基于迭代粒子群算法的间歇过程优化
第２４卷第０６期计算机仿真２００７年０６月文章编号：１００６—９３４８（２００７）０６—０１６０—０４
基于迭代粒子群算法的间歇过程优化
李赣平，阎威武，邵惠鹤
（上海交通大学自动化系，上海２０００３０）
摘要：针对无状态和终端约束的间歇过程动态优化问题，将迭代思想与粒子群优化算法相结合，提出了迭代粒子群算法。算法首先将控制变量离散化，用标准粒子群算法搜索离散控制变量的最优解，并在随后的迭代过程中不断收缩控制变量的搜索域，使优化性能指标和控制轨线不断趋于最优解。为使优化轨线光滑平稳，算法采用三点线性平滑算子对每次迭代结果进行平滑滤波。算法简洁，可行，高效，特别是在系统梯度信息不可得的情况下更具实用性。对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决不含状态和终端约束的间歇过程动态优化问题。
关键词：迭代粒子群算法；间歇过程；动态优化；仿真
中图分类号：ＴＰ２７３文献标识码：Ａ
ＩｔｅｒａｔｉｖｅＰａｒｔｉｃｌｅＳｗａｒｍＡｌｇｏｒｉｔｈｍ
ａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｔｏＢａｔｃｈＰｒｏｃｅｓｓＯｐｔｉｍｉｚａｔｉｏｎ
ＬＩＧａｎ—ｐｉｎｇ，ＹＡＮＷｅｉ—ＷＵ，ＳＨＡＯＨｕｉ—ｈｅ
（ＤｅｐａｒｔｍｅｎｔｏｆＡｕｔｏｍａｔｉｏｎ，ＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０００３０，Ｃｈｉｎａ）ＡＢＳＴＲＡＣＴ：Ｔｏｓｏｌｖｅｄｙｎａｍｉｃｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓｏｆｂａｔｃｈｐｒｏｃｅｓｓｅｓｗｉｔｈｏｕｔｓｔａｔｅｉｎｄｅｐｅｎｄｅｎｔａｎｄｅｎｄ—ｐｏｉｎｔｃｏｎｓｔｒａｉｎｔｓ，ａｎｉｔｅｒａｔｉｖｅｐａｒｔｉｃｌｅｓｗａｒｌｎａｌｇｏｒｉｔｈｍｗａｓｄｅｖｅｌｏｐｅｄ．Ｔｈｅｍａｉｎｉｄｅａｏｆｔｈｅａｌｇｏｒｉｔｈｍｗａｓｔｏｅｘｅｃｕｔｅｔｈｅｓｔａｎｄａｒｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｉｔｅｒａｔｉｖｅｌｙｔｈｅｎｔｈｅｃｏｎｔｒ０１．ｐｒｏｆｉｌｅｗｏｕｌｄｃｏｎｖｅｒｇｅｔＯａｎｏｐｔｉｍａｌｏｎｅ．Ｆｏｒｔｈｅｍｅｔｈｏｄ。ｔｈｅＣＯｎｔｌ＂０１ｉｎｐｕｔｗａｓｄｉｓｃｒｅｔｉｚｅｄｔｏａｆｉｎｉｔｅｎｕｍｂｅｒｏｆｄｅｃｉｓｉｏｎｖａｒｉａｂｌｅｓａｎｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｗａｓｔｈｅｎｕｓｅｄｔＯｓｅａｒｃｈｆｏｒｔｈｅｂｅｓｔｃｏｎｔｒｏｌｖｅｃｔｏｒ．