一、选题依据：

1：课题来源

本课题来源于指导教师承担的科研任务

2：课题研究意义、国内外研究现状分析

人们在日常生活中经常会遇到各种各样的优化问题，其中一些问题可以通过传统的优化方法进行求解，这些传统的优化方法既可以应用在经济学的领域，也可以应用在诸如运筹学领域、机械工程领域、图像处理领域、电子工程领域以及材料分析领域。实践表明，在同等条件下，通过优化技术的运用对能耗的降低、资源的合理利用、效率的提高以及过程对象的精确建模等有显著的效果^。但随着人类生存空间的扩大以及认识和改造世界范围的拓宽，人们对科学技术提出了更新的和更高的要求，其中对智能计算和更加高效的优化技术的要求更是迫在眉睫。

优化理论和方法的起源可以追溯到微积分产生的年代，然而直到20世纪30年代，由于军事和工业生产等方面的迫切需要，才使得优化方法的研究得到了蓬勃的发展。随着人类对科学计算的要求的不断提高，早起的一些经典优化方法已经不能完全满足工程优化领域的要求，比如用于解决线性问题的单纯形法、用于求解非线性规划的梯度下降法、牛顿法、共轭梯度法，以及用于求解约束优化问题的拉格朗日乘子法。这些方法求解无约束或者线性有约束的最优值问题具有很好的鲁棒性与快速性，但固有的对初值的依赖性使得基于梯度的方法容易陷入局部极值（给定初值后，解唯一），当问题有多个局部极值时很难找到全局最优解。而来后发展起来的解析法、枚举法和随机搜索法^[3]也同样有很多不足。解析法要求目标函数和约束域可用解析式表示，难以用于求解目标函数不连续、约束域不连通、目标函数难以用解析式表达、解空间具有多峰特性等问题的求解。枚举法简单易行，但它需要计算搜索空间中的每一个点的值，效率低下。随机搜索法则是通过在搜索空间内随机漫游并随时记录下所取得的最好结果，其效率依然不高，而且只有解在搜索空间紧密分布时，才能找到最优解，这个条件一般很难满足。针对工程中的优化问题的复杂性、约束性、非线性、多局部极小点、建模困难等特点，寻找搜索性能更为出色的具有智能化的优化方法已经成为一个重要的研究方向。

粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为”粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次叠代中，粒子通过跟踪两个”极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。

