CN108107737B - 基于熵最小的蔗汁澄清过程的协同优化方法 - Google Patents

基于熵最小的蔗汁澄清过程的协同优化方法 Download PDF

Info

Publication number
CN108107737B
CN108107737B CN201711457315.9A CN201711457315A CN108107737B CN 108107737 B CN108107737 B CN 108107737B CN 201711457315 A CN201711457315 A CN 201711457315A CN 108107737 B CN108107737 B CN 108107737B
Authority
CN
China
Prior art keywords
subsystem
individuals
clarification
optimization method
objective function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711457315.9A
Other languages
English (en)
Other versions
CN108107737A (zh
Inventor
蒙艳玫
蓝启亮
张金来
余双双
叶春博
谢延鹏
李广全
陆冠成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN201711457315.9A priority Critical patent/CN108107737B/zh
Publication of CN108107737A publication Critical patent/CN108107737A/zh
Application granted granted Critical
Publication of CN108107737B publication Critical patent/CN108107737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Non-Alcoholic Beverages (AREA)

Abstract

本发明涉及一种基于熵最小的蔗汁澄清过程的协同优化方法，作用在蔗汁澄清过程的自动控制系统上，所述协同优化方法包括：根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统；根据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数；对所述目标函数进行求解，输出优化结果。本发明提供的基于熵最小的蔗汁澄清过程的协同优化方法，实现了在保证算法的局部搜索能力的基础上，兼顾算法的全局搜索能力，从而使澄清系统达到最优，提升澄清纯度、效果和效率，进而提高蔗糖的提取和最终产品质量。

