求解兩類優(yōu)化問題的混合進化算法及其應用.pdf

1、在科學研究、經(jīng)濟領域、工程應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化算法，是一類具有全局搜索能力強和魯棒性強的算法，對基于梯度的傳統(tǒng)優(yōu)化方法無法或難以處理的高度非線性、不可微、尤其是目標函數(shù)的導數(shù)無法求出的問題，進化算法具有很大的優(yōu)勢。針對無約束優(yōu)化問題和約束優(yōu)化問題，本文設計和開發(fā)了不同的混合進化算法，最后將進化算法應用到非線性模型參數(shù)優(yōu)化和石油生產(chǎn)過程設定點優(yōu)化問題中。論

2、文的主要研究工作如下：
　　 (1)針對一般基本遺傳算法交叉操作具有隨機性和盲目性的缺點，提出了一種自適應梯度指導交叉的混合遺傳算法(AGCGA)。在當前最優(yōu)個體的負梯度方向范圍內(nèi)選取個體與其進行算術交叉操作，使交叉后的子代個體不斷向最優(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個標準測試函數(shù)進行實驗，并與其他文獻中的方法進行了比較，驗證了AGCGA算法的有效性。
　　 (2)針對

3、無約束優(yōu)化問題，設計了一種動態(tài)分級的混合粒子群優(yōu)化算法(DHHPSO)。DHHPSO算法采取3種級別的并行粒子群優(yōu)化算法，分別用于全局搜索和局部搜索及二者的結合，并根據(jù)不同的搜索階段動態(tài)調(diào)整各種級別中并行變量的數(shù)目。在粒子群算法中引入混沌優(yōu)化以加強算法的全局搜索能力；在后期嵌入單純形法進行局部搜索，提高了算法的局部搜索能力。對12個標準測試函數(shù)進行實驗，并與其他的粒子群優(yōu)化算法的結果進行了比較，結果表明了DHHPSO算法的優(yōu)勢。

4、　　 (3)提出了一種聚類佳點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”的研究框架，分別對遺傳算法和約束處理技術進行了改進。利用佳點集理論設計了聚類佳點集多父代交叉操作，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。在約束處理技術上，設計了一種自適應約束處理技術，即根據(jù)當前種群中可行解的比例而選擇不同的個體比較與選擇準則。18個標準約束優(yōu)化測試函數(shù)的實驗結果表明了

5、新算法優(yōu)于或相似于文獻中方法。
　　 (4)針對約束優(yōu)化問題，結合局部數(shù)值搜索方法和粒子群優(yōu)化算法的優(yōu)點，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算法由兩層結構組成，內(nèi)層利用動態(tài)慣性權重和維變異的改進PSO算法求解界約束子問題；外層重新構造問題的增廣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個標準測試函數(shù)和3個工程約束

6、優(yōu)化應用進行了實驗，結果表明了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研究內(nèi)容。結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)絡模型結構和參數(shù)的優(yōu)化。通過不同的模擬和實際數(shù)據(jù)來驗證所辨識出的HGA-RBF神經(jīng)網(wǎng)絡模型在非線性時間序列中的建模和預測能力。結果表明HGA-RBF神經(jīng)網(wǎng)絡模型具有較高的預測精度，優(yōu)于或相似于文獻中的一些模型或方法。
　　 (