一种新的多种群竞争粒子群优化算法及高密度聚乙烯装置操作优化

合集下载

遗传算法与粒子群优化算法比较

遗传算法与粒子群优化算法比较遗传算法和粒子群优化算法都是优化算法的方法，旨在通过搜索算法来找到问题的最优解。

虽然它们都属于进化算法的范畴，但是其基本思想和具体实现方式存在一定的区别。

首先，遗传算法是以生物进化的理论为基础的一种优化算法。

其基本思想是通过模拟生物的繁殖、竞争和进化过程，以求得问题的最优解。

遗传算法的基本流程如下：初始化种群→选择操作→交叉操作→变异操作→合并原始种群与新种群→评价操作→判断终止条件。

在选择操作中，优秀的个体有更高的概率被选为父代个体，而交叉操作和变异操作则用于创造新的个体。

通过多代的进化，种群中的个体逐渐趋向于最优解。

相比之下，粒子群优化算法（Particle Swarm Optimization, PSO）是一种群体智能算法，受到鸟类群体行为的启发。

其基本思想是通过模拟鸟群中个体之间的协作与信息交流，以求得问题的最优解。

每个个体在搜索空间中以一个粒子的形式进行搜索，通过不断地更新速度和位置，最终找到全局最优解。

粒子群优化算法的基本流程如下：初始化粒子群→更新粒子速度→更新粒子位置→更新粒子的pbest和gbest→判断终止条件。

在更新速度和位置的过程中，粒子受到个体历史最优解（pbest）和全局历史最优解（gbest）的影响，通过不断地调整自身状态来达到优化目标。

从算法特点上来看，遗传算法和粒子群优化算法有一些明显的区别。

首先，遗传算法是通过不断地进化种群来寻找最优解，而粒子群优化算法是通过个体之间的协作与信息交流来寻找最优解。

遗传算法强调种群的交叉和变异操作，个体之间的信息交流比较有限；而粒子群优化算法则强调个体之间的协作和信息交流，并通过速度和位置的更新来进行搜索。

其次，遗传算法在选择操作中通常采用轮盘赌选择、锦标赛选择等方式选取优秀个体作为父代个体，而粒子群优化算法不需要选择操作，通过个体的历史最优位置和全局最优位置来进行搜索。

此外，遗传算法的编码方式通常是二进制编码、浮点数编码等离散或连续的编码方式，粒子群优化算法对搜索空间没有硬性要求，可以适应各种编码方式。

多目标优化算法综述

多目标优化算法综述随着科技的发展和社会进步，人们不断地提出更高的科学技术要求，其中许多问题都可以用多目标优化算法得到解决。

多目标优化算法的发展非常迅速，当前已经有各种综合性比较全面的算法，如：遗传算法、粒子群算法、蚁群算法、模拟退火算法等。

本文将进一步介绍这些算法及其应用情况。

一、遗传算法遗传算法（Genetic Algorithm，简称GA）是一种源于生物学进化思想的优化算法，它通过自然选择、交叉和变异等方法来产生新的解，并逐步优化最终的解。

过程中，解又称为个体，个体又组成种群，种群中的个体通过遗传操作产生新的个体。

遗传算法的主要应用领域为工程优化问题，如：智能控制、机器学习、数据分类等。

在实际应用上，遗传算法具有较好的鲁棒性和可靠性，能够为人们解决实际问题提供很好的帮助。

二、粒子群算法粒子群算法（Particle Swarm Optimization，简称PSO）是一种基于群体智能的优化算法，其核心思想是通过群体中的个体相互协作，不断搜索目标函数的最优解。

粒子群算法适用于连续和离散函数优化问题。

和遗传算法不同，粒子群算法在每次迭代中对整个种群进行更新，通过粒子间的信息交流，误差及速度的修改，产生更好的解。

因此粒子群算法收敛速度快，对于动态环境的优化问题有着比较突出的优势。

三、蚁群算法蚁群算法（Ant Colony Optimization，简称ACO）是一种仿生学启发式算法，采用“蚂蚁寻路”策略，模仿蚂蚁寻找食物的行为，通过“信息素”的引导和更新，粗略地搜索解空间。

在实际问题中，这些target可以是要寻找的最优解（minimum或maximum）。

蚁群算法通常用于组合优化问题，如：旅行商问题、资源分配问题、调度问题等。

和其他优化算法相比，蚁群算法在处理组合优化问题时得到的结果更为准确，已经被广泛应用于各个领域。

四、模拟退火算法模拟退火算法（Simulated Annealing，简称SA）是一种启发式优化算法，通过随机搜索来寻找最优解。

AI人工智能的几种常用算法概念

一、粒子群算法粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。

PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。

这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。

优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性.粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质.但是它比遗传算法规则更为简单,它没有遗传算法的交叉(Crossover)和变异(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优二、遗传算法遗传算法是计算数学中用于解决最佳化的，是进化算法的一种。

多种群粒子群算法-概述说明以及解释

多种群粒子群算法-概述说明以及解释1.引言1.1 概述多种群粒子群算法是一种基于粒子群算法的优化算法，其通过引入多个种群的概念来提高算法的收敛性和搜索能力。

在传统的粒子群算法中，所有粒子共同形成一个群体，通过互相协作和信息交流来搜索最优解。

然而，随着问题规模的增大和复杂性的增加，传统的粒子群算法往往面临着收敛速度慢和易陷入局部最优的问题。

为了克服这些限制，多种群粒子群算法引入了多个种群的概念。

每个种群都有自己的粒子群，通过不同的搜索策略和参数设置来进行搜索。

同时，不同种群之间也进行信息交流和合作，从而促进全局最优解的搜索。

通过引入多种群的思想，多种群粒子群算法能够更好地平衡全局搜索和局部搜索的能力，提高算法的性能和效果。

多种群粒子群算法具有以下几个特点和优势：1. 提高全局搜索能力：通过引入多个种群并且每个种群都采用不同的搜索策略，多种群粒子群算法能够同时从多个方向进行搜索，更好地覆盖搜索空间，提高全局搜索能力。

2. 加速收敛速度：多种群粒子群算法中的群体之间进行信息交流和合作，可以有效地提供更多的搜索方向和经验，从而加速搜索过程并提高算法的收敛速度。

3. 提高搜索精度：通过不同种群之间的信息交流和合作，多种群粒子群算法能够避免陷入局部最优解，从而提高搜索的精度和效果。

4. 适应多样性问题：多种群粒子群算法可以通过不同种群的设置和搜索策略适应不同的问题特性和多样性需求，具有较高的灵活性和适应性。

总之，多种群粒子群算法是一种强大的优化算法，通过引入多个种群的概念，可以克服传统粒子群算法的一些限制，提高算法的搜索能力和效果。

在接下来的文章中，我们将详细介绍多种群粒子群算法的定义和原理，以及其在各个应用领域中的优势和应用案例。

1.2文章结构文章结构部分的内容可以包括以下内容：文章结构：本文主要按照以下结构进行组织和分析：第一部分是引言部分，主要介绍多种群粒子群算法的概述、文章结构以及目的。

第二部分是正文部分，主要包括多种群粒子群算法的定义和原理以及其在应用领域中的优势。

粒子群优化算法的改进研究及在石油工程中的应用

粒子群优化算法在多个工程领域中得到了成功的应用，以下是一些典型的例子：
1、优化问题：粒子群优化算法在函数优化、多目标优化等优化问题中发挥出色，如旅行商问题、生产调度问题等。
2、控制问题：粒子群优化算法在控制系统设计和优化中也有广泛的应用，如无人机路径规划、机器人动作控制等。
3、机器学习问题：粒子群优化算法在机器学习领域中用于参数优化、模型选择等问题，如支持向量机、神经网络等模型的优化。
粒子群优化算法的基本原理
粒子群优化算法是一种基于种群的随机优化技术，通过模拟鸟群、鱼群等群体的社会行为而设计的。在粒子群优化算法中，每个优化问题的解都被看作是在搜索空间中的一只鸟（或鱼），称为“粒子”。每个粒子都有一个位置和速度，通过不断更新粒子的位置和速度来搜索最优解。
粒子群优化算法的实现步骤
粒子群优化算法在石油工程中的应用
石油工程中经常遇到各种优化问题，例如钻井轨迹优化、生产计划优化、储层参数反演等。粒子群优化算法在解决这些优化问题中具有广泛的应用前景。以下是一些具体的应用案例：
1、钻井轨迹优化：在石油钻井过程中，需要确定钻头的钻进轨迹以最大限度地提高油气资源的采收率。粒子群优化算法可以用于优化钻井轨迹，以降低钻井成本和提高采收率。
遗传算法与粒子群优化算法的改进
遗传算法的改进主要包括增加基因突变概率、采用不同的编码方式、调整交叉和突变操作、增加选择策略的多样性等。这些改进能够提高遗传算法的搜索能力和收敛速度，使得其更加适用于求解各种复杂的优化问题。
粒子群优化算法的改进主要包括增加惯性权重、调整速度和位置更新公式、增加约束条件、引入随机因素等。这些改进能够提高粒子群优化算法的全局搜索能力和收敛速度，使得其更加适用于求解各种非线性优化问题。

遗传粒子群优化算法混合

遗传粒子群优化算法混合遗传算法（Genetic Algorithm，GA）和粒子群优化算法（Particle Swarm Optimization，PSO）是两种常见的进化优化算法，它们各自有着优点和不足。

为了充分发挥它们的优势并弥补其不足之处，研究者们对这两种算法进行了混合。

本文将详细介绍遗传粒子群优化算法混合的相关内容。

首先，我们来了解一下遗传算法和粒子群优化算法的原理和特点。

遗传算法是一种模拟生物进化过程的优化算法，其基本思想是通过生物进化中的遗传、变异和选择等算子来最优解。

遗传算法通常由编码、适应度评价、选择、交叉和变异等步骤组成。

编码将待优化问题的解表示为染色体，适应度评价函数用于度量染色体的优劣，选择算子根据适应度选择个体进行繁殖，交叉算子和变异算子模拟生物的遗传和变异操作。

粒子群优化算法是一种模拟鸟群觅食行为的优化算法，其基本思想是通过多个粒子在解空间中的和迭代来找到最优解。

每个粒子都有自己的位置和速度，通过更新速度和位置来不断调整方向和距离。

粒子群优化算法主要包括初始化粒子群、更新速度和位置、更新最优个体和全局最优个体等步骤。

遗传粒子群优化算法混合的基本思想是将粒子群优化算法的能力和遗传算法的全局优化能力结合起来，形成一种新的混合优化算法。

具体来说，在遗传算法的基础上引入粒子群优化算法的思想和操作，使得算法能够更好地在空间中寻找到全局最优解。

将遗传算法和粒子群优化算法进行混合有以下几种常见的方式：1.遗传算法与粒子群优化算法交替使用：先使用遗传算法进行初始化种群和进行交叉变异操作，然后再使用粒子群优化算法进行和更新操作。

通过交替使用这两种算法，可以综合利用它们的优点，提高算法的效率和精度。

2.遗传算子和粒子群优化算法算子的融合：将遗传算法和粒子群优化算法的算子进行融合，形成一种新的算子。

例如，可以将遗传算法的交叉操作与粒子群优化算法的速度更新操作相结合，形成一种新的交叉操作方式；或者将遗传算法的变异操作与粒子群优化算法的位置更新操作相结合，形成一种新的变异操作方式。

