基于改进粒子群算法的乙苯脱氢过程多目标优化

设计了一种基于支配关系构造非支配解集的多目标粒子群算法(MOPSO),将当前找到的非支配解保存到一个外部集——最优解集,利用支配更新其最优解集,多次迭代后得到Pareto最优解集。把乙苯脱氢反应过程的收率和选择性作为优化目标,动力学模型和实际生产状况作为约束条件构造乙苯脱氢过程的多目标优化问题,利用改进的多目标粒子群算法进行优化求解。基于求得的Pareto最优解集研究了各个操作条件对乙苯脱氢生产过程收率和选择性的影响,为后续乙苯催化脱氢系统实施先进控制奠定了基础。     

一种新的BP神经网络培训方法

本文针对BP神经网络培训过程中的局部最优解问题提出了一种新的培训方法——GDR-SA法,分别对1个具有13个决策变量的网络和1个具有108个决策变量的催化裂化分馏塔优化操作建模网络进行了培训。结果表明这一方法可以有效地克服局部最优解给网络培训所带来的困扰。     

RBF-CSR方法及其应用于裂解装置建模的研究

RBF－CSR是在分析RBF－PLS的基础上提出的新方法。它保留了RBF－PLS的优点：采用神经网络的结构，又用数学方法直接求解，免去了ANN冗长的训练过程和其它诸多欠缺。RBF－CSR方法可以在更宽广的空间内寻找最优的网络参数，它所建立的模型具有很强的预报精度和良好的稳定性，又有简洁的解析形式，便于优化等进一步的计算和处理。该方法已成功地应用于裂解装置的建模。     

分批补料发酵过程多目标优化的分布式强化学习策略

发酵过程优化问题通常包含有互相冲突的多重优化目标,另外反应本身具有诸多复杂性。提出一种基于Pareto的分布式Q学习多目标策略,用以求解赖氨酸分批补料发酵过程流加速率轨迹的Pareto最优解。该策略中,Q学习算法和Pareto排序法将结合来产生非支配解集,并使之逼近真实的Pareto前沿,利用奖赏机制来描述多重目标之间的关系,并同时使用多组含有随机初始值的agent共同作用改善搜索能力。将所提出的方法应用于赖氨酸分批补料发酵过程的优化中,并与粒子群优化进行了对比,验证策略的性能。     

基于改进聚类算法的RBF网络及其应用

RBF网络可以逼近任意连续非线性函数,且训练速度快,性能好,被广泛应用于过程建模和预测。RBF网络的一个重要因素是隐层节点的选择,隐层节点过多或过少都会影响最终网络的性能。提出一种改进的k-means聚类算法,可以自动确定最优的聚类区数,并且可使最终的聚类中心合理地分布在数据空间中。在应用RBF网络进行建模和预测时,采用该方法确定隐层节点的中心,跟用通常的聚类方法相比,可以大大减小网络规模。仿真和实际应用结果都证明该方法的有效性。     

失效情景下气体探测器多目标布置优化

目前有关气体探测器布置优化研究较少考虑探测器的失效情景,本文以某柴油加氢装置的硫化氢气体探测器布置优化为例,提出一种失效情景下气体探测器多目标布置优化方法。首先对待检测区域的潜在泄漏源进行辨识,构建泄漏场景集并进行场景缩减,通过计算流体力学方法预测泄漏实时浓度场。其次,以时效性和鲁棒性作为评价指标,以考虑泄漏场景概率和探测器失效概率的检测时间最小化、探测器网络鲁棒性最大化作为优化目标函数,并结合逻辑约束条件建立数学模型。在此基础上,采用基于模拟退火的多目标粒子群算法对模型进行求解,得到Pareto非劣解集,采用理想点逼近法（TOPSIS）对Pareto解集进行排序得到最优方案,最后决策者可根据不同需求确定最终布置方案。     

RBF网络模型在预测函数控制中的应用

对三容液位系统的非线性复杂特点,利用RBF网络对系统建立预测模型,着重分析了RBF网络结构的选取、模型参数辨识以及网络优化的问题.通过预测函数控制验证了RBF网络模型在非线性系统建模中的优越性.     

