禁忌搜索与SQP相结合的混合优化算法研究

《禁忌搜索与SQP相结合的混合优化算法研究》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、浙江大学硕士学位论文禁忌搜索与SQP相结合的混合优化算法研究姓名：杨敬申请学位级别：硕士专业：系统工程指导教师：邵之江;陈曦20060515浙江大学硕十学位论文摘要本文对禁忌搜索算法作出改进，提出了一种解决带约束连续优化问题的禁忌搜索算法和一种解决混合整数规划问题的禁忌搜索算法。本文主要的研究成果和创新点包括：(1)提出了一种适用于Ts的约束处理机制。已有的连续禁忌搜索算法都只能解决无约束连续优化问题。由于Ts在搜索过程中产生的邻域候选解都具有一定的随机性，这种随机性使它无法满足各种约束条件。而目前用于启发式算法的约束处理方式基本上基于惩罚函数法，但是惩罚函数法只能对不可行解进行惩

2、罚而无法将其迅速引导到可行区域。因此，本文提出了一种能具有将不可行解快速引导到可行区域的约束处理机制。通过对多个约束进行加权汇总为一个函数，然后利用sQP超线性的局部收敛性能将不可行的邻域候选解迅速地引导到附近的可行区域去。仿真结果表明，在Ts中，采用本约束方法是可行的，优于一般的约束处理方式，Ts结合该种约束处理机制后能够有效地搜索全局最优。(2)提出了一种使用解决混合整数规划问题的禁忌搜索算法。通过对一般混合整数规划模型的分析，可以知道一旦给定混合整数规划模型的整型分量，那么模型就可以转为为一个普通的非线性规划问题。针对该特性，提出了一个具有两层嵌套构架的禁忌搜索算法。在外层，

3、禁忌搜索算法用于最佳整型变量地遍历，而内层则充分利用sQP对NLP子优化问题进行快速求解。仿真结果表明，在解决混合整数规划问题时候，该方法与传统解决M烈LP问题的算法相比，能够有效地避免陷入局部最优。(3)将本文提出的解决M玳lJP问题的Ts算法应用到换热网络过程中去。通过对换热网络的深入分析，提出了一套根据换热网络结构自动建立参数优化模型的机制。当Ts在外层给定换热网络流股匹配后，在内层将对自动建立相应的换热单元参数优化模型进行sQP求解。仿真结果表明在内层采用自动建模的机制相对传统的换热网络方法而言，大大降低了辅助决策变量的维数，提高了计算效率。关键词：禁忌搜索；sQP；约束处

4、理；混合整数规划；换热网络。III浙江大学硕士学位论文AbstractThispaperproposestwonewalgoriⅡlmsabouttabusearch．0lIledIgorimmofTSwhichcombinedwimaⅡcwnestedconstrainthandlillgmemodisproposedt0solVegIobalnonlinearconstrained0pti栅zationproblenls．Anottleralgori山moftabusearchwhichalsocoⅡlbincdwimsQPistos01veIIlixedintcgernonl

5、inearo埘IIlizadonprobl锄s．Its印plicationonheatexchangenetworksynmesis(ⅢNS)isalsostudied．ThemainresultscanbesuⅡⅡ【larizedasf0110ws：(1)Anewconstrainth锄dliIlgmemodforTSisproposed．Uptonow'mostofcontinuoustabusearchalg嘶tllmscouldonlysolVecons栅nt-freecont主nuousnonlinearoptiIIlizationpmblems．However，many

6、problemsareconstrained．Mostcons删nthaIldlingmettlodsarebasedonpenaltyfunction，wtlichisinef!ficientforTsasitishardlytokeepthesearchwitllintIlefe勰iblere百0nbypurelyaddingmepenaltytoⅡleobjcctivcfunction．Anestedme廿10dis血usproposcdtodealwi山cons咖inedopti面zationsbasedonastrategy血atisc印ableofpunishingme

7、caIldidatesoutofⅡlefeasibleregion，1eadingmesearchbackintothefeasiblere百on，andkeepingtllesearchwi血inthefeasiMere百on．ItcombinesSQPa11dcontinuous诅busearchinanes叫inneralldouterloopway．TheSQPalgoIithmisusedtofasts01VeasmallscaleNLPoptimizati