Description

基于熵最小的蔗汁澄清过程的协同优化方法
技术领域
本发明涉及甘蔗澄清工艺过程自动化控制与设备设计优化领域，特别涉及一种基于熵最小的蔗汁澄清过程的协同优化方法。
背景技术
广西是蔗糖的主产区，蔗糖产量占全国产糖量的一半以上，制糖业是广西的支柱产业。加入WTO后，国内食糖市场逐步放开，受机械化和自动化生产水平不高以及国外进口食糖冲击等因素影响，我国甘蔗糖业市场竞争力下降，有重蹈大豆和玉米行业覆辙，被进口食糖冲垮的危险。面临国外市场竞争压力与高额的国外先进自动化制糖设备引进费用，中国糖业发展的唯一的出路还是需要依靠自主研发和创新改进制糖生产的自动化生产水平。
蔗糖澄清是一个多工序的复杂过程，从制糖原料中提取的糖汁除了含有较多的蔗糖分之外，还含有诸如还原糖、多糖、蛋白质、氨基酸、胶体物、植物色素、蔗屑、泥沙等成分复杂的各种有机、无机非蔗糖杂质，这些成分经过加灰、一次加热、硫熏、二次加热等澄清手段时会发生蔗糖分的转化、美拉德反应、钙化物和硫化物的沉淀等一系列的物理化学变化。
基于此本发明的发明人发现，在蔗糖澄清过程中，对物理化学变化控制不当就容易使得蔗糖分丢失严重、色值去除不理想、澄清汁纯度不够以及澄清汁含硫量偏高等一系列不良后果，严重影响蔗糖的提取和最终产品质量。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
有鉴于此，本发明要解决的技术问题是，如何提供一种基于熵最小的蔗汁澄清过程的协同优化方法，以解决现有的蔗糖澄清汁纯度不够，严重影响蔗糖分的提取和最终产品质量的问题。
为解决以上技术问题，本发明提供一种基于熵最小的蔗汁澄清过程的协同优化方法，作用在蔗汁澄清过程的自动控制系统上，所述协同优化方法包括：根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统，其中，所述物质子系统包括：被加工的物质的状态数据，所述能量子系统包括当前工艺过程中产生能量的状态数据，所述信息子系统包括澄清过程中目标控制量的设定值和当前的设备的状态数据；根据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数；对所述目标函数进行求解，输出优化结果。
在一种可能的实现方式中，所述对所述目标函数进行求解包括：对所述目标函数中的参数值进行初始化；生成初始群体；对所述初始群体中的个体进行格雷码编码；对格雷码编码后的个体进行适应度计算，并根据所述适应度进行预设处理；对进化代数进行判断，当进化代数达到最大进化代数时，当前解为优化结果。
在一种可能的实现方式中，对格雷码编码后的个体进行适应度计算，并根据所述适应度进行预设处理包括：对所述格雷码编码后的个体进行选择运算；对选择运算后的个体进行交叉运算与变异运算；统计上述运算处理后的结果，解码优良个体；梯度运算替换优良个体并对替换个体进行格雷码编码；计算替换个体格雷码编码后的海明距离；对海明距离满足设定的海明距离范围的个体，按照海明距离进行排序，对海明距离大的预设数量的个体实施惩罚；对海明距离不满足设定的海明距离范围的个体实施精英策略。
在一种可能的实现方式中，所述目标函数中的参数值，包括：设置种群进化的代数、约束变量范围以及交叉与变异参数。
本发明提供的基于熵最小的蔗汁澄清过程的协同优化方法，通过根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统；据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数，对所述目标函数进行求解，输出优化结果，实现了在保证算法的局部搜索能力的基础上，兼顾算法的全局搜索能力，从而使澄清系统达到最优，提升澄清纯度、效果和效率，进而提高蔗糖的提取和最终产品质量。
根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面，并且用于解释本发明的原理。
图1示出本发明提供的蔗汁澄清过程的工艺流程图；
图2示出本发明提供的物质子系统、能量子系统以及信息子系统之间的协同控制关系的结构示意图；
图3示出本发明实施例一提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图；
图4示出本发明实施例二提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图；
图5示出本发明实施例三提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件未作详细描述，以便于凸显本发明的主旨。
图1示出本发明提供的蔗汁澄清过程的工艺流程图，如图1所示，本实施例从“流”的角度分析，蔗汁澄清过程由物质流、能量流和信息流组成，物质流是被加工的主体，包括混合汁、石灰乳、磷酸和二氧化硫等；能量流是工艺过程的驱动力，包括加热蒸汽的热能、化学反应的化学能以及废热等；信息流为物质流行为、能量流行为和外界环境信息的反应以及人为调控信息总和，包括pH值、硫熏强度、含硫量、反应时间、色值和纯度等等。物质流是能量流和信息流的载体，物质的流动伴随着能量的转换、利用和回收的同时信息也随着不断的产生、传递与处理。根据物质流、能量流和信息流将澄清系统分为三个子系统，物质子系统、能量子系统以及信息子系统。
图2示出本发明提供的物质子系统、能量子系统以及信息子系统之间的协同控制关系的结构示意图，如图2所示，澄清系统包括系统协同控制层和3个子系统(物质流子系统、能量流子系统和信息流子系统)。协同控制的任务是在各个子系统局部最优的基础上适当的处理各子系统之间的相互关联，即合理分配熵。若设定系统总体优化目标是澄清过程熵的最小值，设系统控制指标为X＝{x1,x2,…xn},n＝1,2,…N,N表示系统控制层控制目标的总数；各个子系统关联控制指标为Xk＝{xk1,xk2,…xkj},k＝1,2,3；j＝1,2,…Jk；Jk≤N；各子系统辅助变量为Pm＝{Pm1,Pm2,…Pmi},m＝1,2,3；i＝1,2,…Im,Im≤N；辅助变量是建立子系统目标函数时引入的独立变量，是该子系统所特有变量，与其它子系统无关，它的取值可根据分析计算和实验数据所得；f1,f2和f3分别是各个子系统的目标函数。
