对于复杂的过程系统而言,优化是改善系统性能的一种有效手段。优化技术对效率的提高、能耗的降低、资源的合理利用及经济效益的提高等均有显著的效果。化工系统是一类典型的复杂系统,随着目标问题的规模越来越大,模型结构也越来越复杂,实现系统的最优化也越来越困难,对现有的优化方法提出了挑战,因此对高效的智能化的优化技术的需求同益迫切。 蚁群优化算法(Ant Colony Optimization,ACO)是20世纪90年代早期出提出的一类群智能优化算法。其优越的问题分布式求解模式在组合优化问题的求解中取得了极大成功,引起了相关领域学者的广泛关注。而很多工程上的实际问题通常可以表达成为一个连续的最优化问题。如何有效地将全局优化性能优越但本质上离散的基本蚁群优化算法应用于连续空间的问题求解,此为亟待应对的挑战,这也是本文的主要研究内容。 本文中,针对基本蚁群优化算法的离散性本质对其进行改进,应用算法混合的一般原则,将蚁群优化的基本思想与其他优化技术相融合,提出了两类基于蚁群优化思想的混合型连续优化算法。通过测试函数优化试验和实际化工系统的优化实践验证了这两类连续蚁群优化算法具有良好的全局优化性能,在化工系统优化领域有较大的应用潜力。本文的主要研究成果可以归纳如下: 针对蚁群优化算法的离散性本质,将蚁群优化策略与实数编码的遗传算法相结合,并引入Powell方法作为优进策略,构建了一种混合连续蚁群优化算法HCACO。它将蚁群分工为全局蚂蚁和局部蚂蚁,分别引领种群中的个体在解空间中进行全局探索搜优和局部挖掘搜优,并在其引领的个体上释放信息素,增强该个体对其他蚂蚁的吸引力。算法调度两类蚂蚁的交替寻优,并且通过信息素来协调蚂蚁的行为,很好地均衡了算法的全局探索能力与局部挖掘能力,使HCACO算法对连续优化问题具有较高的优化效率和稳定性,全局寻优能力强,针对测试函数的优化性能试验的结果很好地说明了这一点。在函数优化试验的基础上对算法的参数取值进行了深入讨论,并给出了各参数的参考取值。最后将HCACO应