基于多目标优化算法的发酵过程控制方法研究

摘要

发酵过程的优化控制对提高发酵过程生产效率具有重要的作用。发酵过程具有非线性、时变性等特征，且发酵过程优化问题中包含多个目标函数和约束条件，经典的最优控制理论和确定性优化方法难以求解复杂的发酵过程优化问题。多目标粒子群优化算法基于群体随机搜索策略，设置参数少、搜索效率高且鲁棒性好，适合求解发酵过程中的复杂非线性约束多目标优化问题。因此，研究基于多目标粒子群算法的发酵过程优化控制方法对提高发酵水平以及发酵产业的经济效益具有重要的意义。
　　 本文对多目标粒子群优化算法的基本原理进行研究分析，提出了一种基于自适应进化学习约束的多目标粒子群优化方法，利用粒子的约束违反程度信息修正其学习进化公式，增强算法的全局搜索能力;结合Pareto最优解在一次进化内位置不变的特点，提出了一种基于最优解位置信息的分布性动态维护策略，改善Pareto最优解的分布性;以补料分批发酵过程为研究对象，提出了一种用于发酵过程优化控制的自适应权重多目标决策方法;在此基础上，给出了一种基于多目标粒子群优化算法的发酵过程在线控制方法，对发酵过程中的补料速率进行周期性地优化和在线决策，并通过过程扰动实验和模型失配实验验证所提方法的有效性与优越性。
　　 实验研究表明，所提的自适应进化约束多目标粒子群优化方法具有较强的收敛性，并且在不增加算法复杂度的前提下Pareto前沿的分布性得到了明显的改善。基于多目标粒子群算法的发酵过程在线优化控制方法能够有效地求解发酵过程优化问题，获得合理的最优补料轨迹，得到很好的优化效果，并且在发酵过程中存在过程扰动或者模型失配的情况下仍然能够给出最优补料轨迹，具有较强的鲁棒性。

目录

声明

学位论文数据集

摘要

第一章 绪论

1．1 引言

1．2 发酵过程优化控制方法研究现状

1．2．1 基于最优控制理论的优化控制方法

1．2．2 基于数学规划算法的优化控制方法

1．2．3 基于群智能进化算法的优化控制方法

1．3 多目标粒子群优化算法研究现状

1．3．1 多目标粒子群优化算法的收敛性

1．3．2 多目标粒子群算法最优解的分布性

1．4 课题的研究意义和主要研究内容

1．4．1 课题的研究意义

1．4．2 课题的主要研究内容

第二章 自适应进化学习约束多目标粒子群优化方法研究

2．1 引言

2．2 约束多目标粒子群优化算法

2．2．1 约束多目标优化问题

2．2．2 标准粒子群算法及约束处理技术

2．2．3 基于评价准则的约束多目标粒子群优化算法

2．3 自适应进化学习约束多目标粒子群优化算法

2．3．1 自适应进化学习方式

2．3．2 基于最优解位置信息的分布性动态维护策略

2．4 算法的实现

2．5 算法复杂度分析

2．6 小结

第三章 发酵过程多目标优化控制方法研究

3．1 引言

3．2 发酵过程多目标优化问题描述与求解

3．3 发酵过程多目标优化控制方法的研究

3．3．1 发酵过程自适应权重多目标决策方法

3．3．2 发酵过程多目标优化控制方法

3．3．3 发酵过程多目标优化控制方法的实现

3．4 小结

第四章 实验与分析

4．1 引言

4．2 自适应进化学习约束多目标粒子群算法测试与分析

4．2．1 测试函数以及参数设置

4．2．2 收敛性实验结果及分析

4．2．3 分布性实验结果及分析

4．3 发酵过程多目标优化控制方法测试与分析

4．3．1 酵母发酵过程约束多目标优化问题描述

4．3．2 无扰动无模型失配下的实验结果分析

4．3．3 过程扰动下的实验结果分析

4．3．4 模型失配下的实验结果分析

4．4 小结

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者简介