動態優化問題的瞬態自適應麻雀搜索算法求解

收稿日期：2022-05-05；修回日期：2022-06-23" 基金項目：國家自然科學基金資助項目（21466008）；廣西自然科學基金資助項目（2019GXNSFAA185017）；廣西民族大學科研項目（2021MDKJ004）；廣西民族大學研究生教育創新計劃資助項目（gxun-chxs2021064）

作者簡介：劉睿（1996-），男，山西長治人，碩士研究生，主要研究方向為系統優化與控制；莫愿斌（1969-），男（侗族）（通信作者），廣西柳州人，教授，碩導，博士，主要研究方向為系統優化與控制（moyuanbin2020@gxun.edu.cn）.

摘 要：

動態優化普遍存在于工業過程控制領域，是實現系統穩態與產值最大化的重要手段，應用并發展更加高效的動態優化方法逐漸成為了當前研究的熱點。鑒于此，提出一種基于瞬態自適應麻雀搜索算法（TASSA）的動態優化問題求解方案。首先，分析了原始麻雀搜索算法的缺陷，為了提升全局勘探能力，引入瞬態搜索策略指導加入者的尋優過程；其次，采用隨迭代而變化的慣性權重調節具體的搜索方式，增強了算法的動態適應能力，并通過九組基準函數的數值測試確認了改進策略的有效性；最后，采用時域等分的方式，在控制變量參數化（CVP）的框架下利用TASSA對三組典型的動態優化問題進行求解，對比不同文獻中的方法，所提算法取得了更精確的結果。

關鍵詞：動態優化；過程控制；控制變量參數化；麻雀搜索算法

中圖分類號：TP301.6"" 文獻標志碼：A""" 文章編號：1001-3695（2022）12-019-3651-07

doi："" 10.19734/j.issn.1001-3695.2022.05.0223

Transient adaptive sparrow search algorithm for dynamic optimization problem

Liu Ruia， Mo Yuanbinb，c

（a.College of Electronic Information， b. School of Artificial Intelligence， c. Guangxi Key Laboratory of Hybrid Computation amp; IC Design Analysis， Guangxi Minzu University， Nanning 530006， China）

Abstract：

Dynamic optimization widely exists in the field of industrial process control， which is an important means to realize the system’s steady-state and maximize the output value. The application and development of more efficient dynamic optimization methods have gradually become a hot spot of current research. This paper proposed a dynamic optimization solution based on the transient adaptive sparrow search algorithm（TASSA）. Firstly， it analyzed the defects of the original sparrow search algorithm. To improve the global exploration ability， it introduced a transient search strategy to guide the optimization process of the entrants. Secondly， it used the inertia weight that changed with iterations to adjust the specific search method， which enhanced the dynamic adaptability of the algorithm. This paper confirmed the effectiveness of the improved strategy through the numerical test of nine groups of benchmark functions. Finally， it used TASSA to solve three groups of typical dynamic optimization problems in the framework of control variable parameterization（CVP） by time-domain equal division. Compared with different algorithm proposed by references， TASSA achieves more accurate results.

Key words：dynamic optimization; process control; control variable parameterization; sparrow search algorithm

0 引言

對于工業領域實際的生產制造環節，長時間的動態波動是其所具有的一個顯著屬性［1］。為了適應系統的動態變化以及提升工藝制備的水平，相比于建立針對生產鏈的物理模型，開展動態系統的模擬仿真能在短時間內復現裝置的生產過程，更具備實際的應用優勢。作為模擬仿真的核心內容，動態優化方法對過程系統的設計與決策施加著至關重要的影響［2］。

早期，間接方法［3］曾被應用于動態優化問題的求解，然而該方法的數學過程推演過于復雜，想要獲得解析解通常不是一件易事［4］。區別于間接方法，直接方法的核心思想是對系統變量進行離散化處理，然后再采用現有的優化方法進行求解。其中，以控制變量參數化（control variable parameterization，CVP）為代表，對復雜非線性系統具有較高的求解效率，是當前主流的離散轉換策略。在該方法基礎上，群智能算法被成功地應用于動態優化問題的求解，通過設計獲得性能更加優越的算法，則是在動態優化中達到更高精度與效率的關鍵。Zhou等人［5］通過對種群分布特征進行優化，提出一種自適應粒子群算法并提高了求解動態優化問題的效率；Zhang等人［6］采用改進的旗魚優化器應用于強非線性動態優化算例，證明了該算法的求解可行性和有效性；Xu等人［7］在海鷗優化算法基礎上引入了認知部分和選擇機制，使算法擁有更好的求解能力。

