基于微粒群算法的油品調(diào)合優(yōu)化-研究

《基于微粒群算法的油品調(diào)合優(yōu)化-研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、浙江大學(xué)碩士學(xué)位論文第一章緒論提要；本章回顧了微粒群算法的起源和發(fā)展歷程，分析了算法的研究現(xiàn)狀和發(fā)展方向。簡(jiǎn)要介紹了油品調(diào)合優(yōu)化問(wèn)題，并對(duì)目前針對(duì)油品調(diào)合問(wèn)題的解決方案進(jìn)行了總結(jié)．最后介紹本文的研究工作．關(guān)鍵詞：微粒群算法，進(jìn)化計(jì)算，群體智能。綜述，油品調(diào)合1．1引言人們做任何事情都希望以最小的代價(jià)獲得最佳的效果，麗企業(yè)則希望用最少的成本獲取最大化的利潤(rùn)，這些情況都可以歸結(jié)為最優(yōu)化問(wèn)題。隨著經(jīng)濟(jì)全球化的發(fā)展，市場(chǎng)競(jìng)爭(zhēng)愈加激烈，迫使企業(yè)必須結(jié)合企業(yè)自身特點(diǎn)，及時(shí)預(yù)測(cè)市場(chǎng)需求，最大化發(fā)揮現(xiàn)有資源效能，以低投入高產(chǎn)出的生產(chǎn)方式，生產(chǎn)符合市場(chǎng)要求的合格產(chǎn)品。優(yōu)化技術(shù)的應(yīng)用大

2、大提高了生產(chǎn)效率，實(shí)現(xiàn)了生產(chǎn)的節(jié)能降耗，為企業(yè)帶來(lái)了巨大的經(jīng)濟(jì)效益。目前，在市場(chǎng)經(jīng)濟(jì)的環(huán)境下，一些發(fā)達(dá)國(guó)家企業(yè)對(duì)生產(chǎn)經(jīng)營(yíng)計(jì)劃和生產(chǎn)調(diào)度優(yōu)化普遍給予了高度的重視，并投入大量的人力物力開(kāi)發(fā)優(yōu)化技術(shù)，努力將優(yōu)化技術(shù)應(yīng)用到實(shí)際的生產(chǎn)方案中。因此如何從工業(yè)實(shí)際出發(fā)，尋找快速有效的優(yōu)化算法，使生產(chǎn)流程處于節(jié)能高產(chǎn)的最優(yōu)狀態(tài)具有很大的現(xiàn)實(shí)意義。最優(yōu)化問(wèn)題的數(shù)學(xué)描述就是在滿(mǎn)足一定約束條件的前提下，尋找一組參數(shù)值，使某給定最優(yōu)性度量函數(shù)或系統(tǒng)的某些性能指標(biāo)達(dá)到最優(yōu)【¨。最優(yōu)化問(wèn)題具有多樣性的特點(diǎn)，根據(jù)目標(biāo)函數(shù)、約束函數(shù)的性質(zhì)以及優(yōu)化變量的取值類(lèi)型等可以分為許多種類(lèi)，每一種類(lèi)型的優(yōu)化問(wèn)

3、題根據(jù)其性質(zhì)的不同都具有其特定的求解方法。根據(jù)目標(biāo)函數(shù)和約束函數(shù)的解析性質(zhì)，最優(yōu)化問(wèn)題一般可分為線(xiàn)性規(guī)劃及非線(xiàn)性規(guī)劃，目標(biāo)函數(shù)和約束函數(shù)均為線(xiàn)性函數(shù)的問(wèn)題稱(chēng)為線(xiàn)性問(wèn)題，對(duì)應(yīng)的數(shù)值求解方法稱(chēng)為線(xiàn)性最優(yōu)化(規(guī)劃)算法；目標(biāo)函數(shù)和約束條件中，至少有一個(gè)為非線(xiàn)性函數(shù)的問(wèn)題，成為非線(xiàn)性問(wèn)題，對(duì)應(yīng)的數(shù)值求解方法稱(chēng)為非線(xiàn)性最優(yōu)化(規(guī)劃)算法。根據(jù)是否具有約束條件，可以將最優(yōu)化問(wèn)題劃分為無(wú)約束問(wèn)題和約束問(wèn)題，對(duì)應(yīng)的數(shù)值解法稱(chēng)為無(wú)約束算法和約束算法。根據(jù)優(yōu)化問(wèn)題變量的多少可以把最優(yōu)化算法分為單變量算法和多變量算法。表1．1就是根據(jù)上述原則分類(lèi)的最優(yōu)化問(wèn)題和對(duì)應(yīng)求解算法?！壳熬€(xiàn)性規(guī)劃

