《基于邻域克隆选择学习算法的分馏系统资源优化毕业论文》由会员分享，可在线阅读，更多相关《基于邻域克隆选择学习算法的分馏系统资源优化毕业论文（50页珍藏版）》请在金锄头文库上搜索。
1、宁波大学信息与科学工程学院本科毕业设计（论文） 题目：（中文）基于邻域-克隆选择学习算法的分馏系统资源优化（英文）Optimization of distillation resources based on neighborhood- clonal selection learning algorithm 诚 信 承 诺我谨在此承诺：本人所写的毕业论文基于邻域-克隆选择学习算法的分馏系统资源优化均系本人独立完成，没有抄袭行为，凡涉及其他作者的观点和材料，均作了注释，若有不实，后果由本人承担。 承诺人（签名）： 年 月 日摘 要【摘要】针对化工分馏系统资源优化问题，本文在结合生物免疫的克隆选择
2、和人工免疫网络算法的基础上，采用了Agent的思想，提出了一种邻域-克隆选择学习的全局优化算法（N- Clonalg）。N- Clonalg通过定义网格化的邻域操作环境，使每个个体完成全局-局部的搜索操作。不同于其它人工免疫算法，N-Clonalg的主要搜索算子有邻域克隆选择、邻域竞争和自学习算子，能有机结合全局与局部搜索，多峰测试函数表明能较好地克服了克隆选择算法（Clonalg）的早熟及人工免疫网络算法（Opt-aiNet）收敛速度慢现象，能在个体空间中有效地实现全局最优搜索。分馏系统资源优化的实例表明它具有较好的最优解搜索性能，能较好地实现化工中的寻优问题。但是资源优化模型运行起来速度较
3、慢，针对这一现象，结合神经网络的特点，先用rbf神经网络逼近化工模型，当逼近到一定程度，再调用化工模型进行资源优化。利用这一思维，更好地进行了分馏系统资源优化的进行，更加快捷有效。【关键词】克隆选择学习；邻域-克隆选择学习算法；多模态优化；分馏装置；RBF神经网络。Optimization of distillation resources based on neighborhood- clonal selection learning algorithm Abstract【ABSTRACT】Faced with the problem of resources optimization in
4、 chemical fractionation system, in this paper, we propose a global optimization algorithm(N-Clonalg) of neighbourhood - clonal selection study, which is combined with biological immune clonal selection and artificial immune algorithm based on the network and adapts the idea of Agent. By defining the
5、 grid operating environment of the neighbourhood, so N-Clonalg make each individual complete search operations from local to global. Unlike other artificial immune algorithm, N-Clonalg has the main search operators, such as the neighbourhood clonal selection, neighbourhood competition and self-learn
6、ing operator.Combining global and local search organic, N-Clonalg overcomes the phenonmena of Clonalg precocious and Opt-aiNet slow convergence better and achieves global optimal search effectively in the individual space, which is proved in Multi-peak function test. Indeed, fractional system resour
7、ce optimization examples also show that it has better search performance of the optimal solution, and can better achieve the solution in the optimization problem. However,there is a phenomenon that resource optimization model is running slow.For it,combined with the characteristics of neural network
