基于模型的Atkinson循环发动机燃油经济性遗传算法优化

提出了一种基于一维发动机仿真模型的Atkinson循环发动机部分负荷燃油经济性优化方法。利用建立的Atkinson循环发动机部分负荷GT-Power仿真模型计算优化问题的目标函数值和非线性约束值,MATLAB执行遗传算法操作,MATLAB和GT-Power模型通过GT-Power/Simulink接口进行数据交换。遗传算法优化变量为节气门开度、进气门正时、排气门正时、空燃比和点火角,而约束条件为等值扭矩、排气温度、缸内废气比例和爆震强度。4000r/min时七个负荷点的试验结果表明:经遗传算法优化后发动机的燃油经济性明显改善,最多改善4.82%。

煤-电双目标下基于有模型强化学习的回转窑工艺参数优化

基于煤-电双目标下回转窑工艺参数优化问题,提出了有模型强化学习的解决方法.首先,以固定时间间隔为单位对历史工艺参数和运行目标进行数据处理与聚合.其次,搭建概率神经网络建立回转窑控制参数与影响参数、运行目标值的关系模型,该模型被用作为后期强化学习框架中的奖励模型.然后,利用基于模型的离线策略优化的强化学习算法构建控制参数推荐智能体,同时优化回转窑生产过程的煤电消耗.最后,给出一个案例证明所提方法对回转窑工艺参数优化的适应性、高效性.

改进的MODSA算法在船型优化中的应用

针对传统智能优化算法处理高维优化问题时易陷入局部最优解且优化效率低的问题,文章采用近几年提出的基于模型的动态抽样分配(MODSA)算法作为研究对象,该算法具有处理高维优化问题的潜力,但对某些复杂高维问题很难搜索到全局最优解。为避免MODSA算法陷入局部最优解,采用多元正态分布作为抽样分布并推导相应参数更新式;为进一步提升该算法的优化效率,采用均匀设计确定初始抽样分布的期望值并通过Sigma管理水平自适应确定初始方差。通过数值函数测试结果表明:改进的MODSA算法具有更好的优化性能。最后,将改进的MODSA算法应用于5100TEU集装箱船兴波阻力性能优化。