各个子系统之间存在大量耦合关系，耦合变量为同时约束两个或两个以上子系统目标函数的变量，耦合变量与多个目标函数同时存在某种关系，耦合变量可既是控制指标，也是约束条件。
图2中，ε1、ε2、ε3为协同偏差，λ1、λ2、λ3为协同变量，g(x)、h(x)为约束条件。基于三流协同的蔗汁澄清过程全局协调优化问题是一个多目标优化问题，各个子系统目标函数受到性态约束和变量约束。
由此，要实现整个系统的全局最优化，就是使得目标函数极小化，就要达到相对熵的最小化：
Figure GDA0002956438390000051
本申请中，蔗汁澄清系统是一种动态持续运行的系统,将其抽象为物质流、能量流和信息流的相互作用和相互影响,更有利于剖析生产过程中的动态行为、效果和相互作用的机制，协调生产过程中的各种相互作用力，强化澄清过程传热、传质和相变效果，利用有效协同优化控制打破传统澄清系统对蔗汁清净效果和效率的限制,降低废气排放，大幅提高澄清设备生产能力及工艺性能,为制糖企业优质高产、节能减排寻求新的突破口，有效解决我国制糖企业自动化技术水平严重落后现状。
实施例一
图3示出本发明实施例一提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图，如图3所示，该方法作用在蔗汁澄清过程的自动控制系统上，所述协同优化方法包括以下步骤。
步骤S1，根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统，其中，所述物质子系统包括：被加工的物质的状态数据，所述能量子系统包括当前工艺过程中产生能量的状态数据，所述信息子系统包括澄清过程中目标控制量的设定值和当前的设备的状态数据；
步骤S2，根据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数。
步骤S3，对所述目标函数进行求解，输出优化结果。
由此，本实施例通过根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统；据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数，对所述目标函数进行求解，输出优化结果，实现了在保证算法的局部搜索能力的基础上，兼顾算法的全局搜索能力，从而使澄清系统达到最优，提升澄清纯度、效果和效率，进而提高蔗糖的提取和最终产品质量。
实施例二
图4示出本发明实施例二提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图，如图4所示，在图4中与图3采用相同附图标记的步骤均与图3适用于相同的文字说明，在此不再赘述。本实施例中提供的协同优化方法，对图3中的步骤S3进一步限定。
本实施例中的步骤S3，可以包括以下步骤。
步骤S31，对所述目标函数中的参数值进行初始化。
具体地，所述目标函数中的参数值，可以包括：设置种群的进化代数、约束变量范围以及交叉与变异参数。
步骤S32，生成初始群体P(t)。
具体地，为了使初始种群均匀分布在整个解空间，将整个解空间划分为2N个小区间，对其中N个小区间每个区间随机生成M个个体，对NM个个体进行梯度优化生成另外一部分个体。
步骤S33，对所述初始群体中的个体进行格雷码编码。
具体地，格雷码相对于二进制编码更适用于连续函数的优化问题，且任意两个相邻正数的格雷码海明距为1，能够增强遗传算法的局部搜索能力。
步骤S34，对格雷码编码后的个体进行适应度计算，并根据所述适应度进行预设处理。
步骤S35，对进化代数进行判断，当进化代数达到最大进化代数时，当前解为优化结果，输出该最优结果。
步骤S36，当进化代数没有达到最大进化代数时，执行步骤S34。
由此，实现了在保证算法的局部搜索能力的基础上，兼顾算法的全局搜索能力，从而使澄清系统达到最优，进一步提升澄清效果和效率，降低排放。
实施例三
图5示出本发明实施例三提供的基于熵最小的蔗汁澄清过程的协同优化方法的流程图，如图5所示，在图5中与图4采用相同附图标记的步骤均与图4适用于相同的文字说明，在此不再赘述。本实施例中提供的协同优化方法，对图4中的步骤S34进一步限定。
本实施例中的步骤S34进一步包括以下步骤。
步骤S341，对所述格雷码编码后的个体进行选择运算。
具体地，对群体进行赌盘法选择运算，各个个体被选中的概率与其适应度大小成正比。
步骤S342，对选择运算后的个体进行交叉运算与变异运算。
步骤S343，统计上述运算处理后的结果，解码优良个体。
步骤S344，梯度运算替换优良个体并对替换个体进行格雷码编码。
步骤S345，计算替换个体格雷码编码后的海明距离。
步骤S346，对海明距离满足设定的海明距离范围的个体，按照海明距离进行排序，对海明距离大的预设数量的个体实施惩罚。
步骤S347，对海明距离不满足设定的海明距离范围的个体实施精英策略。
由此，实现了在保证算法的局部搜索能力的基础上，兼顾算法的全局搜索能力，从而使澄清系统达到最优，进一步提升澄清效果和效率，降低排放并且加快算法的收敛速度。
本实施例中的遗传算法通过首先设置好真个演化过程的初始条件(范围、演化代数等)通过随机生成初代种群，使每个个体都有特有的基因。由于格雷码的独特优势，将每个个体的基因简化为对每个个体进行格雷码编码，然后该种群P(t)的个体随机的经过演化染色体之间会发生交叉和变异，这里为设置对应的交叉算子和变异算子，统计进化后的优良个体，通过梯度运算优化替代优良个体可以加快算法的收敛速度。解码后进行梯度优化，之后按照一定的规则进行适者生存优胜劣汰的方式(也就是通过小生境排挤法保护一定的生物多样性的同时排出掉一定的适应度差的个体)淘汰一批适应度差的个体，获得新的一代种群P(t+1)。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

