基于样本密度信息与竞争网络的聚类中心点获取算法

在聚类分析中初值的选取对聚类结果起着关键性的作用.本文在Chiu算法思想的基础上,提出了一种根据样本密度信息获取中心点的算法.该算法不需要任何参数的设定就可实现中心点的获取;之后再通过竞争网络对获取到的中心点进行训练,使中心点更加靠近每一类的中心.仿真实验表明:该算法是有效的且具有很高的可靠性,保证了网络训练前的中心点分布在不同的类簇中,提高了网络的训练效率.     

Dynamic Multi-objective Optimization of Chemical Processes Using Modified Bare- Bones MOPSO Algorithm

Dynamic multi-objective optimization is a complex and dimcult research topic of process systems engineering. In this paper. a modified multi-objective bare-bones particle swarm optimization （ MOBBPSO） algorithm is proposed tbat takes advantage of a few parameters of bare-bones algorithm. To avoid premature convergence. Gaussian mutation is introduced; and an adaptive sampling distribution strategy is also used to improve the exploratory capability. Moreover. a circular crowded sorting approach is adopted to improve the uniformity of the population distribution. Finally. by combining the algorithm with control vector parameterization. an approach is proposed to solve the dynamic optimization problems of chemical processes. It is proved that the new algorithm performs better compared with other classic multiobjective optimization algorithms through the results of solving three dynamic optimization problems.     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

考虑汽化影响的乙烯裂解炉对流段数值模拟

在考虑原料蒸发段汽化影响的情况下,采用Flunt软件对某一次注气乙烯裂解炉对流段进行了数值模拟。对对流室和不同炉管段分别进行建模,模拟结果与工业数据一致。模拟结果表明:对流室底部与横跨段90°拐角处存在回流区,不利于裂解炉的长周期运行;考虑原料蒸发段汽化影响的耦合计算结果更加准确;炉管吸热量受炉管位置的影响,不同炉管的管壁温度和出口油气温度不同。模拟结果对裂解炉的设计和操作优化具有参考意义。     

基于增量式拟进化规划算法的TE模式切换最小时间动态优化

以往对聚烯烃牌号切换的优化一般采用序列二次规划和迭代动态规划方法。本文针对不同成分产品之间的切换问题,建立两层控制结构的牌号切换系统:回路控制层和牌号切换层,通过控制变量参数方法转化为带有约束的非线性规划问题。针对该问题控制变量轨迹的特性,提出一种增量式的拟进化规划方法(IEA)。对于最小时间优化问题,采用双层优化策略:内层以某个给定末端时间产生可行解,搜索可行域;根据内层可行域的大小,收缩末端时间。将该方法应用于TE仿真系统,得到TE模型两种不同生产状态之间切换的最小时间和切换过程中操作变量的轨迹,验证了所提方法的有效性。     

时间最短控制问题求解的分级优化策略

针对时间最短控制问题的求解,单纯地使用罚函数策略求解存在诸多不便,为此提出分级优化的策略,并结合罚函数策略实施。首先在某个终端时间的情况下构造终端状态自由的最优控制问题,为一级优化;在一级优化结果的基础上结合罚函数策略构造新的目标函数,并据此调整终端时刻,为二级优化。反复依次执行一级优化、二级优化,最终使得状态约束恰好得到满足。分级优化把复杂问题转化为一系列简单的问题,采用经典的优化算法即可实现。实例研究显示了分级优化策略是可行的,能以足够的精度满足边值约束,计算结果也更加精确。     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

基于广义最小方差基准的系统控制器设计

由控制系统性能评估中一种重要的评估方法———广义最小方差(GMV)引出基于GMV基准的系统控制器设计理论。该方法综合了系统误差信号与控制信号,既考虑了系统回路输出与参考信号的吻合程度,又考虑了控制作用的平稳性。误差权与控制权的合理设置是降低系统跟踪误差和确保系统稳定性的关键,文中详细阐述了两权的设置方法。通过仿真实例,依次有效验证了该方法在单回路系统、传统串级系统和并行串级系统中的运用,并与传统的PID控制律作了对比分析,验证了本文方法的优越性。