多目标粒子群算法用于补料分批生化反应器动态多目标优化

多目标优化是过程系统工程的重要课题,通常以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。基于群智能的粒子群算法具有全局优化性能,且易于实现。为使其适于多目标优化,应拓展功能,实施改造。以Pareto支配概念评价种群个体的优劣,设计了确定局部最优点和全局最优点的操作。又利用各粒子的局部最优点信息进行速度更新,以加强种群的多样性,避免因早熟而陷于局部最优。还设置了外部优解库,并通过分散度计算,以适当的策略进行更新,使之逐步均匀地逼近于Pareto最优解集。由此构建一种多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）,并用于补料分批生化反应器的动态多目标优化,取得了满意的结果。可基于所搜得的Pareto最优解集,分析目标间的关系,为合理决策提供有效的支持。经与NSGA-II比较,MOPSO算法具有更为优良的性能。     

RBF-MCSR方法用于二甲苯异构化装置的建模

推导了多因变量循环子空间回归 (MCSR)算法 ,并将MCSR集成于径向基网络 (RBFN)的输出端 ,由此提出了RBF—MCSR方法 ,它能表达复杂的非线性关系 ,而且在更为宽广的解空间内选取具有简明的解析形式的最优模型。将该法应用于二甲苯异构化装置 ,效果良好 ,与现有的RBF -PLSR比较 ,显示出其非线性建模的优势     

基于NSGA-Ⅱ的模拟移动床色谱分离过程多目标操作优化

多目标优化策略被应用于模拟移动床过程的操作优化中，采用一种基于Pareto最优解的多目标优化算法——NSGA-Ⅱ算法，以分离联萘酚对映体的模拟移动床色谱分离过程作为研究对象，利用模拟移动床TMB数学模型，以分离性能指标作为目标函数进行了多目标操作优化设计。优化结果表明，NSGA-Ⅱ算法得到的非劣解在目标空间分布均匀，算法收敛性和鲁棒性好。基于NSGA-Ⅱ算法的面向分离性能多目标优化设计方法为模拟移动床分离过程的工艺设计和操作指导提供了有效的工具。     

迁移工作流中工作机网络性能优化研究

在基于移动计算范型的迁移工作流系统中,工作位置包括停靠站服务器及其管理的工作机网络,是迁移实例的运行场所。基于遗传算法,通过对工作机中迁移实例的运行状态进行编码,用Pareto对多目标问题进行优化,结合在最优解集中选取决策方案算法,提出了系统性能优化方案,实现了工作机网络多种资源的负载均衡。     

基于免疫机制的多目标蚁群算法用于间歇反应器的约束动态多目标优化

含路径和终端约束的动态多目标优化是过程系统工程的一个重要研究方向,难度较高.传统蚁群算法仅适于离散问题,今采用混合正态分布描述信息素分布,并设计相应的解构造操作,使之拓宽至连续优化问题.通过对目标函数和约束矩阵的非劣捧序,确定解的等级,用以克服传统约束处理方法的局限性.借鉴了免疫系统的浓度概念,将其与解的等级结合,共同确定解的适应度,有助于保持种群的多样性.在更新信息素时将利用外部优解库和种群信息,可加快收敛速度.基于拥挤度距离更新外部优解库可更均匀地逼近Pareto最优解集.由此构建了一种基于免疫机制的多目标蚁群算法(Immune Mechanism based Multi-Objective Ant Colony Algorithm,IM-MOACA),并用于间歇反应器的动态多目标优化问题,效果良好,显示出较强的全局优化性能,能以较快的速度逼近真实的Pareto最优前沿,可为用户进行合理的决策分析提供有效的支持.     