Ｔｈｅｓｅａｒｃｈｉｎｇｓｐａｃｅｃｏｎｔｒａｃｔｅｄａｓｉｔｅｒａｔｉｏｎｓｐｒｏｃｅｅｄｅｄｈｅｎｃｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｉｎｄｅｘａｎｄｃｏｎｔｒｏｌｐｒｏｆｉｌｅｃｏｕｌｄａｃｈｉｅｖｅｔｈｅｂｅ．ａｔｖａｌｕｅ．Ｔｈｅｒｅｓｕｌｔｓｏｆｅａｃｈｉｔｅｒａｔｅｄｃａｌｃｕｌａｔｉｏｎｗｅｒｅｆｉｌｔｅｒｅｄｂｙａｔｈｒｅｅ—ｐｏｉｎｔｌｉｎｅａｒｓｍｏｏｔｈｏｐｅｒａｔｏｒ，ｗｈｉｃｈｍａｋｅｓｔｈｅｏｐｔｉｍａｌｔｒａｊｅｃｔｏｒｙｓｍｏｏｔｈａｎｄｓｔｅａｄｙ．Ｔｈｅａｌｇｏｒｉｔｈｍｗａｓｓｉｍｐｌｅ，ｆｅａｓｉｂｌｅａｎｄｅｆｆｉｃｉｅｎｔ．Ｉｔｉｓｅｓｐｅｃｉａｌｌｙｐｒａｃｔｉｃａｌｗｈｅｎｔｈｅｓｙｓｔｅｍ’Ｓｇｒａｄｉｅｎｔｉｎｆｏｒｍａｔｉｏｎｉｓｕｎａｖａｉｌａｂｌｅ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｏｆａｂａｔｃｈｐｒｏｃｅｓｓｓｈｏｗｓｔｈａｔｔｈｅｉｔｅｒａｔｉｖｅｐａｒｔｉｃｌｅｓｗａｍｉａｌｇｏｒｉｔｈｍｃａｎｓｏｌｖｅｔｈｅｄｙｎａｍｉｃｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓｅｆｆｅｃｔｉｖｅｌｙｉｆｔｈｅｒｅｉｓｎｏｓｔａｔｅｉｎｄｅｐｅｎｄｅｎｔａｎｄｅｎｄ—ｐｏｉｎｔｃｏｎｓｔｒａｉｎｔｓ．
ＫＥＹＷＯＲＤＳ：ｈｅｒａｔｉｖｅｐａｒｔｉｃｌｅａｌｇｏｒｉｔｈｍ；Ｂａｔｃｈｐｒｏｃｅｓｓ；Ｄｙｎａｍｉｃｏｐｔｉｍｉｚａｔｉｏｎ；Ｓｉｍｕｌａｔｉｏｎ
１引言
间歇过程广泛存在于工业生产领域，如化工和半导体生产等领域，用以生产高附加值的产品。间歇生产过程存在着大量的优化控制问题，其优化目的并不是着重在那些最佳条件（设定值）的选择，而在于间歇生产过程结束时间歇单元获得最大的产品产率或产品的质量控制问题。典型的不含状态和终端约束的间歇过程动态优化问题可表述为
ｒａｉ．ｎＪ（“（‘））＝咖（宠（￡ｒ）），
基金项目：国家自然科学基金资助项目（６０５０４０３３）
收稿日期：２００６—０４—２８修回日期：２００６—０５—２６
～１６０一
Ｓ．ｔ．菇＝Ｆ（菇，Ｕ），算（０）＝戈ｏ（１）式中，菇为状态变量，“为控制变量，０为过程结束时间。对于简单的过程对象，上述优化问题可以利用极大值原理、变分法或动态规划求得问题的解析解。但是当间歇过程较为复杂时，以上方法很难求得问题的解析解，因而利用数值方法求解优化问题是必然的选择。但当系统的梯度信息无法获得时，传统的数值解法就不再适用，此时应采用无需梯度信息的迭代动态规划川或智能算法如遗传算法口’３１等方法。但迭代动态规划需对状态变量离散化，致使计算过程十分繁杂；遗传算法虽然算法简单，但计算量易受种群规模影响，当决策变量增加时种群规模也要随之增大，从而使得计算量也随
万方数据万方数据