算法

3．5 本章小结

第四章 应用研究

4．1 引言

4．2 TE过程流程雁阵

4．2．1 TE过程

4．2．2 多级流程雁阵结构

4．2．3 流程雁阵建模

4．3 TE过程流程雁阵优化

4．3．1 稳态优化

4．3．2 病态雁阵检测

4．3．3 实时优化

4．3．4 实时进化

4．4 本章小结

第五章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介