遗传算法(Genetic a lgo rithm s, GA ) 是由Hol-land 教授及其学生首先提出的一种仿照生物学中进化论思想而衍生出的优化算法。遗传算法应用于优化问题的求解, 是一个启发式随机搜索的过程, 与传统的优化搜索算法相比具有可以克服局部最优解的陷阱, 搜索得到全局最优解等特点, 适用于大规模复杂问题的优化。
但是在实际生产过程中, 优化目标函数往往必须在一定的约束条件下进行。目前解决遗传算法中约束问题的方法主要有可行方向法, 惩罚函数法, 二 次规划法等。今天我们通过惩罚函数法解决连续催化重整(CCR )优化操作中的约束问题, 然后将遗传算法应用于该过程中, 实现遗传算法对含约束条件 的CCR 操作的优化。
带约束条件问题的优化算法
对于一般的带约束条件问题的优化目标函数, 可以通过惩罚函数, 即通过给原来的目标函数加一 项由约束函数所构成的惩罚项来生成新的目标函 数, 将含有约束的问题转化为不含约束的问题来解决。
01
外点法
对于一般的约束问题
可以定义如下辅助函数:
其中, Α, Β≥1 均为常数。这样把约束问题转化为无约束问题:
外点法在迭代过程中产生的近似最优解只是近似地满足约束条件, 对于一些要求严格的问题, 得到的效果不是很好, 甚至会出现不适用的情况。
02
内点法
内点法是在可行域的内部迭代求解约束问题, 这类方法不适用于带有等式约束的问题。对于一般问题: