基于参数动态调整的控制工程多目标差分进化算法设计

本文介绍了控制工程、差分进化算法、多目标差分进化算法以及多目标优化控制问题。在此基础上,提出一种基于参数动态调整的多目标差分进化算法设计,包括算法设计流程、实现细节和性能评估指标,并进行算法实验及结果分析,包括实验设置和数据收集、实验结果展示及分析、实验结果与其他算法结果比较。结果表明,基于参数动态调整的多目标差分进化算法在多目标优化控制问题上表现出良好性能,可以为解决实际工程问题提供有力支持。     

基于改进差分进化算法的化工参数估计

为提高化工参数估计的精度,本文提出一种改进的差分进化(improved differential evolution,IDE)算法,并将其应用于甲醇转化烃类物质的参数估计问题。IDE算法设计了一种混合差分变异策略,主要利用种群中的当前个体、较优个体和指导个体实现算法寻优,并对参数进行了调整。该算法在提高种群多样性的同时能够加快收敛速度,在一定程度上降低搜索陷入局部最优的可能性。为验证算法在甲醇转化烃类物质的参数估计问题上的有效性,将IDE算法与部分已有算法进行比较。实验结果表明,本文算法提高了甲醇转化为烃类物质的化工参数估计精度,具有较强的竞争性。     

差分进化算法研究进展

针对一种新兴的进化算法--差分进化算法,介绍该算法的基本原理、算法流程、算法参数及其对算法性能的影响,总结控制变量选择的经验规则,归纳了改进差分进化算法和算法在相关领域的应用概况,已研究的理论和应用成果均证明该进化算法的有效性和先进性,具有广阔的发展前景.最后对差分进化算法进一步的研究工作进行了探讨和展望.     

基于多策略自适应差分进化算法的污水处理过程多目标优化控制

针对污水处理过程中的能耗过高和出水水质不达标等问题,提出一种基于多策略自适应差分进化算法的污水处理过程多目标优化控制方法。首先,在常规跟踪控制结构的基础上,增加对第3、4单元溶解氧浓度的跟踪控制,扩大了能耗和出水水质的优化调节范围。然后,设计一种多策略自适应差分进化算法（MSADE）,该算法采用多策略融合变异和排序优选方法,选取合适的变异策略和较优的随机个体引导种群变异,并根据进化过程信息自适应地更新交叉率,以提升算法的收敛性和pareto解的多样性。最后,将MSADE算法与PID控制器相结合,并构建以能耗和出水水质为优化目标的多目标优化问题,实现对溶解氧和硝态氮浓度设定值的动态寻优和跟踪控制。基于国际基准仿真平台BSM1进行验证,结果表明所提的多目标优化控制方法能有效降低污水处理过程的能耗并提升出水水质。     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

求解石油生产过程设定点优化的进化算法

引言石油生产过程与任何输入输出系统一样,长期以来积累了其注水井的注入率和生产井的产出率等丰富历史数据,通过对这些数据的分析,可以得到有关各注水井和各生产井的连通性信息,实时优化各注水井的最优注入率和各生产井的最优产出率,并及时调整各注入井和各生产井对应控制系统的设定值,可使石油开采过程保持在最优工况下运行[1-2]。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

基于Kriging的差分进化算法及其在苯乙烯流程优化中的应用

自适应差分进化算法基于个体生成策略和控制参数自适应,无须人为设置参数,对问题有较好的适应性,但其收敛速度和精度有待提高。将具有较高预测精度的Kriging模型应用于自适应差分进化算法中,建立跟随种群变化的Kriging模型,通过模型极值点与种群最优个体竞争,对种群产生扰动,影响种群进化过程,改善算法的收敛速度和寻优性能。对10个典型测试函数的测试结果表明,该算法较标准和自适应差分进化算法收敛速度加快,收敛精度提高,且具有更好的稳定性。将基于Kriging的差分进化算法应用于苯乙烯装置的流程优化,操作运行费用显著降低。     

融合差分进化算法的AEA算法及其在参数估计中的应用

着眼于AEA(Alopex-based evolutionary algorithm)算法本身的不足,构造出一种融合了差分进化算法和AEA的改进型算法--MAEA(modified AEA).MAEA算法将改进后的差分进化算法嵌入到AEA中,改进AEA算法中种群的生成方式,提高算法的寻优能力.改进的算法不仅拥有启发搜索和确定性搜索的优点,同时还增加了种群的多样性,使算法能够更好地进行全局和局部搜索.通过21个标准函数的测试结果表明,该算法较标准AEA算法、差分进化算法的性能有较大提升.进一步和当前具有代表性的先进算法(ISDEMS)的比较结果表明,MAEA算法有较高的精确度和稳定性.将算法用于发酵动力学模型参数的估计,通过优化得到了较好的结果,验证了本文提出的算法的可行性和有效性.     

