CN108345933A - 基于混沌dna遗传算法的重油热解过程建模方法 - Google Patents
基于混沌dna遗传算法的重油热解过程建模方法 Download PDFInfo
- Publication number
- CN108345933A CN108345933A CN201810003529.7A CN201810003529A CN108345933A CN 108345933 A CN108345933 A CN 108345933A CN 201810003529 A CN201810003529 A CN 201810003529A CN 108345933 A CN108345933 A CN 108345933A
- Authority
- CN
- China
- Prior art keywords
- individual
- heavy oil
- parameter
- chaos
- oil thermal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Physiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于混沌DNA遗传算法的重油热解过程建模方法,本发明将DNA遗传算法与混沌优化计算融合,在DNA遗传算法的框架中对性能较差的个体进行混沌优化计算,保留了DNA遗传算法的全局搜索能力较强的特性,同时改善了其局部搜索能力较差的弱点,具有很好的应用和发展前景;将DNA遗传算法用于重油热解过程反应动力学模型的参数估计中,结果表明所见的重油热解过程模型能较好的反应实际系统的非线性特性。
Description
技术领域
本发明涉及智能优化建模技术领域,特别是涉及一种基于混沌DNA遗传算法的重油热解过程建模方法。
背景技术
我国的原油中重质油含量比较高,一般为60%~80%,有的甚至高达80%~100%。如何将这些日益增长的重油轻质化,成为我国炼油工业的重大课题。重油催化裂解技术是在重油催化裂化的基础,与催化裂化技术相比,重油催化裂解技术采用更高的反应温度,重油与催化剂接触,进行深度裂解以增产乙烯、丙烯等低碳烯烃,并同时兼产轻质芳烃。与传统的蒸汽热裂解技术相比,重油催化裂解技术不仅可以降低反应温度,获得更高的低碳烯烃选择性,而且提高了裂解产品分布的灵活性,是重油轻质化的有效手段。为了更好的对重油催化裂解过程进行有效控制,建立准确的催化裂解过程模型是过程控制技术的核心。
石油馏分的集总动力学模型属于机理性模型,模型的参数具有一定的物理意义,适应的范围较广,是研究石油馏分反应动力学较为成熟的方法。模型中的参数越准确,模型的预测能力越强,适应范围越广。但参数估计的难度越大。通过将参数估计问题转化为优化问题,很多传统优化算法可以用来估计反应动力学模型的参数,如最小二乘法等。尽管这些传统优化算法的速度较快,但是由于模型的复杂性和非线性等原因,传统优化算法的全局搜索性能不高,容易陷入局部最优点。
遗传算法是一种模拟生物进化过程的仿生算法,具有很强的易操作性和全局优化性能。然而面对复杂系统,特别是非线性系统时,遗传算法仍存在着许多缺陷,如算法局部搜索能力较低,易早熟收敛等。DNA遗传算法使用碱基对问题的潜在解编码,使用了新型操作算子,具有很强的全局搜索能力,但局部搜索效率并不显著。混沌是一种非线性现象,具有随机性、遍历性,同时又存在着一定的内在规律性。利用混沌的特点提出的混沌优化算法,易跳出局部最优解,结构简单,计算效率高,且不要求优化问题具有连续性和可微性。但是混沌优化方法在搜索空间小时效果显著,但搜索空间大时其效果不一定让人满意。
发明内容
本发明的目的是克服传统遗传算法和混沌优化算法的不足,提出基于混沌DNA遗传算法的重油热解过程建模方法,该方法将混沌DNA遗传算法用于重油热解过程反应动力学模型的参数寻优中,结果表明所建模型能较好的反应实际系统的非线性特性。
基于混沌DNA遗传算法的重油热解过程建模方法,具体步骤如下:
步骤1:通过现场测试或实验获得重油热解过程的输入和输出采样数据,获得N个采样样本;
步骤2:确定重油热解反应动力学模型的Np个待寻优参数;
步骤3:将重油热解反应动力学模型的预测输出值与步骤1中实际数据的输出值之间的误差绝对值之和,作为混沌DNA遗传算法寻优搜索的目标函数;
步骤4:利用混沌DNA遗传算法,将步骤3中的目标函数最小化后作为适应度值函数,基于步骤1的采样样本集,获得重油热解反应动力学模型的寻优参数值;
步骤5:以步骤4中获得的寻优参数值确定重油热解过程模型,通过采样样本进行模型验证。
所述的步骤4中重油热解反应动力学模型的参数值寻优方法,具体包括以下步骤:
步骤4.1:设定混沌DNA遗传算法的控制参数。控制参数包括算法运行的最大代数Glim,种群大小Size,个体编码长度l,变异概率pm,混沌搜索最大代数Nc以及算法的终止准则;终止准则为:算法运行的迭代次数达到最大代数Glim。
步骤4.2:对重油热解反应动力学模型待寻优的Np个参数进行编码,随机生成包含Size个个体的初始种群,每个参数均由字符集{0,1,2,3}编码为一个长度为l的子个体,则一个个体长度为L=Np×l,设当前进化代数为1。
