论文部分内容阅读
差分进化算法(DE)是一种高效、并行的搜索算法，但其研究还不成熟。基本DE算法的控制参数在整个优化过程中保持不变，最佳控制参数的选取非常困难，参数的选取直接影响算法的性能和效率。针对这一问题，本文分别提出了自适应差分进化算法(ADE)、基于蚁群系统的自适应差分进化算法(ASSDE)、基于免疫系统的自适应差分进化算法(ISDE)、与基于蚁群系统的混合差分进化算法(ASDE)。其中，①ADE，种群的每一个个体都拥有自己独立的控制参数，控制参数的大小取决于个体所处的进化代数和该个体适应度值的大小。在优化初期，算法具有较强的全局搜索能力，随着优化的进展，算法不断提升局部搜索能力加速收敛。②ASSDE，该算法将DE控制参数的选取空间划分成若干子空间，在选定某一子空间后，控制参数以该子区间为值域随机选取。使参数的选择由连续问题转化为离散组合问题。然后利用蚁群系统去搜寻适当的子区间，形成了一种以正反馈机制选取DE控制参数的方法。③ISDE，借鉴免疫系统的优良特性，将免疫系统的免疫机制引入到DE算法的自适应控制当中，使算法能通过利用在进化过程中积累的经验，为算法搜寻较优的控制参数F和CR。④ASDE，利用蚁群系统原理选择差分进化算法变异操作算子中的父代基向量，以一种带群体方向的随机搜索方法来选取变异操作算子中的父代基向量，使算法既保持搜索到全局最优解的概率又加快了收敛速度。
运用九个经典测试函数分别对ADE、ASSDE、ISDE和ASDE的性能进行分析，并将实验结果与基本差分进化算法和另外两种著名自适应差分进化算法进行比较。实验结果表明，提出的新算法均具有良好的全局搜索能力。
最后，将ADE用于超临界水氧化动力学参数估计，求得动力学方程对样本数据进行拟合相对误差平方和比文献降低了12.7％；结合ASSDE算法，提出一种混合智能建模方法，并运用此方法建立对苯二甲酸加氢精制工业模型，获得了能良好描述工业装置特性的模型；将ISDE应用于废气中水银氧化动力学参数估计，获得的动力学方程对实验样本数据转化率估计值的相对误差绝对值之和明显低于文献公布值；将ASDE应用于SO，氧化动力学参数的估算中，结果表明ASDE模型参数估计的拟合效果明显优于其他算法和文献报道值。