运用抽样技术改进遗传算法来进行化学工程的优化.docVIP

Modified genetic algorithm with sampling techniques for chemical engineering optimization 运用抽样技术改进遗传算法来进行化学工程的优化 原文作者：Chirdpong Preechakul, Soorathep Kheawhom 翻译：轻化072 王伟 摘要： 这篇论文中，我们研发出了一种新的有效技术来强化优化能力，来加速遗传优化算法的收敛速度。我们调查和采取了一系列的抽样技术来生成一大套系列的原始数据来支持在收索领域的探索引进的抽样技术包括拉丁立方抽样，串抽样，和Hammersley 串抽样， 运用一致的随机数据的采纳算法和传统的遗传算法的表现情况进行关于解决方案质量和收敛速度的比较，一系列的测试问题和案例研究，多效蒸发的优化，表明了采纳的技术的可行性和有效性。运用同样的参数，我们的技术提供一个更好的解决方案和总体优化比传统遗传算法更快的收敛。 关键词：遗传算法 拉丁立方抽样 串行抽样 引言 优化在工业决策的制定上是一个重要工具。因为它能够在各种各样的工程领域运用[1-3]。传统优化方法众所周知的就是以梯度为基础的方法。比如梯度下降的办法拟牛顿的方法，连续性二次工程方法，这些被用来解决优化问题，因为他们能够有效地解决和快速的转换成优化点，不幸运的是，传统方法通常难以解决复杂的优化问题[ 4，5]，复杂的优化问题通常包含着大量的本地优化数据的这个情况使得全局优化成为一个关键难点。因此，来源于传统方法的解决方案很容易陷入一个局部优化区域[ 6].甚至，梯度为基础的方法取决于数据源。因此，现实生活中遇到的多数不相关的优化问题不用特殊处理难以解决，因此，盖然论为基础的算法已经被发展来克服这些难点。 遗传算法（GA）是一种以盖然论为基础的方法。它是建立在赋予个性化的高适应性的发展观点上的。一个GA的综合性的描述在很多文献中都能找到[7，8],算法开始产生了一个归一化的随机数据，然后重复逐渐发展的三个基本遗传算子的：选择，交叉，和突变。遗传算法能够成功地解决优化问题有几个好处。它在不需要衍生信息的情况下可应用于连续或离散变量优化。此外，遗传算法进行的多点同时搜索，而不是几个单点。这些事实确保对不经过任何特殊处理的包含不连续点的区域进行勘测[9]。不幸的是，GA有一些重大缺陷：收敛和开采条件功能薄弱[10]。过早收敛的发生，使遗传算法停留在局部最优化上，而疲软的剥削GA的能力往往造成收敛速度慢。这些缺点GA的失败导致获得可靠的解决方案。 为了加强传统遗传算法的性能，很多方法被提了出来。Acevedo和Leboreiro [11]提出突变冲击技术，以提高遗传算法的性能。这项技术加快了使遗传算法寻找更好的解决方案的进程。不幸的是，这项技术仅在小问题解决上显示出有效性。Shin 等[12]将应用型禁忌搜索引入到变异操作中。禁忌搜索的优势在于能够有效地将导致局部最优化的区域找出来，同时将这些收集到禁忌表中。因此禁忌表可以用来改进变异进程。在禁忌表上出现的个体接受高突变率。因此能轻易的跳出局部最优区域。此外，Dowsland等[13]提出的约束为基础的交叉这是一种利用约束为基础的信息，以提高遗传算法的性能的新方法。 Υ 活度系数 λij 二进制参数 B 底流流速 D 顶流流速 F 进料流率 H 蒸汽焓 h 液体焓 Li 第i块塔板液体流率 n 平衡级数量 nf 进料位置 P 压力 P o 绝对压力 Qc 冷凝器中的热流率 QR 再沸器中热流率 R 理想气体常数 T压力 T b 正常沸点温度 V 摩尔体积 Vi 第i级气流率 X i 第i块塔板的液相摩尔分率 y i 第i块塔板的气相摩尔分率 Z 进料流的摩尔分率 王等人[14]提出了分人群为基础的分布式进化技术。这种方法提供了收敛于全局最优的快速的计算和稳定性。施等[15]使用可变种群规模的技术改进遗传算法的性能。在这种技术中，上一代在他们创造后代后没有完全消除。高适应性的父母仍然有机会在以后的世代生存。这种技术可以提高解的精度。但是，它需要大量的计算时间 Haupt 和 Haupt [16]报道，良好的初始种群在搜索中对全局最优起着重要作用的。传统上，采用遗传算法的人口分布均匀启动该算法。以生成乘法或线性这亦是用同余蒙特卡罗模拟算法的基础[17]的随机数序列即被生成。不