步骤4.3:将种群中每个个体解码为一组重油热解反应动力学模型的参数,获得模型的预测输出值,根据步骤3中的适应度值函数,计算适应度值,再采用精英保留法,利用轮盘赌选择个体,根据适应度值将所有个体分为优质个体SG和劣质个体IG的两类集合;
步骤4.4:在优质个体SG中以概率0.5执行普通交叉操作,操作步骤为随机在SG中选择两个个体,分别在两个个体中随机选取长度相同的两个片段,然后交换两个片段的位置,形成两个新的个体;其次,以0.5的概率执行转位交叉操作,操作步骤为对于SG中每一个个体,随机剪切一个任意长度的片段,然后在该个体中随机选择一个位置,将选中片段插入,形成一个新的个体。
步骤4.5:在劣质个体IG中执行混沌优化操作,对于IG中的每一个个体,在步骤4.3中已经解码为一组重油热解反应动力学模型的参数xi,i=1,2,…,Np,设目前混沌优化代数k=1。对于每一个参数xi,都利用公式(1)和(2)获得一个新的参数x′i
x′i(k)=xi+ti(k)-0.04 (1)
tk+1=4tk(1-tk),k=1,2…N (2)
计算参数x′i对应的适应度值,并与xi的适应度值进行对比,如果比原有个体适应值小,则取代原有个体;否则k=k+1,继续利用公式(1)和(2)获得新的参数,直到迭代次数k大于混沌迭代次数Nc。
步骤4.6:对所有个体执行普通变异操作。对于每一个个体,每一个编码位以变异概率pm随机变化为{0,1,2,3}中的任意数字。
步骤4.7:若当前种群的迭代次数满足要求,则种群停止进化,将种群中适应度值最小的个体解码后获得重油热解模型的参数值,否则进化代数加1,返回步骤4.3。
本发明将DNA遗传算法与混沌优化计算融合,在DNA遗传算法的框架中对性能较差的个体进行混沌优化计算,保留了DNA遗传算法的全局搜索能力较强的特性,同时改善了其局部搜索能力较差的弱点,具有很好的应用和发展前景。
本发明将DNA遗传算法用于重油热解过程反应动力学模型的参数估计中,结果表明所见的重油热解过程模型能较好的反应实际系统的非线性特性。
附图说明
图1为本发明的流程图;
图2为重油热解三集总反应示意图;
图3模型的预测输出与实际输出的比较图。
具体实施方式
下面以一个重油热解的三集总反应过程为例,将结合图1,对本发明实施例中的技术方案进行清楚、完整的描述和讨论。
一个重油热解的三集总反应过程如图2所示。其中假定渣油中大于510℃的甲苯可溶物作为热解反应原料H,M为瞬时中间产物,W为由M生成的中间重质馏分,L为裂解气、轻质馏分及缩合物的集总物,由W转化为集总物L的二次反应为一级反应。在图2中,z为H生成小于510℃诸馏分、热解气及甲苯不溶物的产率之总和,yL为热解气、210-390℃的轻质馏分及缩合产物产率之和,而zw为390℃-510℃的重质中间馏分产率,KP为总热转化反应的反应速度常数,KL为瞬时中间产物M生成集总物L的反应速率常数,KW为瞬时中间产物M生成馏分W的反应速率常数,KWL为W转化成集总物L的反应速率常数。
步骤1:通过现场测试获得56组重油热解过程的输入和输出采样数据,如表所示
步骤2:确定重油热解的三集总反应过程的待寻优参数,重油热解的三集总反应过程的动力学模型为
待寻优的参数为8个,KLP0,KWP0,KWLP0,ELP,EWP,EWLP,nL,nW:其中为集总反应动力学模型的预测值,T为反应温度,KLP0为KL0与KP0的比值,KWP0为KW0与KP0的比值,KWLP0为KWL0与KP0的比值,EL、EP之差与R的比值为ELP,R为气体摩尔常数,EP为总热转化反应的活化能,EL为M生成L的反应活化能,EW、EP之差与R的比值为EWP,Ew为M生成W的反应活化能,EWL、EP之差与R的比值为EWLP,nL为瞬时中间产物M生成集总物L的反应级数,nW为瞬时中间产物M生成馏分W的反应级数。
步骤3:将56组采样数据的重油热解的三集总反应过程动力学模型的预测输出值与步骤1中实际采样数据的输出值之间的误差绝对值之和的最小化函数作为混沌DNA遗传算法寻优搜索的目标函数;
步骤4:利用混沌DNA遗传算法,将步骤3中的目标函数作为适应度值函数,获得重油热解的三集总反应过程动力学模型的寻优参数值,步骤如下:
步骤4.1:设定混沌DNA遗传算法的控制参数。控制参数包括算法运行的最大代数Glim=1000,种群大小Size=80,个体编码长度l=10,普通变异概率pm=0.005,混沌搜索最大代数Nc=50以及算法的终止准则为:算法运行的迭代次数达到最大代数Glim。
步骤4.2:对重油热解反应动力学模型的8个参数进行编码,随机生成包含Size个个体的初始种群,每个参数均由字符集{0,1,2,3}编码为一个长度为l的子个体,重油热解反应动力学模型的参数个数为8个,则一个个体长度为L=8×l,设当前进化代数为1。
步骤4.3:将种群中每个个体解码为一组重油热解反应动力学模型的参数KLP0,KWP0,KWLP0,ELP,EWP,EWLP,nL,nW,对于每一组采样数据的输入,利用公式
获得模型的预测输出值根据步骤3中的适应度值函数,计算适应度值,再采用精英保留法,利用轮盘赌选择个体,根据适应度值将个体分为优质个体SG和劣质个体IG的两类个体集合;
步骤4.4:在优质个体SG中以概率0.5执行普通交叉操作,操作步骤为随机在SG中选择两个个体,分别在两个个体中随机选取长度相同的两个片段,然后交换两个片段的位置,形成两个新的个体;其次,以0.5的概率执行转位交叉操作,操作步骤为对于SG中每一个个体,随机选择一个任意长度的片段,然后在原有个体中随机选择一个位置,将选中片段插入,形成一个新的个体。
