燃煤鍋爐燃燒優(yōu)化的多目標DNA遺傳算法研究

燃煤鍋爐是燃煤發(fā)電企業(yè)最重要的設備之一，它的燃燒優(yōu)化對于我國電力行業(yè)具有重要意義。通過燃燒優(yōu)化技術提高燃煤鍋爐燃燒效率，可以降低煤耗率，從而降低生產(chǎn)成本，提升發(fā)電企業(yè)競爭力。同時，通過燃燒優(yōu)化技術可以降低NOx排放量，保護環(huán)境。因此，燃煤鍋爐燃燒優(yōu)化控制的研究，可以有效提高電力企業(yè)的經(jīng)濟效益和運行水平，減少污染物排放。解決燃煤鍋爐燃燒優(yōu)化問題關鍵在于所建燃燒過程模型的準確性，而由于燃燒過程的復雜性，難以根據(jù)燃燒過程的物理化學機理，建立準確的過程數(shù)學模型。本項目采用人工神經(jīng)網(wǎng)絡來建立燃煤鍋爐燃燒過程模型。由于建立的神經(jīng)網(wǎng)絡模型中含有大量的未知參數(shù)，如網(wǎng)絡模型結構和網(wǎng)絡參數(shù)等，因此，燃煤鍋爐的燃燒優(yōu)化過程建模問題可以認為是一個多目標非線性復雜優(yōu)化問題，具有大量局部最優(yōu)解，因此可以采用多目標優(yōu)化方法來解決。DNA遺傳算法是一種將生物DNA分子的生物特性及相應的分子操作引入遺傳算法中，建立新的個體編碼方式，并在此基礎上開發(fā)新的操作算子，與傳統(tǒng)遺傳算法相比，具有更好的全局搜索能力。 本項目在三年的研究過程中，致力于多目標DNA遺傳算法的研究，主要包括以下內(nèi)容：一、個體編碼方式。該部分研究內(nèi)容主要包括普通優(yōu)化問題的個體編碼方式及基于網(wǎng)絡模型的個體編碼方式這兩部分的研究內(nèi)容。二、操作算子。該部分研究內(nèi)容主要包括交叉算子、變異算子、普通選擇算子和適用于多目標問題的選擇算子。三、仿真測試。該部分研究內(nèi)容主要包括選擇具有代表性的測試函數(shù)，對提出的各種算子的性能進行測試，并做出相應的改進。四、基于神經(jīng)網(wǎng)絡的建模。該部分研究內(nèi)容為將多目標DNA遺傳算法與人工神經(jīng)網(wǎng)絡結合，建立各種復雜過程的人工神經(jīng)網(wǎng)絡模型，并對所建立的網(wǎng)絡模型進行測試比較。五、基于神經(jīng)網(wǎng)絡模型的預測控制優(yōu)化 該部分研究內(nèi)容為利用基于多目標DNA遺傳算法的人工神經(jīng)網(wǎng)絡對復雜過程建模，并在所建模型的基礎上，利用預測控制方法，對過程進行控制，達到期望的控制目標。

燃煤鍋爐燃燒優(yōu)化技術是提高鍋爐燃燒效率、降低NOx排放量的有效手段，是一種多目標非線性復雜優(yōu)化問題。目前研究學者常采用遺傳算法求解此類燃燒優(yōu)化問題。但遺傳算法易陷入局部最優(yōu)解，導致所建模型精度降低，影響燃燒優(yōu)化效果。與遺傳算法相比，DNA遺傳算法可以顯著提高算法搜索成功率和搜索精度。但是現(xiàn)有的DNA遺傳算法針對多目標處理機制的研究成果較少，處理多目標問題時存在局限性。為了提高燃煤鍋爐系統(tǒng)模型的準確性，達到鍋爐燃燒效率和NOx排放量的優(yōu)化目標，本項目針對DNA遺傳算法的編碼方法、遺傳算子、多目標處理機制進行研究，提出多目標DNA遺傳算法，借助算法的全局搜索性能和有效的多目標處理機制，與建模工具結合建立燃煤鍋爐系統(tǒng)非線性混合模型，并基于所建模型，利用多目標DNA遺傳算法對鍋爐的運行參數(shù)進行優(yōu)化。通過本項目的研究，可以有效提高電力企業(yè)的經(jīng)濟效益和運行水平，減少污染物排放，具有理論意義和應用價值。