麻雀搜索算法（sparrow search algorithm，SSA）［8］于2020年提出，因其結構簡潔以及具有較好的優化能力受到研究人員的廣泛青睞［9～12］。然而，該算法也存在著因搜索范圍不足而導致收斂速度變緩的缺陷，因此在性能上仍有進一步提升的空間。目前，針對該算法的改進研究已取得一定進展，Liu等人［13］基于相似度函數構建了麻雀種群的搜索規則，使算法具有更強的全局優化能力；Yuan等人［14］使用反向學習及兩種變異算子改進了SSA的搜索機制，使算法的準確性和魯棒性得到改善；高晨峰等人［15］將黃金正余弦策略引入SSA的尋優，提升了算法的求解質量。以上的改進算法均在應用研究中取得了比原算法更好的優化效果。

綜上，本文在SSA的基礎上引入了瞬態搜索策略，替換了原有的尋優模式，同時采用慣性權重自適應地調節算法的搜索方式，以實現對不同迭代階段的平衡效果，提出了瞬態自適應的麻雀搜索算法（transient adaptive sparrow search algorithm，TASSA），并構建了CVP框架下的動態優化流程，研究了TASSA對實際算例的優化表現。經數值測試及仿真研究的結果驗證了改進策略對性能提升的積極意義，并通過所提算法有效地提升了典型動態優化問題的精度與效率，取得了滿意的結果。

1 問題描述

1.1 動態優化問題數學模型

一般地，動態優化問題的數學模型表示如下：

min J=Φ［x（tf）］+∫tft0L［x（t），u（t），t］dt

s.t. dxdt=f［x（t），u（t），t］x（t0）=x0ulb≤u（t）≤uubt∈［t0，tf］ （1）

目標函數J的含義為系統的性能指標，由終止時刻tf處的終值項Φ［x（tf）］以及存在于時域［t0，tf］上的積分項∫tft0L［x（t），u（t），t］dt所組成；x（t）=［x1（t），x2（t），…，xn（t）］T為n維狀態變量；u（t）=［u1（t），u2（t），…，um（t）］T為m維控制變量，uub和ulb分別為其上界與下界。式（1）可以被簡要地描述為：在初始狀態x（t0）=x0的條件下，尋找控制策略使目標函數J達到最優。

1.2 基于CVP方法的轉換策略

CVP方法的應用為群智能算法求解動態優化問題奠定了先決條件。具體而言，它首先將時域［t0，tf］離散分割為有限的NE個子區間［tk－1，tk］（k=1，2，…，NE），即

t0≤t1≤…≤tN－1≤tNE=tf（2）

進一步地，采用由有限參數構成的基函數組合等效逼近每一子區間上的分量，則時域［t0，tf］上的控制變量u（t）可被表示為各分量的累積和：

u（t）=∑NEk=1σkj（t）（3）

其中：σkj（t）為各分量uj（t）在區間［tk－1，tk］上的基函數組合。經過CVP方法轉換后的優化問題數學模型為

minJ=φ［σ（t）］

s.t. ulb≤∑NEk=1σk（t）≤uub（4）

其中：σ（t）=［σ1（t），σ2（t），…，σNE（t）］T為參數變量。此時，一個動態優化問題即可被轉換為靜態的參數優化問題形式。

2 優化算法

2.1 麻雀搜索算法SSA

SSA依靠在解空間分布的麻雀個體Xi=（Xi1，Xi2，…，XiD）搜索最佳覓食位置來達到優化的目的，并規定優先到達覓食區域的個體為“發現者”，對應著較好的適應度值，引領種群中剩余的“加入者”向更好的覓食位置移動；同時，部分個體具有預警意識，驅使種群進行隨機游走以規避被捕食的風險。

a）生成初始麻雀種群。

Xi=lbi+rand（1，D）×（ubi－lbi）（5）

其中：Xi表示麻雀i的位置信息；ubi與lbi分別為個體的上界與下界；rand為（0，1）均勻分布的隨機值。

b）發現者搜索階段。

Xt+1i=Xti·exp－iα·itermax" R2lt;ST

Xti+Q·L R2≥ST （6）

其中：t為當前迭代次數；itermax為最大迭代次數，隨機數α∈（0，1］；Q為服從正態分布的隨機數；L為1×D維矩陣，且內部元素均為1。預警值R2∈［0，1］是一個隨機量，設置安全值ST∈［0.5，1］為一個定值，每次迭代通過比較兩者的值來決定發現者具體的位置更新方式。

