基于多尺度的动态优化策略分析

《基于多尺度的动态优化策略分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要动态优化，作为目前最优控制学科最为重要的研究方向，是解决众多工程领域瓶颈问题的重要工具。通过动态优化算法，得到动态系统的最优控制方案，然后对过程对象加以实施，可以实现动态系统节能、增效、挖潜、降耗等目标。由于动态优化的具有巨大的应用价值，国内外众多专家、学者均对其进行了重点关注和研究，目前，动态优化的应用已广泛渗透到包括航空航天、石油化工、电力电子、生物医学、经济管理等领域。本文首先针对动态优化的基本概念和分类进行了阐述，接着以动态优化的主流计算方法为线索，介绍了该学科的发展历史，最后针对动态优化数值计算中面临

2、的计算效率及精确度受限、难以处理路径约束等困难，提出并实现了一系列多尺度改进动态优化算法，并将其应用于动态过程的经典实例中，取得了良好的结果。本文主要工作及贡献如下：1．针对CVP方法分段数增加后带来的计算效率下降、精确度不高的缺点，引入小波分析方法，实现了MarquardtW．教授(德国过程控制界领军人物，AachenUniversity教授)所提出的小波分析多尺度自适应时间点改进CVP方法(W．CVP)，并以经典动态优化问题作为测试对象，对算法进行了详细研究。结果表明，基于小波分析的多尺度CVP方法，可以有效地

3、降低动态优化中数值计算的时间成本，并提高动态优化计算精度；2．在此基础上，考虑到二代小波计算简单、节省内存的优点，首次提出并实现了基于二代小波多尺度的自适应时间点改进CVP方法(SW．cvP)；并进一步提出了一种快速计算的自适应时间点改进CVP方法(ASW．CVP)，可以在大幅降低多尺度CVP方法计算时间的同时，保证算法的计算精确度在一个合理范围，特别适用于对仿真计算速度要求较高的在线优化：3．进一步，针对W．CVP方法在处理路径约束时遇到的困难，提出了一种有效的结合光滑化惩罚函数的二代小波多尺度改进CVP方法，并

4、阻复杂的催化剂混合问题、同时包含终点约束和路径约束的起重机问题等经典的动态优化问题作为测试对象，对算法进行了详细研究，结果证明本文所提出的方法在处理路径约束上具有有效性；4．进一步，针对小波变换需要事先选择基函数的缺点，提出了一种基于希尔伯特．黄变换的多尺度自适应时间点改进CVP方法(H．CVP)，并以经典的动态优化问题作为测试对象进行了研究。结果表明，本文所提出的基于希尔伯特．黄变换的自适应时间点改进多尺度CVP方法可以有效地对时间点进行自适应的调整，使结果更加符合客观规律。关键词：动态优化；控制变量参数化方法；

5、多尺度分析；小波交换；提升算法；光滑化惩罚函数法；希尔伯特一黄变换IIAbstractAsthemostimportantresearchareaofoptimalcontrol，dynamicoptimizationiSoneofthebestWaystosolvethebottlenecks；nprocessindustries．Byimplementingoptimalcontrolstrategeiesobtainedbythedynamicoptimizationmethodsintodynamicsys

6、tems，objectivessuchassavingenergy，improvingefficiency，exploitingprotential，reducingcostcanbeachieved．Duetothegreatapplicationvalueofoptimalcontrol，computationalmethodsfordynamicoptimizationhavedrawnworldwideattentionsandhavebeenusedinabroadrangeofdiciplines，in

7、cludingaeronauticsandastronautics，oilandchemicalengineering，powersystem，cleanenergy，biomedicaIengineering，economlcasandmanagement．Thisthesisfirstintrodueestheconceptandcatagoryofdynamicoptimizationandthengivesanoverviewofthepopularcomputationalmethods．Sincethe

8、mainprobleminthisfieldiSstrivingtoincreasetheefficiencyofthenurnericalmethodstomeetthedemandsofthesolutionquality，aseriesofrefinedcontrolvectorparameterization(CVP)approachesbasedo