一种求解过程动态优化问题的生物地理学习粒子群算法

陈旭; 梅从立; 徐斌; 丁煜函; 刘国海

doi:10.11949/j.issn.0438-1157.20161786

您当前的位置：

首页 >

文章列表页 >

一种求解过程动态优化问题的生物地理学习粒子群算法

过程系统工程 | 更新时间：2025-12-10

- 一种求解过程动态优化问题的生物地理学习粒子群算法
- Biogeography-based learning particle swarm optimization method for solving dynamic optimization problems in chemical processes
- 化工学报 2017年第8期页码：3161-3167
- 作者机构：
  
  1. 江苏大学电气信息工程学院,江苏,镇江,212013
  2. 华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海,200237
  3. 上海工程技术大学机械工程学院,上海,201620
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20161786
  中图分类号： Q021.8
- 网络首发：2017-08-05，
  
  纸质出版：2017-08-05
- 稿件说明：
移动端阅览
陈旭, 梅从立, 徐斌, 等. 一种求解过程动态优化问题的生物地理学习粒子群算法[J]. 化工学报, 2017,(8):3161-3167.

CHEN Xu, MEI Congli, XU Bin, et al. Biogeography-based learning particle swarm optimization method for solving dynamic optimization problems in chemical processes[J]. CIESC Journal, 2017, (8): 3161-3167.
陈旭, 梅从立, 徐斌, 等. 一种求解过程动态优化问题的生物地理学习粒子群算法[J]. 化工学报, 2017,(8):3161-3167. DOI： 10.11949/j.issn.0438-1157.20161786.

CHEN Xu, MEI Congli, XU Bin, et al. Biogeography-based learning particle swarm optimization method for solving dynamic optimization problems in chemical processes[J]. CIESC Journal, 2017, (8): 3161-3167. DOI： 10.11949/j.issn.0438-1157.20161786.

摘要

智能优化算法具有适用性广泛、全局搜索能力强等优点，近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化，提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization，BLPSO）算法，并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式，该方式根据粒子“排名”，即粒子的优劣，以维度为单位构造学习粒子，提高了学习的效率。针对动态优化问题，首先通过控制向量参数化将其转化为非线性规划问题，然后采用BLPSO算法进行求解。最后，将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解，计算结果表明BLPSO具有较好的搜索精度和收敛速度。

Abstract

Intelligent optimization algorithms have been playing an increasing role in dynamic optimization

due to advantages of wide applicability and strong global searching capability. Biogeography-based learning particle swarm optimization (BLPSO) was proposed for dynamic optimization problems (DOPs) by hybridizing biogeography-based and particle swarm optimization. BLPSO employed a new biogeography-based learning approach for construction of learning examples by ranking of particles (i.e.

the quality of particles) and dimension as unit

such that learning efficiency was enhanced. Control vector parameterization first converted DOPs into nonlinear programming problems which were then solved by BLPSO. The simulation results on typical DOPs with non-differentiable

multi-modal and multi-variable characteristics show that BLPSO has outstanding solution precision and convergence speed.

关键词

Keywords

references

浏览量

196

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种求解最优控制问题的变时间节点控制向量参数化方法

降冰片烯-环己烷萃取精馏的多目标优化

基于机器学习算法的生物质热解产物产率预测研究

基于深度强化学习的某异构生产线工厂生产智能排产

基于DAT-MIGAN模型的化工过程数据填充方法