c）加入者跟進階段。

Xt+1i=Q·expXtworst－Xtii2" igt;n2

Xtp+|Xti－Xtp|·A+L else（7）

其中：Xp表示發現者找到的最佳覓食位置；A為內部元素均為1或-1的1×D維矩陣，且A+=AT（AAT）－1；Q、L同式（5）。加入者與發現者的區分標準只依賴于適應度的比較，若下一次迭代中某加入者獲得了更好的覓食位置，那么它將轉換為發現者并指引其他個體的尋優，兩者的數量保持動態平衡。

d）預警偵查階段。

Xt+1i=Xtbest+β·|Xti－Xtbest|"" figt;fbest

Xti+K·|Xti－Xtworst|（fi－fw）+εfi=fbest（8）

其中：fi表示個體的適應度值；β、K均為步長控制參數；ε為一個極小的常數用于避免分母為零。每次迭代的預警個體由麻雀種群隨機選擇，該比例通常達到10%～20%，用于進一步擾動個體當前的位置。

2.2 瞬態自適應麻雀搜索算法TASSA

2.2.1 瞬態搜索策略

發現者作為種群中適應度值最優的一部分個體，負責搜索并引領加入者向最佳覓食位置移動，因此其位置更新過程直接影響著SSA的尋優性能，而發現者搜索范圍的廣度將進一步決定算法是否能找到更好的位置。由式（6）可知，當R2≥ST時，發現者將按正態分布在當前區域隨機移動；當R2lt;ST時，其位置更新受到式（9）的影響。

f（x）=exp（－xα·itermax）（9）

當α=1時，在［0，1］上繪制數量為1 000的個體迭代更新過程如圖1所示。

從圖1 可以看出，發現者的搜索范圍從［0，1］逐漸縮減至［0，0.4］，造成算法出現搜索盲點，同時存在大量個體聚集的現象，也在一定程度上降低了搜索過程的種群多樣性，增加了陷入局部極值的風險，極大地影響著算法的尋優性能。

混合是算法設計的一種有效模式［16］，通過結合不同算法的優勢往往能構造出性能更優的混合型算法。由此，本文引入瞬態搜索策略用于改善SSA搜索范圍不足的缺陷。瞬態搜索優化（transient search optimization，TSO）是一種基于開關電路瞬態行為的物理啟發式群智能搜索機制，由Qais等人［17］于2020年提出，具有靈活、簡易、魯棒性高的特點，其數學模型為

Xt+1i=Xtbest+（Xti－C1Xti）e－T

Xtbest+e－T［cos（2πT）+sin（2πT）］|Xti－C1Xtbest|

r1lt;0.5else （10）

其中：r1為［0，1］的隨機數；T、C1為隨機系數，具體的計算方式為

T=2zr2－z（11）

C1=kzr3+1（12）

z=2－2（titermax）（13）

其中：r2、r3均為［0，1］的隨機數，常數k∈Euclid ExtraeBp；z表示從2～0的衰減系數。瞬態搜索策略通過隨機系數T∈［－2，2］實現對勘探和開發過程的制衡，當Tlt;0時，瞬態搜索將保持較大的振幅在解空間內搜索最佳的解決方案進行全局勘探；當Tgt;0時，瞬態搜索逐漸達到穩態，進行局部開發。可以看出，瞬態搜索策略的流程十分簡潔，本文即采用式（10）作為改進算法的發現者迭代更新公式，使算法具有動態調節搜索范圍的能力。

2.2.2 自適應慣性權重

慣性權重是群智能算法中一類重要的控制參數，其思想起源于粒子群算法，最初通過設置定常的權重系數來提高算法的收斂能力。然而，一成不變的權重系數并不適用于算法的整個迭代過程，因此在后續的研究中發展出了對權值的調整策略，即使其能夠按照一定規律而改變的時變慣性權重，主要包含線性與非線性兩種調整策略，其中又以非線性關系大量存在于實際的優化問題中，因而非線性策略的應用更加廣泛［18］。本文采用一種基于凹函數的非線性遞減慣性權重應用于SSA，具體表示如下：