遗传算法与粒子群算法的组合在多目标优化中的应用

遗传算法与粒子群算法的组合在多目标优化中的应用多目标优化是现实世界中许多复杂问题的核心挑战之一。

在解决这些问题时，我们通常需要权衡多个目标之间的矛盾，以找到一组最优解，而不是单一的最优解。

遗传算法和粒子群算法是两种常见的优化算法，它们分别基于生物进化和群体智能的原理。

将这两种算法组合起来，可以充分发挥它们的优势，提高多目标优化的效果。

遗传算法是一种模拟生物进化过程的优化算法。

它通过模拟自然选择、交叉和变异等操作，逐代地演化出一组优秀的解。

在多目标优化中，遗传算法可以用来生成一组解的种群，并通过适应度函数来评估每个解的适应度。

然后，通过选择、交叉和变异等操作，不断更新种群，使其逐渐收敛到一组较优解。

遗传算法的优势在于能够在解空间中进行全局搜索，并且能够处理非线性、非凸等复杂问题。

粒子群算法是一种基于群体智能的优化算法。

它模拟了鸟群或鱼群等群体行为，通过不断调整每个个体的位置和速度，来搜索解空间中的最优解。

在多目标优化中，粒子群算法可以用来生成一组解的群体，并通过适应度函数来评估每个解的适应度。

然后，通过更新每个个体的位置和速度，使得整个群体逐渐收敛到一组较优解。

粒子群算法的优势在于能够在解空间中进行局部搜索，并且能够处理连续、离散等不同类型的问题。

将遗传算法和粒子群算法组合起来，可以充分发挥它们的优势，提高多目标优化的效果。

一种常见的组合方法是将遗传算法和粒子群算法交替使用。

首先，使用遗传算法生成一组解的种群，并通过适应度函数评估每个解的适应度。

然后，使用粒子群算法对种群进行局部搜索，更新每个个体的位置和速度。

接着，再次使用遗传算法对种群进行全局搜索，更新种群。

如此循环迭代，直到找到一组较优解。

另一种组合方法是将遗传算法和粒子群算法进行融合。

在这种方法中，遗传算法和粒子群算法的操作可以同时进行。

每个个体既可以通过遗传算法的选择、交叉和变异操作进行更新，也可以通过粒子群算法的位置和速度更新进行调整。

多目标优化的粒子群算法及其应用研究共3篇

多目标优化的粒子群算法及其应用研究共3篇多目标优化的粒子群算法及其应用研究1多目标优化的粒子群算法及其应用研究随着科技的发展，人们对于优化问题的求解需求越来越高。

在工程实践中，很多问题都涉及到多个优化目标，比如说在物流方面，安全、效率、成本等指标都需要被考虑到。

传统的单目标优化算法已不能满足这些需求，因为单目标算法中只考虑单一的优化目标，在解决多目标问题时会失效。

因此，多目标优化算法应运而生。

其中，粒子群算法是一种被广泛应用的多目标优化算法，本文将对这种算法进行介绍，并展示其在实际应用中的成功案例。

1. 算法原理粒子群算法（Particle Swarm Optimization，PSO）是一种仿生智能算法，源自对鸟群的群体行为的研究。

在算法中，将待优化的问题抽象成一个高维的空间，然后在空间中随机生成一定数量的粒子，每个粒子都代表了一个潜在解。

每个粒子在空间中移动，并根据适应度函数对自身位置进行优化，以期找到最好的解。

粒子的移动和优化过程可以通过以下公式表示：$$v_{i,j} = \omega v_{i,j} + c_1r_1(p_{i,j} - x_{i,j}) + c_2r_2(g_j - x_{i,j})$$$$x_{i,j} = x_{i,j} + v_{i,j}$$其中，$i$ 表示粒子的编号，$j$ 表示该粒子在搜索空间中的第 $j$ 个维度，$v_{i,j}$ 表示粒子在该维度上的速度，$x_{i,j}$ 表示粒子在该维度上的位置，$p_{i,j}$ 表示粒子当前的最佳位置，$g_j$ 表示整个种群中最好的位置，$\omega$ 表示惯性权重，$c_1$ 和 $c_2$ 分别为粒子向自己最优点和全局最优点移动的加速度系数，$r_1$ 和 $r_2$ 为两个 $[0,1]$ 之间的随机值。