第一篇 基礎篇

第1章 基本遺傳算法

1．1 遺傳算法的產(chǎn)生與發(fā)展

1．2 遺傳算法的數(shù)學基礎理論

1．3 基本遺傳算法的構成要素

1．4 基本遺傳算法的遺傳算子

1．5 基本遺傳算法的實現(xiàn)過程

1．6 遺傳算法的特點與優(yōu)點

參考文獻

第2章 多目標優(yōu)化遺傳算法

2．1 多目標優(yōu)化問題的定義和數(shù)學模型

2．2 傳統(tǒng)多目標優(yōu)化方法

2．3 多目標優(yōu)化遺傳算法的基本框架

2．4 典型多目標優(yōu)化遺傳算法

2．5 多目標優(yōu)化遺傳算法中有待解決的問題

2．6 有關多目標優(yōu)化遺傳算法的幾點討論

參考文獻

第3章 小生境遺傳算法

3．1 基本小生境遺傳算法

3．2 克服“早熟”的改進小生境遺傳算法

參考文獻

第二篇 進階篇

第4章 遺傳算法的收斂效率分析

4．1 引言

4．2 GA的收斂效率指標

4．3 基于模式的GA收斂效率分析

4．4 GA的全局收斂性

4．5 遺傳算法控制參數(shù)優(yōu)化策略

4．6 GA早熟問題的定量分析及其預防策略

參考文獻

第5章 新型高效率遺傳算法設計

5．1 引言

5．2 高效率遺傳算子設計

5．3 提高非線性優(yōu)化全局收斂性的新型GA

5．4 求解非線性混合整數(shù)規(guī)劃的新型GA

5．5 求解多目標規(guī)劃的新型GA

5．6 高效率混合GA

5．7 進化算法中的約束處理技術

參考文獻

第三篇 應用篇

第6章 遺傳算法在調(diào)度問題中的應用

第7章 遺傳算法在排序問題中的應用

第8章 遺傳算法在選址問題中的應用

第9章 遺傳算法在指派問題中的應用

第10章 遺傳算法在路徑規(guī)劃中的應用

第11章 遺傳算法在結構優(yōu)化中的應用

第12章 遺傳算法在自動控制中的應用

第13章 遺傳算法在電力系統(tǒng)優(yōu)化中的應用

參考文獻

探針是電測試的接觸媒介，為高端精密型電子五金元器件。

中文名

探針

外文名

test probe

類別

電子五金元器件

含義

電測試的接觸媒介

探針介紹

是一小段單鏈DNA或者RNA片段（大約是20到500bp），用于檢測與其互補的核酸序列。雙鏈DNA加熱變性成為單鏈，隨后用放射性同位素（通常用磷-32）、熒光染料或者酶（如辣根過氧化物酶）標記成為探針。磷-32通常被摻入組成DNA的四種核苷酸之一的磷酸基團中，而熒光染料和酶與核酸序列以共價鍵相連。

當將探針與樣品雜交時，探針和與其互補的核酸（DNA或RNA）序列通過氫鍵緊密相連，隨后，未被雜交的多余探針被洗去。最后，根據(jù)探針的標記物種類，可進行放射自顯影、熒光發(fā)光、酶聯(lián)化學發(fā)光等方法來判斷樣品中是否，或者何位置含有被測序列（即與探針互補的序列）。

吳學文編著的《考慮生態(tài)的多目標水電站水庫混沌優(yōu)化調(diào)度研究》系統(tǒng)探討了考慮生態(tài)的多目標水電站水庫優(yōu)化調(diào)度的理論、方法及其應用問題。主要內(nèi)容包括：緒論、水電站入庫徑流混沌預測、考慮生態(tài)的多目標水電站水庫優(yōu)化調(diào)度模型構建、水電站水庫優(yōu)化調(diào)度混沌遺傳算法設計、水電站水庫優(yōu)化調(diào)度自動化監(jiān)控系統(tǒng)開發(fā)、萬家寨水電站水庫優(yōu)化調(diào)度實例研究、總結與展望等。

《考慮生態(tài)的多目標水電站水庫混沌優(yōu)化調(diào)度研究》可作為水利水電工程技術人員、經(jīng)濟管理人員及廣大水利工作者的參考書，也可作為高等院校水利類相關專業(yè)研究生的教學參考書。