群智能优化方法及其在化学化工中的应用研究

《群智能优化方法及其在化学化工中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学博士学位论文温度控制策略优化；Faber等140】以Matlab的Simulilll(工具箱为代数微分方程组的求解工具，并融入模拟退火算法，用于联合裂羹重罾荏鬈霞释影谱W燃筇勃棚雾磊燮坂i越蓁涔羹j耄

2、

3、。丝耋霎萋覆蹦鞯秽督狂姿豸墨蓄徕黧赫赫靠奏E潋堡鬻■产醐薹藿竺攀；嚣j方蠢萎秦艄1为薹篙错牮万霎季型塞领域哪蠹筹举佬蓁磊罐掳迷猖蚓边强疆搿羹錾；采用非劣排序遗传算法对尼龙6的半间歇反应器进行了多目标操作优化，同时以反应时问最小和副产物浓度最小为优化目标。此后，众多研究者采用非劣排序遗传算法及其改进方法用于化工过程的

4、多目标优化，应用领域较为广泛155~72】，如旋风分离器，工业氢装置，聚对苯二甲酸乙二酯工业转膜反应器，流化催化裂化装置，工业苯乙烯反应器，半间歇等温环氧聚合过程，工业低密度聚乙烯管式反应器，或者间歇冷却结晶过程等，它们的优化目标分别为总收集效率最大和压力降最小，氢气流率和输出蒸气流率均最大，含酸基团和含乙烯基团的副产物浓度均最小，汽油产率最大和空气流率与废气中一氧化碳比例最小，苯乙烯的产量、收率和选择性均最大，数均分子量最大和多分散性指数最小，单体转化率最大和副产物浓度最小，或者重均粒径最大和操作时间最小等。此外，禁忌搜

5、索【73】，差分进化算法【741，模拟退火算法【75】，蚁群算法【761和粒子群算法【19，77J等也开始用于化工过程的多目标优化，如Sankarara0等【75】将多目标模拟退火算法用于空气分离过程中变压吸附装置的多目标优化，并以氧气和氮气的纯度和回收率均最人为优化目标；贺益君等【76】提出多目标连续蚁群算法用于对二甲苯异构化装置的多目标优化，并以主反应程度最大和副产物浓度最小为优化目标；Li等179J采用多目标粒子群算法用于工业石脑油裂解炉的多目标优化，并以乙烯和丙烯的收率均最大为优化目标等。经文献检索统计，大部分化工

6、过程的多目标优化研究成果，主要集中于SantoshK．Gupta教授和AjayK．Ray教授的两个课题组，他们在化工领域的顶级期刊发表了较多的研究论文，且引用率较高。但是，纵观过程系统工程的优化研究领域，对多目标优化的关注程度仍显不够，究其原因，一方面，随机优化算法用于多目标优化的发展历程较短，理论研究需进一步深入，对大规模复杂优化问题的求解效率与性能仍需提高；另一方面，可能与优化方法相关，大部分过程系统工程专家主要关注确定性全局优化方法的理论和应用研究，其无法有效地应对多目标优化的求解特性。总之，多目标优化虽已广泛地用于

7、化工过程领域，但仍存在如下问题：(1)多目标优化所用方法较为单一，大部分为非劣排序遗传算法及其改进，应注重开发更多性能优良，并具特色的多目标优化方法，以适应各种需求；(2)近年来，群智能优化方法，如粒子群优"x浙江大学博‘上学位论文宽其在化工过程领域的应用范围；(3)当前的研究大多集中于化工过程的操作优化，对过程设计和综合、生化过程等领域的多目标优化研究相对较少，在化工过程的各个层次都可实施多目标优化，应加强研究；(4)研究较多集中于如何获得分布较为均匀的Pareto最优解集，对于后续的决策过程，即如何从解集中选出满意解，

8、研究甚少，在理论与应用两方面都应加强；(5)注意开发实用的、适于多目标优化的软件。1．3本文的主要研究内容和结构安排群智能优化方法是一个新兴的研究领域，为求解复杂优化问题提供了一种有效的手段，其中蚁群算法和粒子群算法为其两类典型代表。蚁群算法具有鲁棒性、分布并行机制和易融入启发式信息等特点，通过释放信息素，蚂蚁问相互交流协作，实现正反馈机制，加速全局搜优，提高了效率。但是，传统蚁群算法仅适于处理离散优化问题，用于连续优化问题需予拓展其功能。粒子群算法具有原理简单和易于实现等优点，但存在易于早熟的缺点，需予改进。在处理含多目

9、标、动态和约束等特性的优化问题时，蚁群算法和粒子群算法均缺乏相应的机制，需予增强与改进。关于群智能优化方法的起源、发展及应用现状将在第二章详述。针对蚁群算法仅适于离散问题的不足，本文提出了三种连续化策略，分别为基于实体的、基于模型的和基于募集机制的。针对蚁群算法缺乏多目标、动态和约束的处理机制，本文对所提的连续蚁群算法予以拓展，融入Pareto支配、食物源优劣评价启发式规则、免疫机制等概念或策略，进行多方面的改造，使之能适于处理多种类型的复杂优化问题。本文还以实际化学化工问题为背景，将拓展与改进的蚁群算法成功用于动力学参数

10、估计，二甲苯异构化装置的稳态操作优化，丁烯烷基化过程优化，间歇反应器的约束动态多目标优化，化学模式分类，以及有机物毒性作用机制分类等问题。此外，本文还针对粒子群算法缺乏多目标、约束、动态和离散变量的处理机制，融入了概率取整、Pareto支配概念、解修复等概念予以改造，使之适于处理MINLP和动态多目标优