工业锅炉对流管束结构优化分析

介绍了双汽包横向布置链条炉排工业锅炉对流管束的优化设计方法，给出了以降低钢耗为目标的有约束非线性全离散变量的最优化数学模型，针对该模型采用了一种较新的算法（ＭＤＯＤ法），并作了相应的改进，该模型在实例计算中获得了令人满意的结果．     

关于多目标最优化的算法实质问题

在假定函数值为Ｒ￣ｍ中的有界凸集时，给出了多目标最优化的实质算法，证明了其余算法均是此算法的特款。同时，文中在模型不存在有效解的前提下，给出了ε有效的存在性定理。     

预测加氢裂化过程的产率

以缓和加氢裂化数据为基础 ,对于两种典型的加氢裂化动力学模型—— Stangeland模型和改进 MHC模型 ,使用 Shor最优化法进行了参数的拟合 ,比较了这两种动力学模型的结果、算法、复杂度以及预测能力。结果表明 ,改进 MHC模型是一种更为合理的动力学模型 ,该模型也可用于实际加氢过程     

聚集类分级的QoS接纳控制算法研究

本文在对目前QoS接纳算法进行性能分析和比较的基础上，通过对多阶段过滤算法MF的改进，提出了一种适用于区分服务模型的QoS接纳控制算法。算法使用扩展的MF算法来找出大的网络流。理论分析结果表明，该算法具有快速的收敛特性，同时能够提供粒度更细的QoS接纳控制策略。     

求解约束优化问题的混沌类电磁算法

针对约束优化问题,提出了基于混沌优化的一种新的类电磁机制算法。采用多目标优化的约束处理技术,将约束优化问题转化为无约束的双目标优化模型来求解;对于转化后的新模型,设计粒子的电荷和粒子间的受力公式。同时,为了加快算法的收敛速度,结合混沌优化改进种群中的粒子。采用标准的Benchmark函数对新类电磁机制算法的性能进行了仿真测试,并将测试结果与已有算法的结果进行比较,结果表明,新算法能够快速找到问题的全局最优解或近似最优解,是一种非常有竞争力的优化算法。     

一种改进的联合概率数据关联算法

针对联合概率数据关联算法在跟踪多机动目标时跟踪精度不高、计算量较大等问题,提出了一种新的联合概率数据关联算法。引入"当前"统计模型,并针对"当前"统计模型中机动频率和加速度方差不能自适应调整的问题进行了改进,实现了机动频率和加速度方差自适应。针对联合概率数据关联算法在跟踪多机动目标时,随着目标数的增多,算法计算量急剧增大的问题,提出了改进算法。改进算法避开了联合概率数据关联算法中由确认矩阵计算关联矩阵的过程,直接从确认矩阵计算关联概率。仿真实验结果表明:所提算法有效提高了多目标的跟踪精度,降低了算法计算量。     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

基于RW-GA的电力物资配送多目标路径优化

设计了一种基于RW-GA算法的电力物资配送多目标路径优化方案。建立GM模型进行资源预置建模,预测出该地区的电力物资需求量,保障物资仓储量充足,在GM基础上,以时间短、风险小为目标建立多目标物资调度模型。提出了RW-GA算法,采用随机游走算法进行全局搜索,获取最优解备选集,利用遗传算法进行局部搜索获取最优解,规划出多目标约束下的最优路径。仿真结果表明:建立的三级网络GM对电力物资需求的预测精度高,所提RWGA算法能够快速收敛并且稳定性较好,可以快速找到电力物资最优的配送路线。     

确定线性多变量系统结构参数的递推辅助变量算法

本文研究了多变量系统中确定结构参数的递推辅助变量方法。文中采用的模型是输入输出差分方程的一种规范形式。根据Ahmed的结构辨识算法,文中给出了一个改进的算法,此算法是递推形式的,因而大大减少了计算量。     

基于混合差分进化算法的试井分析最优化方法

摘要：试井参数优化是对通过测试得到的油气井井底流压及产量数据得到的油气藏模型参数进行优化处理,得到最符合油气藏实际情况的参数。试井存在多解性,以往使用的最优化方法要求目标函数连续可微,受初值影响较大,是属于寻找局部最优解的办法。为此,提出了一种混合差分进化算法的试井分析最优化方法。将标准差分进化算法加以改进,与模拟退火算法和小生境思想结合在一起,构成一种混合差分进化算法,该算法在保证算法全局搜索能力的同时,能更快地收敛到非线性问题的最优解。进一步将该算法应用到试井分析中,构建了基于混合差分算法的试井分析方法,不需要估计井筒和油藏参数的初值,也不要求目标函数连续可微,优于标准差分进化算法。通过实测试井资料分析,与 L–M 方法相比,效果良好。