考虑碳排放因素的汽油调合在线优化

针对国家“双碳”战略目标要求,以炼化企业汽油调合在线优化为研究对象,分析了国Ⅵ汽油新标准下被控属性更多、更严、调合效率要求更高等特点,以及由此带来的调合组分油调整导致调合成品汽油携带碳排放量的变化情况。考虑到传统的汽油调合在线优化一般只考虑调合成本、质量卡边等目标,首先建立了非线性的汽油调合辛烷值、蒸气压和馏程等软测量模型,然后构建了基于调合效应的汽油调合优化模型,优化目标中引入调合成品油二氧化碳排放最低化目标,开发了一种融合携带碳排放特征的汽油调合优化模型。为满足在线调合优化需求,优化模型中考虑了实际累积调合过程,将调合工艺过程中储罐汽油属性合格转化成调合头属性区间合格,利用调合头处优化的属性补偿已调合体积和罐底油的属性偏差。仿真结果表明,设计的考虑碳排放因素汽油累积调合优化技术能很好地满足汽油调合在线优化需求,为国Ⅵ标准和碳交易背景下汽油调合工艺设计及在线优化控制提供了技术支撑。     

罐式批次成品汽油调和配方集成建模方法

考虑罐式批次成品汽油调和过程中罐底余油对产品质量指标的影响,本文提出了一种基于改进多核模糊C均值（multi-kernel fuzzy C-means,MKFCM）与极端梯度提升树（extreme gradient boosting,XGBoost）集成的成品汽油调和的通用配方建模方法。该方法首先考虑各调和组分的差异性,提出一种自适应核参数计算方法对MKFCM改进,并将其用于罐底油聚类分析,旨在最大程度划分出性质相近的罐底油批次类型;在此基础上择优选用XGBoost算法,以各批次罐底余油的组分比例和产品预期质量指标作为输入,建立各批次子配方模型;在配方生成时,基于改进MKFCM求得当前罐底余油的隶属度向量,并以此为权值对子配方模型进行加权融合,最终以多模型集成的方式得到了成品汽油调和的通用配方。经使用某企业实际工业数据进行实验分析,结果表明,较单一模型或未改进MKFCM的集成模型,基于改进MKFCM-XGBoost的多模型集成配方,预测精度和泛化能力均更优,更适合罐式批次成品汽油调和过程。     

改进生物地理学优化算法及其在汽油调合调度中的应用

汽油调合和调度优化问题中含有典型的非线性约束(NLP)问题。针对一般智能优化算法在解决此类优化问题中易陷于局部极值,提出了一种改进的生物地理学优化算法(HMBBO)。该算法设计了一种基于种群个体差异信息的启发式变异算子,弥补了Gauss变异、Cauchy变异算子缺乏启发式信息的不足,以解决原算法在局部搜索时易出现的早熟问题,提高算法的全局搜索能力,并且采用非线性物种迁移模型以适应不同的自然环境。采用4个测试函数进行仿真,结果表明:HMBBO算法与标准BBO算法、基于Gauss变异及基于Cauchy变异的BBO算法比较,其收敛速度和全局寻优能力有明显改善。汽油调合和调度优化实例表明,该算法能够快速有效地找到全局最优解。     

计算机辅助汽油调合设计

引言 汽油调合是炼油生产的重要环节,由于汽油是炼油厂的主要产品,调合结果对炼油厂的经济效益影响甚大,因此,炼油企业均希望通过对调合汽油的生产优化获取更多的利润.     

Closed-loop scheduling optimization strategy based on particle swarm optimization with niche technology and soft sensor method of attributes-applied to gasoline blending process

Gasoline blending scheduling optimization can bring significant economic and efficient benefits to refineries.However,the optimization model is complex and difficult to build,which is a typical mixed integer nonlinear programming(MINLP) problem.Considering the large scale of the MINLP model,in order to improve the efficiency of the solution,the mixed integer linear programming-nonlinear programming(MILP-NLP) strategy is used to solve the problem.This paper uses the linear blending rules plus the...     