ω=ωmin（ωmaxωmin）1/（1+ct/itermax）（14）

其中：ωmin和ωmax為權重調整參數，分別設置為0.9和0.4；c作為調整參數，本文設置為10。該慣性權重隨迭代次數的變化情況如圖2所示。

改進算法使加入者更好地契合迭代過程，將ω引入式（7）中，使算法在發現者迭代階段擁有良好的全局與局部平衡能力，同時這也有助于加入者較快地轉變為發現者，從而加速算法收斂于最優解的速度。TASSA的加入者跟進階段迭代公式如下：

Xt+1i=Q·expXtworst－Xtii2""" igt;n/2ωXtp+|Xti－Xtp|·A+L else（15）

考慮到算法計算效率的因素，本文僅在式（15）處引入ω，經過測試表明，該改進策略有效地提升了算法的尋優性能，具體的說明過程將在2.3節中進行詳細驗證。

2.2.3 TASSA實現流程

算法1 TASSA的運行框架

輸入： 種群大小N；最大迭代次數max_iter；發現者比例PD；預警偵查比例SD；慣性權重系數ωmin和ωmax；權重調整參數c。

輸出： 最優麻雀位置Xbest及其適應度值fg。

/*隨機種群初始化*/

for i=1 to N do

根據式（5）在搜索空間生成初始麻雀種群；

end for

計算各麻雀適應度值并記錄當前最優與最差個體；

while （t lt; max_iter）

/*發現者搜索階段*/

for i=1 to PD*N do

根據式（10）更新發現者的位置；

end for

/*加入者跟隨階段*/

for i = PD*N+1 to N do

根據式（15）更新加入者的位置；

end for

/*預警偵查階段*/

for i=1 to SD*N do

根據式（8）更新預警偵查個體的位置；

end for

評估新位置的適應度值，若更優則替換；

t=t+1；

end while

2.3 數值測試

2.3.1 基準函數選取

基準函數的仿真反饋信息是評估改進算法有效與否的重要衡量基礎。針對TASSA性能的驗證，基于九組經典的基準函數設計了算法的尋優對比測試。基準測試函數的相關信息如表1和圖3所示，包含單峰測試函數（f1～f5）和多峰測試函數（f6～f10）。

2.3.2 TASSA與其他群智能算法對比分析

對比組算法除上文提到的SSA、TSO外，還加入了兩種新型的群智能算法作為對比，分別為海洋捕食者算法（marine predators algorithm， MPA）［11］和哈里斯鷹優化算法（Harris hawks optimization， HHO）［12］。為了進一步揭示所提算法自適應性的意義，特在對比組中加入了不含2.2.2節改進的瞬態麻雀搜索算法（TSSA），各算法的參數設置如表2所示。

基于仿真測試的客觀性，所有算法統一設置種群的數量為30，最大迭代次數為200，在每個函數上獨立運行20次，記錄結果的平均值與標準差。測試環境為Intel CoreTM i7-6700H CPU @ 2.60 GHz，在Windows 10操作系統下，所有程序均采用MATLAB R2018b實現，各算法的尋優結果如表3和圖4所示。

本文針對每個基準函數另外設置了100維的對比以體現高維度對算法尋優性能的影響。對于f1～f4，TASSA在不同維數下均能穩定地達到較高的精度，其次是TSSA，相比較其他算法具有顯著的提升；對于f5，TASSA的尋優精度及穩定性好于其他算法；對于f6，TSO表現出了極強的優化性能，而TASSA則繼承了在這一函數上的尋優能力，同樣能夠以較小的標準差收斂于全局最優的附近，HHO的結果接近于兩者并領先于其他算法，TSSA的結果僅優于SSA與MPA，由此可見自適應能力對兩種改進算法的影響是顯著的；對于f7，除MPA和TSO外，其余四種算法都能穩定地收斂于一個較優的結果，通過迭代收斂曲線可以看出TASSA具有最快的收斂速度；對于f8、f9，TASSA同樣具有最好的精度以及穩定性，其次是TSSA，優于其他算法。綜上，雖然TSSA較SSA提升了一定的優化能力，但這種優勢在具有自適應平衡搜索方式的TASSA上更加顯著。此外，采用Wilcoxon秩和檢驗［19］進一步對比TASSA與其他算法在統計學上的差異，當p值小于5%時，表示TASSA與該算法存在顯著差異，反之則表示兩者之間差異并不明顯，N/A也表示兩者性能相當，無法對比。根據表4 列出的TASSA與其他算法在不同基準函數上的p值結果可知，絕大部分測試（41/45）的p值均小于5%，表明TASSA的所得結果與其他算法存在顯著的差異，進一步揭示了所提算法的優越性。