步骤4.5:在劣质个体IG中执行混沌优化操作,对于IG中的每一个个体,在步骤4.3中已经解码为一组重油热解反应动力学模型的参数xi,i=1,2,…,Np,设目前混沌优化代数k=1。对于每一个参数xi,都利用公式(1)和(2)获得一个新的参数x′i
x′i(k)=xi+ti(k)-0.04
tk+1=4tk(1-tk),k=1,2…N
计算参数x′i对应的适应度值,并与xi的适应度值进行对比,如果比原有个体适应值小,则取代原有个体,否则k=k+1,继续利用公式(1)和(2)获得新的参数,直到迭代次数k大于混沌迭代次数Nc。
步骤4.6:对所有个体执行普通变异操作。对于每一个个体,每一个编码位以变异概率pm随机变化为{0,1,2,3}中的任意数字。
步骤4.7:若当前种群的迭代次数大于最大迭代次数Glim,则种群停止进化,将种群中适应度值最小的个体解码后,获得重油热解三集总反应动力学模型的参数值,建立重油热解三集总反应动力学模型,否则进化代数加1,返回步骤4.3。
步骤5:获得重油热解三集总反应动力学模型后,获得输出预测值,并与实际输出值相比较,比较结果如图所示。
如图3所示,从测试结果可以看出,本发明提出的一种基于混沌DNA遗传算法的重油热解三集总反应动力学模型输出与实验数据点有很高的吻合性,接近系统的非线性特性。
Claims (2)
1.基于混沌DNA遗传算法的重油热解过程建模方法,其特征在于,该方法具体步骤如下:
步骤1:通过现场测试或实验获得重油热解过程的输入和输出采样数据,获得N个采样样本;
步骤2:确定重油热解反应动力学模型的Np个待寻优参数;
步骤3:将重油热解反应动力学模型的预测输出值与步骤1中实际数据的输出值之间的误差绝对值之和,作为混沌DNA遗传算法寻优搜索的目标函数;
步骤4:利用混沌DNA遗传算法,将步骤3中的目标函数最小化后作为适应度值函数,基于步骤1的采样样本集,获得重油热解反应动力学模型的寻优参数值;
步骤5:以步骤4中获得的寻优参数值确定重油热解过程模型,通过采样样本进行模型验证。
2.根据权利要求1所述的基于混沌DNA遗传算法的重油热解过程建模方法,其特征在于,所述的步骤4中重油热解反应动力学模型的参数值寻优方法,具体包括以下步骤:
步骤4.1:设定混沌DNA遗传算法的控制参数;控制参数包括算法运行的最大代数Glim,种群大小Size,个体编码长度l,变异概率pm,混沌搜索最大代数Nc以及算法的终止准则;终止准则为:算法运行的迭代次数达到最大代数Glim;
步骤4.2:对重油热解反应动力学模型待寻优的Np个参数进行编码,随机生成包含Size个个体的初始种群,每个参数均由字符集{0,1,2,3}编码为一个长度为l的子个体,则一个个体长度为L=Np×l,设当前进化代数为1;
步骤4.3:将种群中每个个体解码为一组重油热解反应动力学模型的参数,获得模型的预测输出值,根据步骤3中的适应度值函数,计算适应度值,再采用精英保留法,利用轮盘赌选择个体,根据适应度值将所有个体分为优质个体SG和劣质个体IG的两类集合;
步骤4.4:在优质个体SG中以概率0.5执行普通交叉操作,操作步骤为随机在SG中选择两个个体,分别在两个个体中随机选取长度相同的两个片段,然后交换两个片段的位置,形成两个新的个体;其次,以0.5的概率执行转位交叉操作,操作步骤为对于SG中每一个个体,随机剪切一个任意长度的片段,然后在该个体中随机选择一个位置,将选中片段插入,形成一个新的个体;
步骤4.5:在劣质个体IG中执行混沌优化操作,对于IG中的每一个个体,在步骤4.3中已经解码为一组重油热解反应动力学模型的参数xi,i=1,2,…,Np,设目前混沌优化代数k=1;对于每一个参数xi,都利用公式(1)和(2)获得一个新的参数x′i
x′i(k)=xi+ti(k)-0.04 (1)
tk+1=4tk(1-tk),k=1,2…N (2)
计算参数x′i对应的适应度值,并与xi的适应度值进行对比,如果比原有个体适应值小,则取代原有个体;否则k=k+1,继续利用公式(1)和(2)获得新的参数,直到迭代次数k大于混沌迭代次数Nc;
步骤4.6:对所有个体执行普通变异操作;对于每一个个体,每一个编码位以变异概率pm随机变化为{0,1,2,3}中的任意数字;
步骤4.7:若当前种群的迭代次数满足要求,则种群停止进化,将种群中适应度值最小的个体解码后获得重油热解模型的参数值,否则进化代数加1,返回步骤4.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810003529.7A CN108345933A (zh) | 2018-01-03 | 2018-01-03 | 基于混沌dna遗传算法的重油热解过程建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810003529.7A CN108345933A (zh) | 2018-01-03 | 2018-01-03 | 基于混沌dna遗传算法的重油热解过程建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108345933A true CN108345933A (zh) | 2018-07-31 |
