求解兩類優(yōu)化問題的混合進(jìn)化算法及其應(yīng)用.pdf

1、在科學(xué)研究、經(jīng)濟(jì)領(lǐng)域、工程應(yīng)用中廣泛存在著各種類型的優(yōu)化問題，通常需要求解它們的全局最優(yōu)解而不是局部最優(yōu)解。以遺傳算法為代表的進(jìn)化算法，是一類具有全局搜索能力強(qiáng)和魯棒性強(qiáng)的算法，對(duì)基于梯度的傳統(tǒng)優(yōu)化方法無法或難以處理的高度非線性、不可微、尤其是目標(biāo)函數(shù)的導(dǎo)數(shù)無法求出的問題，進(jìn)化算法具有很大的優(yōu)勢(shì)。針對(duì)無約束優(yōu)化問題和約束優(yōu)化問題，本文設(shè)計(jì)和開發(fā)了不同的混合進(jìn)化算法，最后將進(jìn)化算法應(yīng)用到非線性模型參數(shù)優(yōu)化和石油生產(chǎn)過程設(shè)定點(diǎn)優(yōu)化問題中。論

2、文的主要研究工作如下：
　　 (1)針對(duì)一般基本遺傳算法交叉操作具有隨機(jī)性和盲目性的缺點(diǎn)，提出了一種自適應(yīng)梯度指導(dǎo)交叉的混合遺傳算法(AGCGA)。在當(dāng)前最優(yōu)個(gè)體的負(fù)梯度方向范圍內(nèi)選取個(gè)體與其進(jìn)行算術(shù)交叉操作，使交叉后的子代個(gè)體不斷向最優(yōu)解靠近，有效地保證了交叉操作的目的性和可行性。從理論上分析了算法的收斂性。通過12個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)，并與其他文獻(xiàn)中的方法進(jìn)行了比較，驗(yàn)證了AGCGA算法的有效性。
　　 (2)針對(duì)

3、無約束優(yōu)化問題，設(shè)計(jì)了一種動(dòng)態(tài)分級(jí)的混合粒子群優(yōu)化算法(DHHPSO)。DHHPSO算法采取3種級(jí)別的并行粒子群優(yōu)化算法，分別用于全局搜索和局部搜索及二者的結(jié)合，并根據(jù)不同的搜索階段動(dòng)態(tài)調(diào)整各種級(jí)別中并行變量的數(shù)目。在粒子群算法中引入混沌優(yōu)化以加強(qiáng)算法的全局搜索能力；在后期嵌入單純形法進(jìn)行局部搜索，提高了算法的局部搜索能力。對(duì)12個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)，并與其他的粒子群優(yōu)化算法的結(jié)果進(jìn)行了比較，結(jié)果表明了DHHPSO算法的優(yōu)勢(shì)。

4、　　 (3)提出了一種聚類佳點(diǎn)集交叉的混合遺傳算法用于求解約束優(yōu)化問題。依照“約束優(yōu)化遺傳算法=遺傳算法+約束處理技術(shù)”的研究框架，分別對(duì)遺傳算法和約束處理技術(shù)進(jìn)行了改進(jìn)。利用佳點(diǎn)集理論設(shè)計(jì)了聚類佳點(diǎn)集多父代交叉操作，保證了種群的多樣性。另外，引入聚類局部搜索策略，加快了算法的收斂速度。在約束處理技術(shù)上，設(shè)計(jì)了一種自適應(yīng)約束處理技術(shù)，即根據(jù)當(dāng)前種群中可行解的比例而選擇不同的個(gè)體比較與選擇準(zhǔn)則。18個(gè)標(biāo)準(zhǔn)約束優(yōu)化測(cè)試函數(shù)的實(shí)驗(yàn)結(jié)果表明了

5、新算法優(yōu)于或相似于文獻(xiàn)中方法。
　　 (4)針對(duì)約束優(yōu)化問題，結(jié)合局部數(shù)值搜索方法和粒子群優(yōu)化算法的優(yōu)點(diǎn)，提出了一種基于修改增廣Lagrange函數(shù)的混合粒子群優(yōu)化算法(CAL-PSO)。CAL-PSO算法由兩層結(jié)構(gòu)組成，內(nèi)層利用動(dòng)態(tài)慣性權(quán)重和維變異的改進(jìn)PSO算法求解界約束子問題；外層重新構(gòu)造問題的增廣Lagrange函數(shù)和修正Lagrange參數(shù)。從理論上分析了CAL-PSO算法的收斂性。通過18個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)和3個(gè)工程約束

6、優(yōu)化應(yīng)用進(jìn)行了實(shí)驗(yàn)，結(jié)果表明了CAL-PSO算法的有效性。
　　 (5)非線性模型參數(shù)優(yōu)化方法是非線性系統(tǒng)建模和控制中的重點(diǎn)研究內(nèi)容。結(jié)合最速下降法和遺傳算法，提出了一種混合遺傳算法用于RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)的優(yōu)化。通過不同的模擬和實(shí)際數(shù)據(jù)來驗(yàn)證所辨識(shí)出的HGA-RBF神經(jīng)網(wǎng)絡(luò)模型在非線性時(shí)間序列中的建模和預(yù)測(cè)能力。結(jié)果表明HGA-RBF神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度，優(yōu)于或相似于文獻(xiàn)中的一些模型或方法。
　　 (