通过粒子群的迭代过程，粒子逐渐找到最优解。

2. 多目标优化问题多目标优化问题的具体表述为：给出一个目标函数集 $f(x) = \{f_1(x), f_2(x),...,f_m(x)\}$，其中 $x$ 为决策向量，包含 $n$ 个变量，优化过程中需求出 $f(x)$ 的所有最佳解。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（京化工大学信息科学与技术学院，北京１０２）北００９
摘要：利用模糊ｃ均值聚类对种群自适应划分，提出一种基于模糊Ｃ均值聚类的多群竞争粒子群优化算法。根
据种群规模选择不同的寻优策略，规模大者采用标准粒子群算法寻优，规模小者在最优解邻域随机搜索，增大跳出局部最优概率。在每个聚类内部，个体相互通信，通过竞争学习分别找到各聚类种群的适应值，按照不同聚类的适应值排序，再把适应值小者向其邻近的适应值大者融合，通过种群间的竞争保证种群向最算法的全局搜索能力，通过标准函数验证了算法的有效性。最后，把提出的优化算法应用到高密度聚乙烯装置（Ｐ）乙烯单体总消耗的优化操作，实际应用效果良好。ＨＤＥ关键词：模糊聚类；粒子群；多群竞争；高密度聚乙烯
ｖｌｆｅｅｙｃｕｓｅｉｗａｍｏｍｐｅｉｉｅｒｎｓｒｓｅｔｖｌｏａｕｅｏｖｒｌｔｒｎｇｓｒｂｙｃｔｔｖｅｌａｎｉｇｉｅｐｃｉｅｙｆｕｎｄａｒａｅｈｅｏｄｅｆｔｎｄａｒｎｇｄｔｒｒｏｈｅｄｆｅｅｔｄｐｉｅｉｆｒｎａａｔｖｖａｕｅ，ａｄｈｅｔｅｗａｍｏｓｌｄｐｔｖｖａｕｉｅｒｔｓｌｎｔｎｈｓｒｆｍａｌａｉｅａｌｅｎｔｇａｅｗｉｈｈｅｔｔｎｅｇｈｂｉｇｉｏｒｎｓｒｏａｇｄｐｔｖｅｖａｕｗａｍｆｌｒｅａａｉｌｅ，ｅｕｒｎｈｒｉｌｗａｍｓｔｅｒｈｔｎｓｉｇｔｅｐａｔｃｅｓｒｏｓａｃｏｗａｄｓｔｐｉｌｓｌｉｙｔｒｈｅｏｔｍａｏｕｔｏｎｂｈｅｃｍｐｅｉｉｎｉｔｓｒｓＴｈｅａｉｉｙｏｔｔｏｎｈｅｗａｍ．ｖｌｄｔｗａｔｓｅｂｙｈｅｓｅｔｄｔｂｅｃｎｈｍａｋｕｎｃｉｎｓｏｍｐｒｖｔｇｏｂｌｒｆｔｏｔｉｏｅｈｅｌａｓａｃａｂｉｉｙＡｔｌｓ，ｔｒｏｅｌｒｔｍｓｕｓｄｔｐｔｍｉｅｔｐｅａｉｎａｏｉｉｓｏｇｅｒｈｃｐａｌｔ．ａｔｈｅｐｏｐｓｄａｇｏｉｈｗａｅｏｏｉｚｈｅｏｒｔｏｌｃｎｄｔｏｎｆｈｉｈ
