基于序贯蚁群算法的动态优化问题研究.docxVIP

基于序贯蚁群算法的动态优化问题研究 1 动态规划算法与序贯优化算法 化工过程通常使用复杂的非线性微分方程组进行描述，动态优化是控制单个方程（或多个）的操作变量，并在过程中发挥最佳指标。典型的连续过程动态优化问题可表示为: 式中x、u分别称为状态变量和控制变量(或操作变量)。 当系统的有关梯度很难计算或不可计算时,基于极大值原理的最速下降法、共轭梯度法等就不再适用,此时应采用无需梯度信息的迭代动态规划(IDP)或仿生类算法,如遗传算法(GA)、蚁群算法(ACA)等。这两类算法各有特色和不足,且存在很大的互补性。 仿生类算法与IDP均将时间区间离散化,用分段函数渐次逼近最优控制策略。IDP对控制变量的可行域也实施离散化,并以序贯计算的方式将复杂的连续问题转化为多个串连的较为简单的离散问题,使之在有限个离散解中寻优。但动态规划分段搜索最优控制策略,无法完整地算出所有时间段上对应的状态变量,因此动态规划还需对状态变量实施离散化,致使计算过程十分繁杂。仿生类算法用一条染色体(或路径)表示一个可行控制策略,便于计算对应的状态变量和目标函数,但仿生类算法需在连续的控制变量可行域上寻优,收敛速度慢,寻优效率较低。 为此本文将综合以上两种算法的优点,提出序贯地执行蚁群寻优操作,逐步寻找最优解,构建序贯蚁群算法(Sequential Ant-Colony Algorithm,SACA)。SACA融合