Claims (4)

1.一种基于熵最小的蔗汁澄清过程的协同优化方法，作用在蔗汁澄清过程的自动控制系统上，其特征在于，所述协同优化方法包括：
根据澄清系统中物质的基本特性、所涉及的因素以及流动变化的关系，对所述澄清系统进行划分，将所述澄清系统分为物质子系统、能量子系统以及信息子系统，其中，所述物质子系统包括：被加工的物质的状态数据，所述能量子系统包括当前工艺过程中产生能量的状态数据，所述信息子系统包括澄清过程中目标控制量的设定值和当前的设备的状态数据；
根据所述物质子系统、所述能量子系统以及所述信息子系统与澄清系统之间的相对熵最小化，构建目标函数；以及
对所述目标函数进行求解，输出优化结果。
2.根据权利要求1所述的协同优化方法，其特征在于，所述目标函数进行求解包括：
对所述目标函数中的参数值进行初始化；
生成初始群体；
对所述初始群体中的个体进行格雷码编码；
对格雷码编码后的个体进行适应度计算，并根据所述适应度进行预设处理；和
对进化代数进行判断，当进化代数达到最大进化代数时，当前解为优化结果。
3.根据权利要求2所述的协同优化方法，其特征在于，所述对格雷码编码后的个体进行适应度计算，并根据所述适应度进行预设处理包括：
对所述格雷码编码后的个体进行选择运算；
对选择运算后的个体进行交叉运算与变异运算；
统计上述运算处理后的结果，解码优良个体；
梯度运算替换优良个体并对替换个体进行格雷码编码；
计算替换个体格雷码编码后的海明距离；
对海明距离满足设定的海明距离范围的个体，按照海明距离进行排序，对海明距离大的预设数量的个体实施惩罚；以及
对海明距离不满足设定的海明距离范围的个体实施精英策略。
4.根据权利要求2所述的协同优化方法，其特征在于，所述目标函数中的参数值，包括：
设置种群的进化代数、约束变量范围以及交叉与变异参数。
CN201711457315.9A 2017-12-28 2017-12-28 基于熵最小的蔗汁澄清过程的协同优化方法 Active CN108107737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711457315.9A CN108107737B (zh) 2017-12-28 2017-12-28 基于熵最小的蔗汁澄清过程的协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711457315.9A CN108107737B (zh) 2017-12-28 2017-12-28 基于熵最小的蔗汁澄清过程的协同优化方法

Publications (2)

Publication Number Publication Date
CN108107737A CN108107737A (zh) 2018-06-01
CN108107737B true CN108107737B (zh) 2021-05-18

Family

ID=62214213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711457315.9A Active CN108107737B (zh) 2017-12-28 2017-12-28 基于熵最小的蔗汁澄清过程的协同优化方法

Country Status (1)

