论文部分内容阅读
多目标粒子群优化(Multiobjective particle swarm optimization,MOPSO)算法是一种基于种群随机搜索的进化算法,由于其具有收敛速度快、易实现等优点,已广泛应用于流程工业、离散制造等领域的多目标优化问题求解。然而,实际应用中的多目标优化问题不但目标之间互相冲突,而且目标函数具有时变性,现有的MOPSO算法无法获取满意的优化效果。因此,研究能够求解动态多目标优化问题的MOPSO算法迫在眉睫。为了获得动态多目标优化问题的有效的优化解,文中提出了一种动态MOPSO(Dynamic Multiobjective Particle Swarm Optimization,DMOPSO)算法。该DMOPSO算法通过对粒子飞行过程的分析,获得了粒子的进化特点;同时,通过设计一种动态全局最优选择机制,调整了粒子的进化方向,实现了动态多目标优化问题的准确求解;最后,将DMOPSO算法应用于污水处理过程,设计了一种基于DMOPSO算法的动态优化控制器(DMOPSO-based Optimal Controller,DMOPSO-OC),实现了污水处理过程的动态优化控制。论文主要研究工作和创新点如下:1.自适应MOPSO算法设计:为了解决MOPSO算法求解动态多目标优化问题的速度问题,围绕粒子的进化方向问题,提出了一种自适应MOPSO算法。首先,分析粒子的飞行过程,获得了粒子进化的特点;其次,利用非支配解多样性信息评估知识库中最优解的分布状态,设计了一种自适应全局最优选择机制,获得了种群的进化状态;然后,设计了一种基于种群多样性信息的自适应飞行参数调整机制,增强了粒子的全局探索能力;最后,将自适应MOPSO算法应用于标准测试实验,实验结果表明,自适应MOPSO算法能够准确的选择粒子的进化方向,较快的收敛到Pareto前沿。2.动态MOPSO算法设计:为了获得目标函数时变的动态多目标优化问题的优化解,文中提出了一种DMOPSO算法。首先,设计了一种解集分布熵方法,描述了知识库中非支配解的分布状态;其次,提出了一种基于解集分布熵的动态全局最优选择机制,动态调整了粒子的进化方向;然后,提出了一种基于种群间距信息的动态飞行参数调整机制,获得了粒子的分布状态,平衡了粒子的全局探索能力和局部开发能力。最后,与其他几种算法相比,实验结果表明,DMOPSO算法能够有效的处理复杂的多目标优化问题,获得满意的优化解。3.基于DMOPSO算法的污水处理过程动态优化控制:围绕典型的动态多目标优化问题,污水处理运行过程的多目标优化问题,文中基于污水处理过程的动态特性提出了一种DMOPSO-OC方法。通过分析污水处理过程的复杂和时变特性,建立了一个包含多个冲突目标函数的优化架构;同时,利用DMOPSO算法求解污水处理过程中的多目标优化问题,获得了准确的优化设定值,并通过DMOPSOOC方法实现对溶解氧和硝态氮的动态优化控制;最后,基准仿真平台和实际污水处理过程的实验结果表明:与其他几种方法相比,该DMOPSO-OC方法能够有效的提高污水处理过程的优化控制性能。