论文部分内容阅读
Alopex算法(Algorithm of Pattern Extraction)首先由医学领域的学者提出,最初是用来进行视觉感受野的研究。后来人们发现,Alopex算法也可用于工程优化并且有较好的效果。Alopex算法将自变量的变化对目标函数值的影响作为启发信息,同时引入了退火机制和概率,所以算法兼具梯度下降和模拟退火的特点。在基本Alopex算法的基础之上,本文完善了一种基于Alopex的群智能进化算法——AEA算法(Alopex-based Evolutionary Alogirthm),并在AEA算法的基础之上引入了分布估计算法(Estimation of Distribution Algorithm, EDA),利用分布估计算法收敛速度快及与传统进化算法进化模式不同的特点来改善AEA算法的种群多样性和分布状况,最终形成一种基于EDA和Alopex融合的混合优化算法EDA-Alopex算法。AEA算法中,每次迭代需要产生两个种群执行Alopex操作,这两个种群所包含的进化信息在很大程度上决定了AEA算法的性能。受到分布估计算法独特的进化模式的启发,在EDA-Alopex算法中,首先利用分布估计算法生成AEA算法执行所需的两个种群,然后再对这两个种群执行Alopex操作。这样,通过引入分布估计算法,种群不仅包含了原来AEA算法所使用的描述变量之间关系的微观层面的相关性启发信息,而且包含了分布估计算法带来的描述解空间分布的全局概率信息,在全局和局部两个层面实现种群的进化。论文首先对AEA算法在大量的测试函数上进行仿真实验,从收敛精度、收敛速度、测试函数优化结果等方面将AEA算法和遗传算法、粒子群算法及差分进化算法等基本的进化算法进行对比,对比结果表明AEA算法的性能是优于这些基本进化算法的。AEA算法不仅收敛速度较快,而且收敛精度也较高。之后,在AEA算法基础之上,将EDA-Alopex、EDA和AEA算法在一系列的高维测试函数上进行了性能对比,对比结果表明嵌入了EDA的AEA算法显著的改进了AEA算法的性能,EDA-Alopex算法与AEA算法相比,在收敛速度、收敛精度等方面均有改进。应用方面,将EDA-Alopex算法应用于乙烯裂解炉裂解深度软测量建模,仿真结果表明EDA-Alopex算法训练得到的神经网络模型较好的反映了裂解炉的实际工况,模型有效的提取了裂解炉各个操作变量和裂解深度的相互影响关系,模型的输出值和气体分析仪表给出的实际分析值的误差很小,有较高的精度。最后,应用EDA-Alopex算法对重油热解三集总化学反应动力学模型的参数进行估计,获得的反应动力学模型和以往文献报道相比,可以给出更小的实验数据拟合误差。