2.3.3 TASSA與不同策略改進的SSA對比分析

目前，基于不同策略改進的SSA已在較多文獻中提出，本文選取文獻［20～22］中多策略融合的改進麻雀搜索算法（ISSA1）、融合柯西變異和反向學習的改進麻雀算法（ISSA2）、混合正弦余弦算法和Lévy飛行的麻雀算法（ISSA3）與TASSA在100維的九個基準函數上進行尋優對比測試，算法的控制參數和通用條件與2.3.2節保持一致，測試結果如表5所示。

在初始化階段，ISSA1和ISSA2分別采用精英策略和混沌映射對初始種群進行處理，而ISSA3和TASSA則保留了隨機種群。在迭代階段，ISSA1和ISSA3都使用了混合算法的改進思想，ISSA1引入雞群優化算法（chicken swarm optimization，CSO）［23］提高加入者的多樣性；ISSA3利用正弦余弦算法（sine cosine algorithm，SCA）［24］作為發現者的迭代更新式，同時利用Lévy隨機步長提升了加入者的搜索范圍；ISSA2則引入一種非線性動態權重對發現者的搜索模式進行調節。此外，在一次迭代結束后，ISSA1與ISSA2增加了對當前最優麻雀的變異階段，這樣的做法雖然能夠使個體的位置得到進一步擾動更新，有利于收斂到更好的結果，但也不可避免地使算法變得更加復雜。為此，記錄每種算法在測試中的運行時間加以直觀對比，結果如表6所示。

通過表5可知，在所有的測試中TASSA均取得了最高的收斂精度，分別在ISSA1（7/9）、ISSA2（8/9）、ISSA3（7/9）的基準函數上取得了顯著的對比差異。由表6可知，TASSA在九個基準函數上的平均運行時間略少于原始算法，這是由于本文采用了TSO作為發現者新的迭代更新式，減少了一定的計算時間；此外，由于加入了額外的變異階段，ISSA1與ISSA2的運行時間明顯長于SSA，而ISSA3的運行時間則沒有顯著增加。因此，與以上算法相比，本文算法的改進策略更加簡潔有效，進一步說明了TASSA的優越性。

3 動態優化實例與分析

3.1 基于TASSA的動態優化流程

本節對三個典型的化工動態優化問題進行仿真求解。通過CVP方法，時域［t0，tf］被離散為NE個子區間，本文采用分段常量的基函數形式對每一子區間上的分量進行等效逼近，將整個時域上的控制變量u（t）表示為各參數變量σ（t）的累加和形式。此時，待優化問題即從動態優化問題轉換為群智能算法可以直接求解的靜態參數優化問題；同時，選擇Runge-Kutta方法用于每一子區間上的微分方程的計算求解，配合該方法能夠獲得問題的狀態變量x（t），并經過TASSA的迭代尋優最終計算出目標函數值。基于TASSA的動態優化流程如圖5所示。

本文中對實例1離散為50段，實例2、3離散為100，算法的種群數量設置為200，最大迭代次數為1 000，基于數據的客觀性，對每個優化實例分別獨立測試20次，取平均值作為最終的結果。

3.2 仿真實例

實例1 具有解析解的基準動態優化問題

該實例包含x1與x2兩個狀態變量，是動態優化的基準測試問題，其數學模型如下：

min J=x2（tf）

s.t. dx1（t）dt=u（t）

dx2dt=x21（t）+u2（t）

tf=1

－1≤u（t）≤0.1， x1（0）=1， x2（0）=0（16）

其中：u（t）為控制變量；tf為終止時間。根據最優控制理論推導得到該問題的解析解為［25］

Jmin=e2－1e2+1≈0.7615941（17）

實例2 帶約束的間歇反應器連續反應問題

在間歇反應器中，溫度的控制對產物的生成起著關鍵的作用。對所發生的A→B→C型反應，該實例的優化目的是通過控制溫度以使反應終止時目標產物B的濃度達到最大。該過程的數學模型為