Family
ID=62960573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810003529.7A Pending CN108345933A (zh) | 2018-01-03 | 2018-01-03 | 基于混沌dna遗传算法的重油热解过程建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345933A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
CN110728039A (zh) * | 2019-09-27 | 2020-01-24 | 中国地质大学(武汉) | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
CN113591395A (zh) * | 2021-08-11 | 2021-11-02 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN115019897A (zh) * | 2022-06-27 | 2022-09-06 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
CN115019897B (zh) * | 2022-06-27 | 2024-06-04 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893852A (zh) * | 2010-07-23 | 2010-11-24 | 浙江大学 | 一种复杂工业过程的多目标建模方法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102663235A (zh) * | 2012-03-20 | 2012-09-12 | 浙江大学 | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 |
CN103279652A (zh) * | 2013-05-13 | 2013-09-04 | 浙江大学 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
-
2018
- 2018-01-03 CN CN201810003529.7A patent/CN108345933A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893852A (zh) * | 2010-07-23 | 2010-11-24 | 浙江大学 | 一种复杂工业过程的多目标建模方法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
CN102419549A (zh) * | 2011-09-13 | 2012-04-18 | 浙江大学 | 混合dna遗传算法的复杂化工过程建模方法 |
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
CN102663235A (zh) * | 2012-03-20 | 2012-09-12 | 浙江大学 | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 |
CN103279652A (zh) * | 2013-05-13 | 2013-09-04 | 浙江大学 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
Non-Patent Citations (3)
Title |
---|
郭鹏飞 等: "《结构优化设计》", 31 December 2005, 东北大学出版社 * |
陈霄 王宁: "基于混沌DNA遗传算法的模糊递归神经网络建模", 《控制理论与应用》 * |
陈霄: "DNA遗传算法及应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
CN110728039A (zh) * | 2019-09-27 | 2020-01-24 | 中国地质大学(武汉) | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
CN110728039B (zh) * | 2019-09-27 | 2021-11-05 | 中国地质大学(武汉) | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
CN113591395A (zh) * | 2021-08-11 | 2021-11-02 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN113591395B (zh) * | 2021-08-11 | 2024-01-30 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN115019897A (zh) * | 2022-06-27 | 2022-09-06 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