4、問(wèn)題已經(jīng)形成了一套系統(tǒng)的解決方案，而非線(xiàn)性規(guī)劃問(wèn)題雖然有較多求解算法，但對(duì)于多變量有約束的復(fù)雜非線(xiàn)性問(wèn)題尤其是含離散交量和二進(jìn)制變量的組合優(yōu)化問(wèn)題仍較難求解。為有效解決這個(gè)問(wèn)題，人們?cè)噲D離開(kāi)解析確定型的優(yōu)化問(wèn)題研究領(lǐng)域，轉(zhuǎn)而探討對(duì)函數(shù)解析性質(zhì)要求低甚至不作要求的隨機(jī)智能優(yōu)化算法。第一章緒論表l_l最優(yōu)化問(wèn)題和算法分類(lèi)問(wèn)題特征問(wèn)題性質(zhì)算法特征算法名稱(chēng)特征1特征2線(xiàn)性目標(biāo)函數(shù)和約束函數(shù)均為線(xiàn)性頂點(diǎn)轉(zhuǎn)換單純形法黃金分荊法單變量無(wú)約束或有約束一維搜索二次插值法梯度法利用導(dǎo)數(shù)牛頓法無(wú)約束變尺度法不利用導(dǎo)數(shù)共軛梯度法非線(xiàn)性鮑威爾法直接求解可行方向法多變量序列二次規(guī)劃法懲罰函數(shù)法

5、有約束乘子法間接求解神經(jīng)網(wǎng)絡(luò)算法遺傳算法群體智能算法1．2群體智能算法群體智能算法源自于人們從大自然和生物生命演化過(guò)程中受到的啟示。作為一種隨機(jī)優(yōu)化算法，其開(kāi)創(chuàng)了探索優(yōu)化方法的新途徑，并以其高效的尋優(yōu)能力和廣泛的適用性受到較多關(guān)注。群體智能算法僅涉及基本的數(shù)學(xué)操作，無(wú)需構(gòu)造精確的數(shù)學(xué)搜索方向，僅是通過(guò)大量簡(jiǎn)單的信息傳播和演變方法來(lái)得到問(wèn)題的最優(yōu)解。更重要的是，群體智能算法潛在的并行性和分布式特點(diǎn)為處理大量以數(shù)據(jù)庫(kù)形式存在的數(shù)據(jù)提供了技術(shù)保證。鑒于群體智能算法具有全局性、自適應(yīng)性、離散化等優(yōu)點(diǎn)，無(wú)論從理論研究還是從應(yīng)用研究的角度分析均具有重要的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)價(jià)值。目前

6、群體智能理論主要包括蟻群算法(Antcolonyoptimization,ACO)和微粒群算法(Particleswarmoptimization,PSo)，這兩種算法因其易于實(shí)現(xiàn)并可求解多數(shù)優(yōu)化問(wèn)題而得到了廣泛的應(yīng)用．蟻群算法又稱(chēng)螞蟻算法，是模擬蟻群的食物采集過(guò)程的一種仿生優(yōu)化算法，一般用來(lái)在圖中尋找優(yōu)化路徑。它由MarcoDorigo于1992年在他的博士論文中引入，其靈感來(lái)源于螞蟻在尋找食物過(guò)程中發(fā)現(xiàn)路徑的行為。微粒群算法也起源于簡(jiǎn)單的社會(huì)系統(tǒng)模擬，其基本思想是受到Heppner的鳥(niǎo)類(lèi)模型研究結(jié)果的啟發(fā)，將鳥(niǎo)類(lèi)尋找棲息地與對(duì)一個(gè)特定問(wèn)題尋找解聯(lián)系起來(lái)。Kenn

7、e：cly和Ebb'hart修正了該生物群體模型以使微粒能夠飛向解空間并在最優(yōu)解處降落，并于1995年正式發(fā)表了題為“particleswal'lnoptimization”的文章，標(biāo)志著微粒群算法的誕生伍甜。2浙江大學(xué)碩士學(xué)位論文1．3微粒群算法研究現(xiàn)狀及發(fā)展方向微粒群算法自提出以來(lái)受到了國(guó)內(nèi)外相關(guān)領(lǐng)域眾多學(xué)者的廣泛關(guān)注，涌現(xiàn)了大量研究成果。目前針對(duì)微粒群算法的研究主要集中在算法的改進(jìn)、算法的理論分析和拓展算法的應(yīng)用領(lǐng)域三個(gè)方面。1．3．1算法的改進(jìn)作為一種新穎的優(yōu)化搜索算法，微粒群算法從出現(xiàn)至今，研究者在算法的改進(jìn)上做了大量的研究工作，主要集中在算法結(jié)構(gòu)和性