max J=CB（tf）

s.t. dCAdt=－k1C2A

dCBdt=k1C2A－k2CB

tf=1

k1=4×103×e－2500/T

k2=6.2×105×e－5000/T

298≤T≤398， CA（0）=1， CB（0）=0（18）

其中：CA為反應物濃度；CB為目標產物濃度；T代表反應溫度；tf為終止時間。

實例3 管式反應器催化劑混合問題

在定長的管式反應器中，通過添加催化劑A與B生成目標產物C的AB→C型反應，該實例的優化目的是調節反應中催化劑混合比例，以使目標產物C的濃度達到最優。該過程的數學模型為

max J=1－xA（zf）－xB（zf）

s.t. dxAdz=－u（z）［10×xB（z）－xA（z）］

dxBdz=u（z）［10×xB（z）－xA（z）］－［1－u（z）］×xB（z）

zf=120≤u（z）≤1， xA（0）=1， xB（0）=0（19）

其中：xA、xB為催化劑A和B的濃度；zf為管式反應器的長度；u（z）為催化劑A的混合分數。

3.3 仿真結果與分析

對實例1，文獻［26］利用蟻群優化算法得到了最優解0.761 60，文獻［27］使用迭代遺傳算法求解得到了0.761 595，本文采用TASSA獲得了0.761 594 1，與解析解一致。圖6（a）給出了應用TASSA求解實例1所產生的最優狀態軌跡。

對實例2，文獻［28］利用混合海鷗優化算法得到了最優解0.610 772 4，文獻［29］使用基于知識改進的文化算法獲得了0.610 787，文獻［30］使用改進的知識進化算法得到了0.610 789，為目前公開文獻中的最優解。本文采用TASSA獲得的最優值為0.610 791 73，比目前已知的最優解更好一些。圖6（b）給出了應用TASSA求解實例2所產生的最優狀態軌跡。

對實例3，文獻［28］利用混合海鷗優化算法得到了最優解0.477 542，文獻［29］使用基于知識改進的文化算法獲得了0.477 70，文獻［30］使用改進的知識進化算法得0.477 68。本文采用TASSA獲得的最優值為0.477 701 57，達到了目前已知最優解的水平。圖6（c）給出了應用TASSA求解實例3所產生的最優狀態軌跡。

表7列出了三組仿真研究的TASSA求解結果與文獻中方法的對比。由表7可知，對于實例1，TASSA的計算結果符合解析解（精確至小數點后7位）；對于實例2和3，TASSA的計算結果比參考文獻中的最優值還要好一些，可見本文算法對于典型動態優化問題的有效性。其中，“*”表示文獻中最優解。

在此基礎上，定義相對誤差不超過文獻最優解0.05%的為合格精度［5］ 以進一步揭示TASSA在原算法基礎上對三個算例的提升程度，比較兩種算法獲得該精度的迭代次數和計算時間。對實例1，合格精度為解析解的100.05%，對實例2和3，合格精度為文獻最優解的99.95%。表8給出了兩種算法求解三個實例的具體數據。

通過表8可知，對于實例1和2，TASSA相比于SSA 獲得合格精度的迭代次數分別減少了77.01%和37.73%，對應的計算時間分別縮短了131.87 s和80.50 s；對于實例3，SSA在1 000次迭代后未能達到該算例的合格精度，經過20次仿真最終獲得了0.477 441 52的平均值，而TASSA平均僅用112次迭代即可滿足合格精度。由此可見，TASSA求解動態優化問題的求解性能較原始算法SSA得到了極大的提升。此外，通過分析圖7給出的最優控制軌跡可知，SSA在優化的過程中其控制軌跡存在明顯的振蕩現象，而TASSA的優化過程則有效地減少了此類波動情況，相比較其控制軌跡更加地平滑流暢，即求解的穩定性得到了顯著的增強，進一步說明了本文算法解決一般性動態優化問題的有效性和優越性。

4 結束語

本文提出一種瞬態自適應的麻雀搜索算法（TASSA）應用于一般性動態優化問題的求解。首先通過混合算法的設計方式，采用瞬態搜索策略指導發現者迭代過程，改善了原算法搜索范圍不足的缺陷；其次在加入者迭代過程引入動態變化的非線性慣性權重，使改進算法具有自適應平衡其搜索方式的能力；通過數值對比測試初步驗證了所提算法的性能。最后，通過建立針對動態優化問題的求解框架，應用TASSA對三個典型實例進行優化，對比不同文獻的方法取得了最優的結果，并通過與原算法的優化結果對比，進一步揭示了TASSA求解動態優化問題的有效性和優越性。