在线自适应波长选择方法及其在汽油调和过程中的应用

近红外光谱分析技术作为一种非侵入性的分析手段在工业上得到了广泛应用。然而,大多数近红外模型的波长选择方法是离线建立的,无法有效跟踪过程特性的变化。提出了一种新的在线自适应波长选择方法——在线自适应区间高斯过程回归波长选择方法（adaptive interval Gaussian process regression, AIGPR）,并用于汽油调和过程中的近红外模型的建立。该方法可以根据待测样本的特性对波长结构进行调整。为了降低在线应用的计算成本,该方法分为离线和在线两个部分,离线部分将光谱分割成若干个波长区间,并在每个波长区间上建立局部模型,为在线应用做准备;在线部分中根据划分规则将采样得到待测样本光谱进行分割并代入相应的局部模型中计算波长区间重要性指标,获得最优波长区间。在汽油辛烷值的光谱数据上证明了该方法的有效性。与重要变量投影法和改进的相关系数法相比,该方法具有更好的性能。     

Logarithm-transform piecewise linearization method for the optimization of fasoline blending processes

Gasoline blending is a key process in a petroleum refinery, as it can yield 60%–70% of a typical refinery's total revenue. This process not only exhibits non-convex nonlinear blending behavior due to the complicated blend mechanism of various component feedstocks with different quality properties, but also involves global optimum searching among numerous blending recipes. Since blend products are required to meet a series of quality requirements and highly-sensitive to the proportion changes of blending feedstocks, global optimization methods for NLP problems are often difficult to be applied because of heavy computational burdens. Thus, piecewise linearization methods are naturally proposed to provide an approximate global optimum solution by adding binary variables into the models and converting the original NLP problems into MILP ones. In this paper, Logarithmtransform piecewise linearization(LTPL) method, an improved piecewise linearization, is proposed. In this method a logarithm transform is applied to convert multi-variable multi-degree constraints into a series of single-variable constraints. As a result, the number of 0–1 variables is greatly reduced. In the final part of this paper, an industrial case study is conducted to demonstrate the effectiveness of LTPL method. In principle, this method would be useful for blending problems with complicated empirical or theoretical models.     

Recipe determination and scheduling of gasoline blending operations

Gasoline is a major contributor to the profit of a refinery. Scheduling gasoline‐blending operations is a critical and complex routine task involving tank allocation, component mixing, blending, product storage, and order delivery. Optimized schedules can maximize profit by avoiding ship demurrage, improving order delivery, minimizing quality give‐aways, avoiding costly transitions and slop generation, and reducing inventory costs. However, the blending recipe and scheduling decisions make this problem a nonconvex mixed‐integer nonlinear program (MINLP). In this article, we develop a slot‐based MILP formulation for an integrated treatment of recipe, specifications, blending, and storage and incorporate many real‐life features such as multipurpose product tanks, parallel nonidentical blenders, minimum run lengths, changeovers, piecewise constant profiles for blend component qualities and feed rates, etc. To ensure constant blending rates during a run, we develop a novel and efficient procedure that solves successive MILPs instead of a nonconvex MINLP. We use 14 examples with varying sizes and features to illustrate the superiority and effectiveness of our formulation and solution approach. The results show that our solution approach is superior to commercial solvers (BARON and DICOPT). © 2009 American Institute of Chemical Engineers AIChE J, 2010     

调和汽油的蒸发性能及其改善方法探讨

环保法规的日益严格对汽车尾气排放的要求也越来越高, 而汽车尾气排放与汽油的蒸气压和馏程分布密切相关。同时, 蒸气压和馏程分布还影响汽车的启动性能、加速性能以及气缸积炭等。文章简述了为满足环保要求和保证汽车驾驶性能, 汽油蒸气压和馏程分布应该达到的要求;介绍了几种能够改变汽油蒸气压和馏程分布的汽油改质方法, 以及目前组成商品汽油的各种调和组分, 比较了各种调和组分在蒸气压和馏程分布方面的性质特点, 及其对成品汽油蒸气压和馏程分布的影响。分析表明, 通过改变催化裂化汽油(FCC)过程工艺条件, 可改善FCC汽油蒸气压和馏程分布, 这是目前改善调和汽油蒸气压和馏程分布最为经济可行的方法;各调和组分中, 烷基化油在改善汽油蒸气压和馏程分布方面是最理想的调和组分。     

汽油调合调度优化

采用连续时间建模方法,建立了一种新的汽油非线性调合和调度集成优化的混合整数非线性规划（MINLP）模型,克服了当前在油品调合调度中采用线性调合模型或者将非线性调合过程和调度分开优化的缺陷。针对建立MINLP模型的特点,将原MINLP问题转化为求解一系列的混合整数线性规划（MILP）模型,避免了直接求解MINLP模型的复杂性。最后以某大型炼油企业为例,验证了模型和算法的实用性。