论文部分内容阅读
Alopex-based evolutionary algorithm(AEA)是一种结合Alopex算法启发方式和群集智能的进化优化算法。它兼具模拟退火和梯度下降的双重特性,具有较高的全局搜索能力。然而,AEA自身的进化机制使其收敛速度不高,并且在处理复杂优化问题时依旧容易陷入局部最优。 本文针对AEA的缺陷,分别从提高全局搜索能力和加快收敛能力这两方面对其进行了改进。首先针对其容易陷入局部最优的缺陷,本文结合人工蜂群算法中蜜蜂的搜索机制来增强算法跳出局部最优的能力。对于其收敛速度过慢的缺点,本文采用二次插值算法来加快它的收敛速度。利用传统测试函数,CEC2005以及CEC2013这三个测试函数集对以上两种改进后的算法进行了一系列的性能测试,再将所提出的算法应用到化工过程中的动态优化问题和参数估计问题中,并最终取得了满意的结果。 针对约束优化问题,本文在结合两种常见约束处理方式的基础上,提出一种加强边界搜索策略。该策略可以让种群中的个体在搜索初期向距离它们较近的约束边缘搜索,这对最优解分布在约束边界上的优化问题具有更好的效果。采用11个测试函数验证结合该搜索策略后的约束优化算法,并通过和其他约束优化算法的比较来验证本文算法的可行性和有效性。 最后,针对化工生产中的换热网络优化问题,利用本文提出的算法优化换热网络结构并得到了较好的结果,进一步表明本文算法在处理实际工程问题时具有一定的优势。