發(fā)布時(shí)間：2021-04-11 15:26

　　動(dòng)態(tài)優(yōu)化問題常見于化工生產(chǎn)過程,對動(dòng)態(tài)優(yōu)化問題進(jìn)行有效求解可以提高生產(chǎn)效率以及減少原料消耗。然而,動(dòng)態(tài)優(yōu)化問題的優(yōu)化變量為連續(xù)變量并且具有多峰值、多變量等復(fù)雜特征,給問題求解帶來了挑戰(zhàn)。本文基于典型智能優(yōu)化算法,在控制向量參數(shù)化（CVP）框架下,對動(dòng)態(tài)優(yōu)化問題求解方法開展研究,具體研究內(nèi)容如下:（1）研究比較了八種典型智能算法求解動(dòng)態(tài)優(yōu)化問題的性能:以往研究集中在提升智能算法性能,忽略了不同算法之間的性能比較。為此,將八種典型智能算法用于求解動(dòng)態(tài)優(yōu)化問題,分析比較不同算法的求解性能。通過對具體的四個(gè)動(dòng)態(tài)優(yōu)化問題的求解,從精度統(tǒng)計(jì)、弗里德曼排名、收斂性等三個(gè)方面,全面比較分析不同智能算法的求解性能。通過分析比較結(jié)果,得出了差分算法（DE）較其余七種算法求解性能較優(yōu)。（2）研究了基于混合梯度搜索的自適應(yīng)智能動(dòng)態(tài)優(yōu)化算法:為了改善智能算法求解動(dòng)態(tài)優(yōu)化問題的性能,通過融合自適應(yīng)DE算法與梯度搜索算法,提出了混合梯度自適應(yīng)差分算法（HGADE）用于求解動(dòng)態(tài)優(yōu)化問題。HGADE分為兩個(gè)部分,首先采用帶有自適應(yīng)DE算法進(jìn)行全局尋優(yōu),之后通過梯度搜索提高搜索精度。在CVP方法下,HGADE算法被用于求... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

問題1仿真結(jié)果(a

智能算法在化工動(dòng)態(tài)優(yōu)化中的應(yīng)用研究20表2.5問題2的計(jì)算結(jié)果統(tǒng)計(jì)Table2.5Summaryofresultsofproblem2DEPSOABCHSBBOTLBOFWASOSBest1.453321.477381.456941.453321.458321.453321.582251.45332Mean1.453321.540821.461891.453531.463411.453321.735781.45332Worst1.453321.623591.466691.453781.470891.453322.036081.45332SD9.94E-073.44E-022.53E-031.30E-043.32E-034.18E-081.17E-011.13E-07注：加粗表示最優(yōu)結(jié)果圖2.2給出了在區(qū)間分段N=20時(shí)的最優(yōu)控制軌跡和8個(gè)算法30次運(yùn)行的平均收斂曲線。該問題的最優(yōu)控制軌跡為上下切換的bang-bang控制結(jié)構(gòu)，在將控制變量分割為20等份時(shí)，優(yōu)化獲得的等效控制曲線并不是嚴(yán)格的bang-bang控制結(jié)構(gòu)，這是由分割數(shù)量導(dǎo)致。HS算法的起始搜索速度最快，但最終搜索獲得的求解精度較低，收斂速度最慢的為FWA算法，在評估次數(shù)耗盡時(shí)都未能達(dá)成最終結(jié)果的收斂。PSO算法雖然搜索速度很快，但取得的收斂精度很低，最終獲得的求解結(jié)果僅優(yōu)于還未最終收斂的FWA算法。搜索精度最高的為DE、SOS以及TLBO算法，所有的30次求解中都能獲得1.45332的最優(yōu)求解精度，并且三種算法的搜索收斂速度較為接近，雖不如HS算法搜索速度快，但要遠(yuǎn)高于FWA和ABC算法。（a）(b)圖2.2問題2仿真結(jié)果(a)最優(yōu)控制軌跡(b)收斂圖Fig.2.2Problem2simulationresults(a)optimalcontroltrajectory(b)convergencegraph2.3.3問題3：六板瓦斯吸收塔問題該問題是一個(gè)雙控制變量的動(dòng)態(tài)優(yōu)化問題，它需要確定非線性六板式氣體吸收塔中的兩個(gè)控制變量[47]。數(shù)學(xué)模型如公式(2.33)所示。00.20.40.60.811.21.41.61.82Functionalevaluation1041.522.533.5ObjectivefunctionvalueDEPSOABCHSBBOTLBOFWASOS1.91.952104

智能算法在化工動(dòng)態(tài)優(yōu)化中的應(yīng)用研究22評價(jià)計(jì)算次數(shù)中獲得的求解結(jié)果也最差。（a）(b)圖2.3問題3仿真結(jié)果(a)最優(yōu)控制軌跡(b)收斂圖Fig.2.3Problem3simulationresults(a)optimalcontroltrajectory(b)convergencegraph2.3.4問題4：高維連續(xù)攪拌釜反應(yīng)器問題該問題最初由詹森(Jensen)提出，總共需要優(yōu)化四個(gè)控制變量[48]。它描述了在等溫CSTR中同時(shí)發(fā)生的四個(gè)化學(xué)反應(yīng)。控制變量包括三種進(jìn)料流的流速和用于促進(jìn)光化學(xué)反應(yīng)的電能輸入。數(shù)學(xué)模型描述如公式(2.34)所示：81412411216321124212233212432341244124551245234561246max()()17.623()17.6146()73()35.251.3()21951.3()102fJxtxuuuuxxxxxuxuuuuxxxxxxuuuuxxxxuuuxxxxxxuuuxxxxxxuuux==++=++=++=+++=+++=+++45163712471638124141221244567312.623()465.8[()]3.74.1()(23112835)50.099(0)[0.1883,0.2507,0.0467,0.0899,0.1804,0.1394,0.1046,0.0000][0,0,0,0][,,Txxxxuxuuuxxxuxuuuxuuuuuuxxxxuxuu=+++=++++++++=≤34,][20,6,4,20],0.2fuut≤=(2.34)式中17x~x分別是反應(yīng)中七個(gè)物種的重量分?jǐn)?shù)，8x為性能指數(shù)的轉(zhuǎn)換變量。該問題共需要優(yōu)化4個(gè)控制變量，因此求解難度較大。求解該問題主要為了比較所選算法在求解動(dòng)態(tài)優(yōu)化問題的求解精度，因此設(shè)置求解該問題的評估計(jì)算次數(shù)較為充足為80000次。其求解結(jié)果如表2.7所示，在30次求解計(jì)算中，表010002000300040005000600070008000900010000Functionalevaluation0.1120.1130.1140.1150.1160.1170.1180.1190.120.121ObjectivefunctionvalueDEPSOABCHS

【參考文獻(xiàn)】：
博士論文
[1]控制變量參數(shù)化最優(yōu)控制問題計(jì)算方法研究[D]. 劉平.浙江大學(xué) 2017
[2]基于進(jìn)化計(jì)算的動(dòng)態(tài)多目標(biāo)優(yōu)化方法研究[D]. 陳旭.華東理工大學(xué) 2015

碩士論文
[1]群智能動(dòng)態(tài)優(yōu)化方法研究[D]. 張盼盼.浙江大學(xué) 2016
[2]基于粒子群優(yōu)化的動(dòng)態(tài)優(yōu)化研究[D]. 周游.浙江大學(xué) 2014
[3]基于多射的工業(yè)過程動(dòng)態(tài)優(yōu)化研究[D]. 王俊.浙江大學(xué) 2013



本文編號：3131506