ｍｕｔｓｒｏｅｉｖＯ（ＣＭＣＰＳｌ — ｗａｍｓｃｍｐｔｉｅＰＳｉｔＦＯ）ａｇｒｔｍｓｐｏｏｅ．ｃｒｉｇｔｈｃｌｆｔｅｓｒｌｏｉｈｉｒｐｓｄＡｃｏｄｎｏｔｅｓａｅｏｈｗａｍｓ
第６２卷第８期２１０１年８月
化
工学
报
Ｖｏ．２Ｎｏ８１６．
Ａｕｇｕｓ２１ｔ０１
ＣＩＣＪｕｎｌＥＳｏｒａ
一
种新的多种群竞争粒子群优化算法及
高密度聚乙烯装置操作优化
耿志强，韩永明，朱群雄
ｔｅｅｔｄｆｅｅｔｏｔｍａｔａｅｅｏｓｌｃｉｒｎｐｉｌｓｒｔｇｉｓ，ｔｗａｍｆｌｒｃｌｓｓｔｔｎｄａｄｐａｔｃｅｓｒａｇｉｈｍｈｅｓｒｏａｇｅｓａｅｕｅｈｅｓａｒｒｉｌｗａｍｌｏｒｔｔｐｔｍｉｅ，ａｄｈｅｗａｍｏｓａｌｃｌｒｎｏｍｌｓａｃｓｎｈｅｏｏｉｚｎｔｓｒｆｍｌｓａｅａｄｙｅｒｈｅｉｔｏｐｉｌｏｕｉｎｔｍａｓｌｔｏｎｅｇｈｒｏｉｂｏｈｏｄ，
ｉｃｅｓｎｈｒｂｂｌｙｏｕｉｇｏｔｏｈｏａｐｉｚｔｏ．ｉｈｎｅｅｙｃｕｔｒｎ，ｔｅａａｔｖｎｒａｉｇｔｅｐｏａｉｔｆｊｍｐｎｕｆｔｅｌｃｌｏｔｍｉａｉｎＷｔｉｖｒｌｓｅｉｇｈｄｐｉｅｉ
Ａｗｕｔ‘ ｗａｍｓｃｍｐｅｉｉｅｐａｔｃｅｓｒｏｔｍｉａｉｎａｇｒｔｍｎｔｎｅｍｌｉｓｒｏｔｔｖｒｉｌｗａｍｐｉｚｔｏｌｏｉｈａｄｉｓ
ａｌｃｔｏｏｐｒｔｏａｐｉｉａｉｎｉｇｅｓｔｌｅｈｌｎｑｉｅｐｐｉａｉｎｆｒｏｅａｉｎｌｏｔｍｚｔｏｎｈｉｈｄｎｉｙｐｏｙｔｙｅｅｅｕｐｍｎｔ
Ｄ：１．９９ｊｉｓ．４８１５．０１０．１ＯＩ０３６／．ｓｎ０３ — １７２１．８０５
中图分类号：Ｔ８Ｐ１
文献标志码：Ａ
文章编号：０３ — １５（０１０ — ２７ — ０４８１７２１）８１６６
Ａｂｓｒｃ：ＴｈｆｚｙＣｍｅｎｌｔｒｎｇｉｕｓｄｏｉｉｅｈｓｒｄｐｔｖｌｔａｔｅｕｚａｓｃｕｓｅｉｓｅｔｄｖｄｔｅｗａｍｓａａｉｅｙ，ａｄａｕｚＣｅｎｓｎｆｚｙｍａ
ＧＥＮＧｉｉｎＺｈｑａｇ，ＨＡＮＹｏｇｎ，ＺＨＵｎｉｎｎｍｉｇＱｕｘｏｇ
（ｌｅｆｎｒｔｏｃｅｃＣｏｌｇｅＩｆｏｍａｉｎＳｉｎｅ＆Ｔｃｎｌｇｏｅｈｏｏｙ，ＢｅｊｎｉｅｓｔｆＣｅｃｌＴｅｈｏｏｙ，Ｂｅｊｎ００９，Ｃｉａ）ｉｉｇＵｎｖｒｉｙｏｈｍｉａｃｎｌｇｉｉｇ１０２ｈｎ