优化是化工生产中经常碰到的问题,其目的是找到问题的最佳参数使目标函数达到最小或最大。而在化工模型的建立过程当中,经常需用到各种优化方法。 常规的优化问题通常采用局部搜索方法,它们有一个共同的特点就是通过迭代来提高问题域中唯一的候选解。这就决定了常规方法只能适用于可能解不是非常大的且定义非常明确的问题。而现实中的问题通常都有很大的搜索空间,同时这些问题的定义也不是非常的明确,因此采用常规的方法要么是解的精度,要么是执行的时间,总是不能令人十分满意。 基于种群的优化算法在解决现实问题时展现出强大功能,他们可在合理的时间内逼近问题的最优解。粒子群优化算法(PSO)是Kennedy和Eberhart源于对鸟群、鱼群和人类社会行为的研究而提出的一种新寻优技术。PSO兼备进化算法和群智能的特征,已经在数值优化问题中表现出非同寻常的求解能力,从而成为进化寻优算法研究的热点之一,其主要特点为简单且不需领域知识。与其他进化算法类似,它也需要一个群体,每个个体称之为粒子。粒子通过自身和群体的最优位置来更新其位移和速度,从而在解空间移动。但是,粒子群优化算法仍存在易陷入局部最小、且搜索精度不高等缺点。 在本文中,对PSO算法的拓扑结构进行了探讨,指出局部模型和冯·诺以曼模型是两种较优的拓扑结构,在今后的应用中,值得进一步的推广。针对PSO局部搜索能力较差,提出一种混合优化算法研究,将模式搜索算法嵌入到PSO算法当中,充分利用PSO的全局搜索能力和模式搜索的局部搜索能力,同时在搜索过程中加入了变异操作来增加种群多样性,以避免早熟收敛的缺点。之后把这种混合算法应用到了流化催化裂解的初始工作条件的优化当中。在科学研究和工程实践中,许多优化问题都带有一定的约束条件,因此本文最后提出了求解约束优化问题的一种改进的PSO算法。