參考文獻：

［1］莫愿斌，鄭巧燕，馬彥追. 自適應布谷鳥算法及其在化工優化中的應用［J］. 計算機與應用化學，2015，32（3）： 291-297. （Mo Yuanbin，Zheng Qiaoyan，Ma Yanzhui. Adaptive cuckoo search algorithm and its application to chemical engineering optimization problem［J］.Computers and Applied Chemistry，2015，32（3）：291-297.）

［2］Srinivasan B，Palanki S，Bonvin D. Dynamic optimization of batch processes： I. characterization of the nominal solution ［J］. Computers amp; Chemical Engineering，2003，27（1）： 1-26.

［3］孫勇，張卯瑞，梁曉玲. 求解含復雜約束非線性最優控制問題的改進Gauss偽譜法［J］. 自動化學報，2013，39（5）： 672-678. （Sun Yong，Zhang Maorui，Liang Xiaoling. Improved Gauss pseudospectral method for solving a nonlinear optimal control problem with complex constraints ［J］. Acta Automatica Sinica，2013，39（5）： 672-678.）

［4］Chachuat B，Mitsos A，Barton P I. Optimal design and steady-state operation of micro power generation employing fuel cells ［J］. Chemical Engineering Science，2005，60（16）： 4535-4556.

［5］Zhou You，Liu Xinggao. Control parameterization-based adaptive particle swarm approach for solving chemical dynamic optimization problems ［J］. Chemical Engineering amp; Technology，2014，37（4）： 692-702.

［6］Zhang Yuedong，Mo Yuanbin. Dynamic optimization of chemical processes based on modified sailfish optimizer combined with an equal division method ［J］. Processes，2021，9（10）： 1806.

［7］Xu Le，Mo Yuanbin，Lu Yanyue，et al. Improved seagull optimization algorithm combined with an unequal division method to solve dynamic optimization problems ［J］. Processes，2021，9（6）： 1037.

［8］Xue Jiankai，Shen Bo. A novel swarm intelligence optimization approach： sparrow search algorithm ［J］. Systems Science amp; Control Engineering，2020，8（1）： 22-34.

［9］姚遠遠，葉春明. 求解作業車間調度問題的改進混合灰狼優化算法 ［J］. 計算機應用研究，2018，35（5）： 1310-1314. （Yao Yuanyuan，Ye Chunming. Solving Job-Shop scheduling problem using improved hybrid grey wolf optimizer ［J］. Application Research of Computers，2018，35（5）： 1310-1314.）

［10］鄭健，黃敏，張騰，等. 求解指路標志指引路徑規劃問題的改進人工蜂群算法 ［J］. 計算機應用研究，2017，34（8）： 2355-2359. （Zheng Jian，Hang Min，Zhang Teng，et al. Modified artificial bee co-lony algorithm for solving path planning problem of guide signs ［J］. Application Research of Computers，2017，34（8）： 2355-2359.）

［11］Faramarzi A，Heidarinejad M，Mirjalili S，et al. Marine predators algorithm： a nature-inspired metaheuristic ［J］. Expert Systems with Applications，2020，152（8）： 113377.

［12］Heidari A A，Mirjalili S，Faris H，et al. Harris hawks optimization： algorithm and applications ［J］. Future Generation Computer Systems，2019，97： 849-872.

［13］Liu Jianhua，Wang Zhiheng. A hybrid sparrow search algorithm based on constructing similarity ［J］. IEEE Access，2021，9： 117581-117595.

［14］Yuan Jianhua，Zhao Ziwei，Liu Yaping，et al. DMPPT control of photovoltaic microgrid based on improved sparrow search algorithm ［J］. IEEE Access，2021，9： 16623-16629.

［15］高晨峰，陳家清，石默涵. 融合黃金正弦和曲線自適應的多策略麻雀搜索算法 ［J］. 計算機應用研究，2022，39（2）： 491-499. （Gao Chenfeng，Chen Jiaqing，Shi Mohan. Multi-strategy sparrow search algorithm integrating golden sine and curve adaptive ［J］. App-lication Research of Computers，2022，39（2）： 491-499.）

［16］Chen Xu，Li Kangji，Xu Bin，et al. Biogeography-based learning particle swarm optimization for combined heat and power economic dispatch problem ［J］. Knowledge-Based Systems，2020，208（11）： 106463.