CN115019897B (zh) * | 2022-06-27 | 2024-06-04 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101339628B (zh) | 一种具有重构操作的rna遗传算法的化工过程建模方法 | |
CN108345933A (zh) | 基于混沌dna遗传算法的重油热解过程建模方法 | |
CN104615869A (zh) | 一种基于相似度排挤的多种群模拟退火混合遗传算法 | |
CN102331966A (zh) | 面向路径的软件测试数据进化生成系统 | |
CN102663235B (zh) | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 | |
CN102419549B (zh) | 混合dna遗传算法的复杂化工过程建模方法 | |
Shan et al. | Genetic simulated annealing algorithm-based assembly sequence planning | |
Tai et al. | Multi-objective optimisation with hybrid machine learning strategy for complex catalytic processes | |
CN115271161A (zh) | 一种多能负荷短期预测方法 | |
CN113052367A (zh) | 一种基于集成机器学习高效预测钙钛矿的稳定性的方法 | |
Chen et al. | Applying the grey forecasting model to the energy supply management engineering | |
Tayyebi et al. | Fuzzy modeling system based on GA fuzzy rule extraction and hybrid of differential evolution and Tabu search approaches: Application in synthesis gas conversion to valuable hydrocarbons process | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
CN116151303A (zh) | 一种预测多任务多目标优化问题中最佳迁移时机的方法 | |
Sun et al. | Membrane computing based particle swarm optimization algorithm and its application | |
CN105427058A (zh) | 一种基于遗传算法的发动机测试线工位分配优化方法 | |
LIANG et al. | Prediction of optimal rescheduling mode of flexible job shop under the arrival of a new job | |
CN101587562B (zh) | 一种具有星形拓扑结构膜计算的复杂化工过程建模方法 | |
CN114582420A (zh) | 一种基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法及系统 | |
Yijun et al. | GA-BP neural networks for environmental quality assessment | |
Yi et al. | A State Transition Algorithm with Variable Local Candidate Solution Space and its application to Residue Hydrogenation Fractionation Process | |
CN113343589B (zh) | 一种基于遗传-随机常数的基因表达式编程的酸性天然气水合物生成条件预测方法 | |
Liu et al. | Study on multi-objective optimization of oil production process | |
CN117829622A (zh) | 一种含氢综合能源系统的全流程一体化设计方法及系统 | |
Wang et al. | Improved Adaptive and Multi-group Parallel Genetic Algorithm Based on Good-point Set. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |
|
RJ01 | Rejection of invention patent application after publication |