8、s,using RBF network to approach the chemical model.when the optimization is close to a certain extent,then calling the chenical model for resource optimization.With this opinion,the optimization of the fractionation system resources is better,more efficient and effective.【KEYWORDS】Clonal selection l
9、earning;Neighborhood-clonal selection learning algorithm; Multi-modal optimization; Distillation column;RBF network.目录目录V1绪论11.1选题的意义和背景11.2免疫算法的发展历史和研究现状11.3免疫算法的应用和研究前景21.4本课题的研究内容和研究目标32免疫算法的基本理论42.1免疫算法基础42.1.1免疫系统构成42.1.2免疫系统的主要功能52.2克隆选择算法62.2.1克隆选择学说72.2.2克隆选择算法82.3人工免疫网络算法92.3.1opt-aiNet算法步骤
10、102.3.2opt-aiNet算法分析112.4本章小结113邻域-克隆选择学习算法123.1邻域-克隆选择学习算法的几种算子133.1.1定义133.1.2进化操作算子143.2算法描述153.3算法性能验证163.3.1多峰测试函数收敛性验证163.3.2算法的性能分析和比较203.4算法分析213.5本章小结214邻域-克隆选择学习算法的分馏装置资源优化应用224.1分馏装置模型优化分析224.1.1分馏系统资源优化模型224.1.2装置测试分析234.2邻域-克隆选择学习算法的应用244.2.1收敛性验证244.2.2算法的性能分析和比较254.3本章小结265神经网络-邻域克隆选择
11、学习算法及应用275.1神经网络基础275.1.1神经网络的产生及意义275.1.2神经网络的特征275.1.3神经网络的发展趋势285.2用神经网络逼近化工模型295.2.1RBF神经网络的性质及特点295.2.2RBF神经网络的学习方法315.2.3用RBF神经网络逼近化工模型325.3分馏系统资源优化中的应用335.4本章小结346总结356.1总结356.2展望35参考文献36致谢37附录38III基于邻域-克隆选择学习算法的分馏系统资源优化1 绪论1.1 选题的意义和背景化工过程往往涉及到寻优问题，但因为其寻优的模型的解析表达是不是一个线性的、简单的数学表达式，所以传统的优化策略往往
12、不能解决问题。分馏系统的资源优化就是一个典型例子，其模型很难用明确的数学表达式描述，所以这类优化问题一直是化学工程的难题。与传统的优化技术相比，一些智能进化算法如：遗传、模拟退火和禁忌搜索等虽然通用性强、能并行处理及最终能收敛到全局最优解等优点1。然而在实际应用中，这些算法还存在诸如早熟、难于确定控制参数、收敛速度慢等许多弊病。因此，寻找一种适合复杂工程问题寻优的高效全局优化算法是极其必要的。生物免疫作为一个高效的复杂的系统，可以通过学习、记忆、识别等各种手段来对信息进行处理。因此，生物免疫系统具有整体、局部搜索能力强的特点2。近年来，人们从生物系统中获得灵感，提出了采用免疫计算途径实现的学习
13、方法，如克隆选择算法（Clonalg）3和人工免疫网络算法（Opt-aiNet）4。本文在结合（Clonalg）和（Opt-aiNet）的基础上，并采用Agent的思想，提出了一种邻域-克隆选择学习算法（N- Clonalg），与克隆选择算法(Clonalg )和人工免疫网络算法（Opt-aiNet）相比，该算法具有收敛速度快，全局搜索性能好，更适合于工程优化。于此同时，神经网络由于其大规模并进行处理、容错性、自组织、自适应能力和联想功能等特点，已成为解决很多问题的有力工具。本课题中利用的是神经网络能逼近非线性对象这一特点，将rbf神经网络和邻域-克隆选择学习算法（N- Clonalg)结合，
14、对分馏系统进行资源优化。1.2 免疫算法的发展历史和研究现状免疫算法是一种多峰值搜索算法，它是根据生物免疫系统对病菌的多样性识别能力这一特性研究出来的。免疫反应是有免疫器官及一些特殊的基因产生的一种特异的生理反应。免疫系统对侵入生物系统的抗原产生反应，形成抗体。也就是当生物系统中受到外界病毒侵害，自身免疫系统就被激活，从而使整个生物系统正常运行。从计算的角度看，生物免疫系统具有学习、记忆和特征提取能力，是一个完整的复杂的高效的系统。人类从生物的角度出发，将生物中一些特性，应用到信息处理中。免疫算法就是其中的一例。人工免疫系统也成为人工智能的崭新分支。十九世纪五六十年代，澳大利亚学者Burent
15、提出克隆选择原理，并因此获得诺贝尔奖。后来，他又对该原理进行完善。什么是克隆选择原理？克隆选择原理是一种算法理论，该理论阐述的是对抗原产生的反应，只有识别抗原的细胞才能产生增值。十九世纪末，著名科学家Hunt对克隆选择原理进一步研究，提出另一新的学说，高频变异学说。十九世纪七十年代，诺贝尔获奖者Jerne为免疫网络建立了数学模型，为免疫算法奠定数学基础。之后Farmer5、Perelson6、Bersini、Varela等学者分别在免疫算法这一领域发表相关论文，并作出突出贡献。他们在这方面的突出贡献，为该领域开辟了新的道路。后来在十九世纪末，在美国召开人工免疫系统专题会议，人们对免疫系统的兴趣越来越大。人工免疫系统领域