［17］Qais M H，Hasanien H M，Alghuwainem S. Transient search optimization： a new meta-heuristic optimization algorithm ［J］. Applied Intelligence，2020，50（11）： 3926-3941.

［18］Nagra A A，Han Fei，Ling Qinghua. An improved hybrid self-inertia weight adaptive particle swarm optimization algorithm with local search ［J］. Engineering Optimization，2019，51（7）： 1115-1132.

［19］Carrasco J，García S，Rueda M M，et al. Recent trends in the use of statistical tests for comparing swarm and evolutionary computing algorithms： practical guidelines and a critical review ［J］. Swarm and Evolutionary Computation，2020，54（5）： 100665.

［20］付華，劉昊. 多策略融合的改進麻雀搜索算法及其應用 ［J］. 控制與決策，2022，37（1）： 87-96. （Fu Hua，Liu Hao. Improved sparrow search algorithm with multi-strategy integration and its application ［J］. Control and Decision，2022，37（1）： 87-96.）

［21］毛清華，張強. 融合柯西變異和反向學習的改進麻雀算法 ［J］. 計算機科學與探索，2021，15（6）： 1155-1164. （Mao Qinghua，Zhang Qiang. Improved sparrow algorithm combining Cauchy mutation and opposition-based learning ［J］. Journal of Frontiers of Computer Science amp; Technology，2021，15（6）： 1155-1164.）

［22］毛清華，張強，毛承成，等. 混合正弦余弦算法和Lévy飛行的麻雀算法 ［J］. 山西大學學報： 自然科學版，2021，44（6）： 1086-1091. （Mao Qinghua，Zhang Qiang，Mao Chengcheng，et al. Mixing sine and cosine algorithm with Lévy flying chaotic sparrow algorithm ［J］. Journal of Shanxi University： Natural Science Edition，2021，44（6）： 1086-1091.）

［23］Deb S，Gao Xiaozhi，Tammi K，et al. Recent studies on chicken swarm optimization algorithm： a review（2014-2018） ［J］. Artificial Intelligence Review，2020，53（3）： 1737-1765.

［24］Mirjalili S. SCA： a sine cosine algorithm for solving optimization problems ［J］. Knowledge-Based Systems，2016，96（3）： 120-133.

［25］周游，趙成業，劉興高. 一種求解化工動態優化問題的迭代自適應粒子群方法 ［J］. 化工學報，2014，65（4）： 1298-1302. （Zhou You，Zhao Chengye，Liu Xinggao. An iteratively adaptive particle swarm optimization approach for solving chemical dynamic optimization problems ［J］. CIESC Journal，2014，65（4）： 1298-1302.）

［26］Asgari S A，Pishvaie M R. Dynamic optimization in chemical processes using region reduction strategy and control vector parameterization with an ant colony optimization algorithm ［J］. Chemical Enginee-ring amp; Technology，2008，31（4）： 507-512.

［27］Qian Feng，Sun Fan，Zhong Weimin，et al. Dynamic optimization of chemical engineering problems using a control vector parameterization method with an iterative genetic algorithm ［J］. Engineering Optimization，2013，45（9）： 1129-1146.

［28］許樂，莫愿斌，盧彥越. 化工動態優化問題的混合海鷗優化算法研究 ［J］. 化學工程，2021，49（2）： 74-78. （Xu Le，Mo Yuanbin，Lu Yanyue. Research on hybrid seagull optimization algorithm for chemical dynamic optimization problem ［J］. Chemical Enginee-ring，2021，49（2）： 74-78.）

［29］劉宗其，杜文莉，祁榮賓，等. 基于知識改進的文化算法及其在化工動態優化中的應用 ［J］. 化工學報，2010，61（11）： 2889-2895. （Liu Zongqi，Du Wenli，Qi Rongbin，et al. Dynamic optimization in chemical processes using improved knowledge-based cultural algorithm ［J］. CIESC Journal，2010，61（11）： 2889-2895.）

［30］彭鑫，祁榮賓，杜文莉，等. 一種改進的知識進化算法及其在化工動態優化中的應用 ［J］. 化工學報，2012，63（3）： 841-850. （Peng Xin，Qi Rongbin，Du Wenli，et al. An improved knowledge evolution algorithm and its application to chemical process dynamic optimization ［J］. CIESC Journal，2012，63（3）： 841-850.）