论文部分内容阅读
本文主要研究一种确定性全局优化算法——区间优化算法，相对于点优化算法，区间数能够表示数据的不确定性，可以得到数学意义上严格的运算结果，区间优化算法能够为复杂的工业过程提供更宽的可行域，可以有效降低扰动以及噪声的影响，适合解决复杂工业过程控制中的优化问题。
传统的区间优化算法基于分支定界的思想，使得算法存在相关性问题和维数灾难问题。相关性问题是由于区间运算的特点以及目标函数的非线性因素造成的，只能尽量减小扩张程度而不能完全避免。维数灾难问题则需要构造合理的加速工具，能有效的指导算法分支并删除不可靠的区间。本文主要针对维数灾难问题，提出将进化策略作为加速工具与区间二分法相结合。此外，还将提出的新算法应用到菌体生长模型的参数估计中，得到了拟合度较高的参数集。本文的主要工作如下:
(1)简单介绍优化算法，重点介绍区间优化算法，对目前国内外区间算法的研究进行分类总结;介绍区间分析理论的基础知识如区间数概念、区间运算规则、区间扩张形式等;说明并分析现有的区间优化方法，主要是传统的区间二分法和区间遗传算法。
(2)提出基于进化策略的区间优化算法-Ⅰ，对每个子区间随机取一点，点个体与子区间一一对应，对点个体进行进化策略来引导对应的子区间分支或剪枝，同时提供一个可靠的上界便于剪枝操作，减少算法的计算量;同时也提出一种新的区间剪枝规则，进一步提高算法搜索效率。
(3)提出基于进化策略的区间优化算法-Ⅱ，在每个子区间取多个点来代表子区间信息，对所有点个体进行较少次数进化策略寻优，目的是为了让点个体向最优解靠拢，选择包含点个体多的可靠子区间进行分裂，对不包含点个体的不可靠子区间进行剪枝。
(4)利用几种典型的测试函数对算法进行数值仿真比较。此外，将所提的两种算法应用到误差未知但有界的参数估计问题中，与常规的区间参数辨识算法相比，本文所提算法辨识得到的参数带回原模型后拟合度更高，对传递函数模型的辨识也满足不确定性要求。
传统的区间优化算法基于分支定界的思想，使得算法存在相关性问题和维数灾难问题。相关性问题是由于区间运算的特点以及目标函数的非线性因素造成的，只能尽量减小扩张程度而不能完全避免。维数灾难问题则需要构造合理的加速工具，能有效的指导算法分支并删除不可靠的区间。本文主要针对维数灾难问题，提出将进化策略作为加速工具与区间二分法相结合。此外，还将提出的新算法应用到菌体生长模型的参数估计中，得到了拟合度较高的参数集。本文的主要工作如下:
(1)简单介绍优化算法，重点介绍区间优化算法，对目前国内外区间算法的研究进行分类总结;介绍区间分析理论的基础知识如区间数概念、区间运算规则、区间扩张形式等;说明并分析现有的区间优化方法，主要是传统的区间二分法和区间遗传算法。
(2)提出基于进化策略的区间优化算法-Ⅰ，对每个子区间随机取一点，点个体与子区间一一对应，对点个体进行进化策略来引导对应的子区间分支或剪枝，同时提供一个可靠的上界便于剪枝操作，减少算法的计算量;同时也提出一种新的区间剪枝规则，进一步提高算法搜索效率。
(3)提出基于进化策略的区间优化算法-Ⅱ，在每个子区间取多个点来代表子区间信息，对所有点个体进行较少次数进化策略寻优，目的是为了让点个体向最优解靠拢，选择包含点个体多的可靠子区间进行分裂，对不包含点个体的不可靠子区间进行剪枝。
(4)利用几种典型的测试函数对算法进行数值仿真比较。此外，将所提的两种算法应用到误差未知但有界的参数估计问题中，与常规的区间参数辨识算法相比，本文所提算法辨识得到的参数带回原模型后拟合度更高，对传递函数模型的辨识也满足不确定性要求。