Country Link
CN (1) CN108107737B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076698B (zh) * 2021-04-20 2022-05-31 广西大学 基于车间大数据的动态多目标协同优化方法和系统
CN113139622B (zh) * 2021-05-14 2022-09-30 广西大学 一种基于大数据驱动的mf-ef-if制造系统特征提取方法
CN115577781B (zh) * 2022-09-28 2024-08-13 北京百度网讯科技有限公司 量子相对熵确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834822A (zh) * 2015-05-15 2015-08-12 无锡职业技术学院 一种基于文化基因算法的传递函数辨识方法
CN106094776A (zh) * 2016-08-26 2016-11-09 广西宏智科技有限公司 糖厂制炼过程物料、热力平衡自动控制系统
CN106778826A (zh) * 2016-11-25 2017-05-31 南昌航空大学 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
CN107203590A (zh) * 2017-04-24 2017-09-26 北京工业大学 基于改进nsga‑ii的个性化电影推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1417344A (en) * 1973-05-11 1975-12-10 Tate & Lyle Ltd Recovery of sucrose
US7338562B2 (en) * 2004-03-16 2008-03-04 Fabio Alessio Romano Dionisi Sugar cane juice clarification process
CN103365274A (zh) * 2013-07-09 2013-10-23 广西宏智科技有限公司 糖厂澄清、蒸发过程自动控制系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834822A (zh) * 2015-05-15 2015-08-12 无锡职业技术学院 一种基于文化基因算法的传递函数辨识方法
CN106094776A (zh) * 2016-08-26 2016-11-09 广西宏智科技有限公司 糖厂制炼过程物料、热力平衡自动控制系统
CN106778826A (zh) * 2016-11-25 2017-05-31 南昌航空大学 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
CN107203590A (zh) * 2017-04-24 2017-09-26 北京工业大学 基于改进nsga‑ii的个性化电影推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于小生境技术的混合遗传算法;姜封国;《Proceedings of the 29th Chinese Control Conference》;20100731;第5276-5279页 *
基于网络分析法的我国银行间风险传染效应研究;廖为鼎等;《金融监管研究》;20141231;第63-64页 *
基于遗传算法的血液细胞图像分割方法研究;陈立英;《信息科技辑》;20081115;第11-19页 *

Also Published As

Publication number Publication date
CN108107737A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108107737B (zh) 基于熵最小的蔗汁澄清过程的协同优化方法
Cheng et al. Differential evolution algorithm with fitness and diversity ranking-based mutation operator
Guignard et al. Genome size and ploidy influence angiosperm species' biomass under nitrogen and phosphorus limitation
Sarkar et al. Pareto-optimal solutions for multi-objective optimization of fed-batch bioreactors using nondominated sorting genetic algorithm
CN102413029B (zh) 基于分解的局部搜索多目标复杂动态网络社区划分方法
CN101271572A (zh) 基于免疫克隆选择聚类的图像分割方法
WO2017075292A1 (en) Systems and methods for determining relative abundances of biomolecules
CN105094970B (zh) 一种求解分布式系统下可分任务多趟调度模型的方法
CN104834329A (zh) 一种模糊控制调整遗传算法优化参数的方法及其应用
CN105740949A (zh) 一种基于随机性best策略的群体全局优化方法
CN104573004B (zh) 一种基于双阶遗传计算的基因表达数据的双聚类方法
CN107679326B (zh) 一种二值fprm电路面积与延时综合优化方法
CN116306919A (zh) 基于问题重组的大规模多目标组合优化方法及应用
Beeram et al. Selection of suitable and sustainable clarificants and clarification method for non-centrifugal sugar production using MCE
CN116631496A (zh) 一种基于多层异构图的miRNA靶标预测方法及系统和应用
CN109086469B (zh) 基于递归神经网络与偏好信息的铝电解建模与优化方法
Zhang et al. Application of genetic algorithm in optimization of fuzzy control rules
CN100380395C (zh) 一种遥感影像的人工免疫监督分类方法
Diao et al. PA-NAS: Partial operation activation for memory-efficient architecture search
CN115295156A (zh) 一种基于关系图卷积网络融合多源信息预测miRNA-疾病的方法
Khalil et al. Models of dynamical synapses and cortical development
Su et al. Efficient GA approach combined with Taguchi method for mixed constrained circuit design
Sunori et al. GA based optimization of quality of sugar in sugar industry
Bao et al. Evolvable image filter design with multi-objectives
Sree et al. HMACA: Towards Proposing a Cellular Automata Based Tool for Protein Coding, Promoter Region Identification and Protein Structure Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant