论文部分内容阅读
差分进化算法(Differential evolution algorithm，DE)和粒子群算法（Particleswarm optimization，PSO）是两种结构较简单、鲁棒性强和效率高的智能优化算法。因为它们有巨大的应用价值，所以引起了许多研究人员的广泛关注。在过去的几十年里，它们已经被成功的用来求解各类标准的测试函数和实际的工业优化问题。虽然对差分进化算法和粒子群算法的研究已经取得一定的成果，但是它们还存在很多的不足，比如，控制参数和策略的选择;因此，本文旨在对差分进化算法和粒子群算法的性能进行改进，提出几种控制参数和策略自适应的智能优化算法，并将它们用来求解单目标和多目标优化问题。本文的主要研究成果如下: (1)为了避免人工选择控制参数和变异策略的麻烦，提出一种控制参数全区进化和策略自适应的差分进化算法（Differential evolution algorithm withself-adaptive strategy and whole evolution of control Parameters,SSCPDE）。在该算法中，每个个体都有自己的控制参数，并且变异策略能够在不同的进化阶段实现自适应调整。通过对38个不同类型的测试函数进行测试，SSCPDE跟6种知名的DE变种算法进行了性能比较。仿真结果表明，SSCPDE的整体性能要好于其他6种著名的自适应DE算法。另外，SSCPDE算法被用来优化PX氧化反应过程的10个主要的操作条件。结果表明产品成本、醋酸和PX燃烧损失都有极大的下降。 (2)为了能够保持不同控制参数组合的搜索能力，提出一种控制参数分区进化和策略自适应的差分进化算法（Self-adaptive DE algorithm withzoningevolution of control parameters and adaptive mutation strategies,ZEPDE）。在所提算法中，变异策略是随着种群的进化而自动调整，控制参数则在它们各自的区域内进化并自动发现其近似最优值。所提算法利用一组标准测试函数来跟其他5种著名的DE变种算法进行性能比较。结果表明所提算法的整体性能要好于5种改进的算法。此外，ZEPDE算法被用来优化PX氧化反应过程的操作条件。结果表明ZEPDE能够有效的降低生产成本。 (3)针对优化问题中不同优化变量往往会有不同特性的问题;提出一种离散变异控制参数的自适应差分进化算法(Self-Adaptive Differential EvolutionAlgorithm with Discrete Mutation Control Parameters, DMPSADE)。在DMPSADE算法中，个体的每个变量都有自己的变异控制参数，并且每个个体有自己的交叉控制参数和变异策略。通过25个标准测试函数的测试，DMPSADE与8种著名的DE变种算法和3种非DE算法进行性能比较。统计结果表明DMPSADE的整体性能要好于其他所有的比较算法。最后，DMPSADE被用来对PX氧化反应过程的操作条件进行优化，实验结果表明DMPSADE能够有效的降低生产成本。 (4)针对控制参数和速率更新策略会对粒子群的性能产生显著影响的问题，提出一种多个速率策略的自适应粒子群算法(Self-adaptive particle swarmoptimization with multiple velocity strategies, SAPSO-MVS)。 SAPSO-MVS能够在进化的过程中产生自适应的控制参数，并且使用了一种新的速率更新策略。为了测试所提算法的有效性，SAPSO-MVS通过一组标准的测试函数来跟8种著名的PSO变种算法和3种著名的非PSO算法进行性能比较。仿真结果表明所提算法的整体性能要好于其他所比较的算法。最后，SAPSO-MVS被用来优化PX氧化反应过程中的10个操作条件，取得了令人满意的结果。 (5)为了能够解决复杂的多目标优化问题，提出一种基于存档变异策略的改进多目标差分进化算法（Multi-objective modified differential evolution algorithmwith archive-base mutation，MOMDE-AM）。在MOMDE-AM中，为了减少种群进化信息的丢失，提出一种基于存档的改进变异策略;此策略能够利用一些有用的次优解和提供一些有用的指向真实Pareto前沿的方向信息。MOMDE-AM通过5个双目标函数和5个三目标函数来跟其他3种多目标进化算法进行比较。仿真和统计分析结果都表明MOMDE-AM的整体性能要好于其他比较的算法。最后，MOMDE-AM被用来优化一个多目标的PX氧化反应过程的10个操作条件，结果显示MOMDE-AM算法是一种解决实际多目标优化问题的有效工具。