论文部分内容阅读
群智能算法是一种新型的最优化算法，是目前最优化理论中最为活跃的一个研究分支之一。自出现以来，已引起众多学科研究人员的关注，并在大规模复杂问题的求解中显示出强劲潜力。不过做为一门新兴学科，群智能优化算法本身还有许多待完善问题，如算法理论研究、算法改进、应用范围拓展等。本课题在吸收、借鉴近年来国内外对群智能算法研究的基础上，讨论了群智能理论的三个代表性算法-蚁群算法、差分进化算法和粒子群算法。首先，通过对三种算法的机理分析及针对各算法特点，提出了求解单目标连续域优化的改进蚁群算法和改进差分进化算法，并利用粒子群算法具有速度、位移、个体历史最优和全局历史最优等独特机制，提出了求解多目标连续问题的改进粒子群算法。然后，为拓展群智能算法的应用领域，以中厚板轧制过程为研究对象，以群智能算法为技术手段，以提高板形板厚精度等产品品质为目标，对中厚板轧制负荷分配、轧制力预报等进行了探索研究。
本文所取得的主要研究成果和创新点如下：
1)针对蚁群优化算法的本质离散性，深入分析了其在求解连续域和离散域问题上的不同。从不同角度提出两种适用于求解单目标连续域优化的改进算法-混合蚁群算法(HACO)和多层蚁群算法(MACO)。仿真结果表明，在对低维函数优化中MACO算法整体上与HACO算法相当，而在高维函数上要略优于HACO算法；
2)从概率及随机泛函方向分别对差分进化算法做了收敛性分析和证明，并提出了一种求解单目标连续域优化的基于转换函数的均匀差分进化算法。其将个体均匀分布维持种群多样性和采用转换函数简化优化环境相结合，提高了寻优效率；
3)根据多目标问题的现实普遍性，提出了用于求解多目标连续问题的改进粒子群算法。通过采用一系列关键技术，如外部归档集、排斥度比较机制、最优值选择机制、自调节机制等以保证算法可用于求解多目标问题，结果表明了改进算法的有效性；
4)将具有较优性能的MACO算法用于中厚板轧制负荷分配。结果表明，得到的负荷分配更加合理，有利于轧机负荷均衡、生产过程稳定。将求解高维函数的改进差分进化算法用于轧制力偏差预报。利用现场数据对模型训练及预报验证，结果表明，改进模型提高了预报精度。