国内外一些PSO所取得的成果：任子晖, 王坚提出一种加速收敛的粒子群优化算法^[1]，并从理论上证明了该算法的快速收敛性,同时对该算法中的参数进行了优化。徐刚, 瞿金平, 杨智韬分析了粒子群优化算法的收敛性，指出了粒子速度与搜索失败的关系，提出了一种根据速度信息自适应调整参数的粒子群优化算法^[2]。陈霄提出了多种新型交叉算子和提出了一种混合DNA遗传算法多种新型变异算子^[3]，并将所提出的新型交叉和变异算子在DNA遗传算法中配合使用。提出了一种双链DNA遗传算法的广义回归神经网络建模方法,用来解决非线性系统建模问题。提出了一种混沌DNA遗传算法的T-S模糊递归神经网络建模方法，还提出了一种多目标DNA遗传算法。丁玉凤, 文劲宇将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程.为提高PSO的搜索能力，对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向，并引入了"飞回"策略^[4]。对IEEE-30节点系统的仿真计算结果表明了算法的有效性.李宁提出粒子群优化算法(PSO)是一种基于群智能的优化方法^[5]，讨论了可以进一步研究的工作和方向,其中包括群智能理论的扩展和定义、PSO算法的收敛率分析、PSO算法分析的数学手段和PSO算法在组合问题上如何应用等几个方面。高芳对粒子群优化算法进行了深入的理论分析^[6]，面向连续优化问题和组合优化问题,针对算法所存在的问题提出几种相应的改进新算法,并将其应用到具体工程实践中。付国江, 王少梅, 李宁提出了一种新型的PSO变异策略^{[7]#8212;#8212;}CPg变异，该变异策略的首先定义了全局收敛度最大位置C，并在搜索循环的每次迭代中，以一定的概率交替使用C和Pg来代替原迭代公式中的Pg。秦全德提出两种改进的单目标粒子群算法^[8] ①提出基于动态邻居和广义学习的粒子群算法(DNMPSO) ②提出基于K均值聚类的动态多种群粒子群算法(KDMSPSO)。段方红采用面向对象的软件工程方法对系统软件的功能进行了分析^[9]，并描述了系统主要功能模块的实现细节，介绍了软件在现场中的运行情况。张文爱,李喜林介绍了基于模拟退火思想的粒子群算法的基本原理^[10]，并将之应用于盲源分离算法中，以解决基本粒子群算法收敛速度缓慢的问题.王立新提出了模糊数学与模糊逻辑中一些对于模糊系统理论有用的概念和原理^[11]，模糊系统的各组成部分，设计模糊系统的四种方法，模糊控制与非自适应模糊控制方法。谢晓锋, 张文俊, 杨之廉讨论微粒群算法的开发与应用^[12]。讨论一些非标准的改进手段, 如簇分解、选择方法、邻域算子、无希望/重新希望方法等。介绍了一些常用的测试函数, 以及与其他演化算法的比较。最后讨论了一些已经开发和在将来有希望的领域中的应用。王万良, 唐宇介绍了微粒群算法的产生背景^[13]，基本算法，算法流程，算法参数及其对算法性能的影响．围绕微粒群算法的改进形式，算法的应用等方面对微粒群算法的研究现状进行全面综述，其中特剐提到了算法在生产调度领域的研究现状．最后就PSO算法进一步的研究工作进行了探讨和展望．薛明志,左秀会,钟伟才等提出了一种新型的微粒群算法#8212;#8212;正交微粒群算法^[14]。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。郝文化 文自勇等通过众多实例介绍了如何实现Windows下的多线程编程^[15]，既重点介绍了Win32API下的多线程编程和MFC下的多线程编程，又介绍了多线程机制在网络编程、图形编程和数据库中的应用。任斌对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法^[16]。同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．

油品调合是炼油生产中的重要环节，作为炼油厂的重要产品，汽油产生的利润约占炼油厂总利润的60%-70%。一个优化的汽油调合方案，能够减少原油加工成本，减少库存水平，充分发挥企业生产加工能力，提高资源的利用率，增加产品收率，最大化利润，因此该问题的解决对提高炼油厂效益具有深远的意义。

国内油品调和的优化方法及其不足:传统的油品调和工艺技术是人工调和，即罐调和。这种油品调和方法需要大量的油雄，其各组分的调和比例需要人工计算，因此为了提高油品生产一次调和的合格率，对需要控制的油品性质指标留有较大余地，其调和配方一般趋于保守，造成油品质量过剩，浪费大量资源稀少高品质的油品组分。而且这种传统油品调和方法只对调和控制属性指标较少的油品生产有效。以前油品调和控制目标属性指标比较少，主要是辛烷值、蒸汽压等，因而其满足质量要求的可调和范围宽，调和起来相对容易，虽然可能牺牲了一些高辛烷值的油品组分，但还是能有效保证一次调和的合格率。然而随着清洁汽油燃料的生产，汽油新标准的实施，除对汽油辛烷值、蒸汽压作出严格规定外，对汽油的苯、烯烃、芳烃以其氯、硫等含量也作出了要求。控制目标属性指标多，约束条件增加，其满足质量要求的可调和范围窄，采用传统的油品调和方法，调和操作越来越复杂，难以保证一次调和的合格率，重复调和增多，直接影响经济效益。传统的汽油调和方法已经不能适应清洁汽油燃料生产的需要。本文拟针对油品调和这一配方优化采用改进PSO优化算法进行处理。