热偶精馏过程模拟优化方法的改进——人工神经网络-遗传算法

采用人工神经网络和遗传算法对热偶精馏分离过程提出了一种新的建模方法和优化算法,该方法不仅能够有效地求解热偶精馏过程的数学模型,迅速地得到优化变量和目标函数的解,而且具有获得全局最优解的能力.最后通过实例说明了本方法的有效性.     

混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用

通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法（HBBMOPSO）。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。     

面向产品分布协调的两段提升管催化裂解多目标优化

根据两段提升管重油催化裂解过程工艺特点和经济运行要求，基于过程机理模型，考虑多种约束条件，构造了同时最大化丙烯、汽油产量以及最小化干气产量的多目标操作优化问题，并采用标准化法向约束方法求解获得了完整、均匀分布的Pareto最优解。仿真结果表明，多目标优化结果可以定量地描述出丙烯、汽油和干气收率间的最优折中，以及操作变量、约束条件对产品分布的影响，可以为过程优化操作提供指导。     

混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用

通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法(HBBMOPSO)。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。     

基于多目标优化的两段提升管重油催化裂解自优化控制

针对两段提升管重油催化裂解过程经济运行要求和工艺特点,从多目标优化角度出发,提出一种自优化控制方法。首先,基于过程稳态模型,考虑操作约束条件,构造同时最大化丙烯产量和最小化干气产量的多目标操作优化问题,并采用标准化法向约束方法求解获得完整、均匀分布的Pareto最优解;然后,根据多目标优化结果所揭示的最优操作条件与积极约束之间的关系,提出了一种基于串级控制的自优化控制策略。仿真结果表明,与传统的提升管出口温度设定值跟踪控制相比,本文方法在干扰作用下能够及时调整操作条件,降低干扰对过程优化运行的不利影响。     

基于多目标优化的两段提升管重油催化裂解自优化控制

针对两段提升管重油催化裂解过程经济运行要求和工艺特点,从多目标优化角度出发,提出一种自优化控制方法。首先,基于过程稳态模型,考虑操作约束条件,构造同时最大化丙烯产量和最小化干气产量的多目标操作优化问题,并采用标准化法向约束方法求解获得完整、均匀分布的Pareto最优解;然后,根据多目标优化结果所揭示的最优操作条件与积极约束之间的关系,提出了一种基于串级控制的自优化控制策略。仿真结果表明,与传统的提升管出口温度设定值跟踪控制相比,本文方法在干扰作用下能够及时调整操作条件,降低干扰对过程优化运行的不利影响。     

基于向量评价遗传算法的化工园区无约束双目标安全规划

应用多目标优化的理论建立了一个适用于化工园区的无约束双目标安全规划模型,两个目标分别为潜在死亡人数最小化和总收益最大化,并基于向量评价遗传算法（VEGA）设计和实现了模型的优化过程。研究得出的结论为：（1）提出的模型和优化方法是可行的,能够搜索出部分Pareto最优解,它们对化工园区安全规划具有很好的参考价值。（2）使用的编解码方法简便直观,避免了计算染色体函数值时二进制和实数之间的转换问题,有利于算法的设计和实现。（3）在VEGA算法末尾引入的非劣剔除算子有助于从最终解中快速剥离出Pareto最优解。（4）VEGA算法搜索能力尚显不足,有必要研究性能更好的算法。     

反应器网络多目标综合优化

通过反应系统综合优化获得经济效益好、对环境友好的反应系统是大多化工厂提高全流程整体经济和环境性能的重要手段。反应器网络综合优化方法主要包括可得区法、导数分析法、超结构优化法、目标类法、经验推断法和分布参数法等,然而却很少有文献报道对反应器网络进行多目标综合优化。由于过程中往往存在多个相互冲突的目标函数,所以仅仅依靠单目标对反应器网络进行综合优化已显得不合适。本文采用分布参数法建立多目标优化模型,目标函数为经济最大化和环境影响最小,并采用非支配排序基因算法(NSGA-Ⅱ)进行优化得到Pareto最优解集。