群智能優(yōu)化方法及其在化學(xué)化工中的應(yīng)用研究.pdf

1、近年來(lái)，隨著全球經(jīng)濟(jì)競(jìng)爭(zhēng)的不斷加劇，環(huán)境法規(guī)的日益嚴(yán)格，技術(shù)經(jīng)濟(jì)指標(biāo)的不斷提高以及不可再生資源的日趨減少等，化學(xué)工業(yè)的體系結(jié)構(gòu)發(fā)生了巨大的變化，過(guò)程系統(tǒng)工程的內(nèi)涵和外延得以不斷拓寬，從產(chǎn)品開發(fā)到供應(yīng)鏈管理，均需關(guān)注，且需在各層面展開優(yōu)化研究。隨著產(chǎn)品工程、分子工程、綠色過(guò)程系統(tǒng)集成和多尺度建模等新理念融入傳統(tǒng)的化學(xué)工程學(xué)科，所建的優(yōu)化模型勢(shì)必越益復(fù)雜，可包含非線性、動(dòng)態(tài)、組合、多目標(biāo)和不確定性等多種特性，給優(yōu)化帶來(lái)諸多困難，常規(guī)優(yōu)化方法

2、往往難以勝任，因此對(duì)高效智能優(yōu)化方法的需求日益迫切。 群智能優(yōu)化方法是一個(gè)新興的研究領(lǐng)域，為復(fù)雜優(yōu)化問(wèn)題的求解提供了一個(gè)有效手段，已引起相關(guān)領(lǐng)域?qū)W者的廣泛關(guān)注。蟻群算法和粒子群算法分別在組合優(yōu)化和連續(xù)優(yōu)化領(lǐng)域獲得了廣泛的成功應(yīng)用，但在化學(xué)化工領(lǐng)域的應(yīng)用則起步較晚，研究成果相對(duì)較少，且在處理包含約束、動(dòng)態(tài)和多目標(biāo)等特性的優(yōu)化問(wèn)題時(shí)，缺乏有效機(jī)制。拓展與改。造現(xiàn)有的群智能優(yōu)化方法使之適于不同類型的優(yōu)化問(wèn)題，并擴(kuò)大它們?cè)诨瘜W(xué)化工領(lǐng)域的

3、應(yīng)用，是本文研究的主要內(nèi)容。 本文針對(duì)蟻群算法僅適于離散問(wèn)題的不足，提出了三種連續(xù)化策略；并對(duì)所提的連續(xù)蟻群算法予以拓展，進(jìn)行多方面的改造，使之適于處理含多目標(biāo)、動(dòng)態(tài)和約束等特性的優(yōu)化問(wèn)題；通過(guò)對(duì)實(shí)際化學(xué)化工問(wèn)題的優(yōu)化實(shí)踐，表明拓展與改進(jìn)的蟻群算法具有良好的適應(yīng)性和全局優(yōu)化性能，在過(guò)程系統(tǒng)優(yōu)化領(lǐng)域具有巨大的應(yīng)用潛力。此外，本文還對(duì)粒子群算法進(jìn)行拓展與改造，使之適于處理混合整數(shù)非線性規(guī)劃和動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題，并用于過(guò)程綜合案例和生

4、化反應(yīng)器的動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題。本文的主要研究工作與相關(guān)成果可歸納如下： [1]針對(duì)傳統(tǒng)蟻群算法僅適于離散問(wèn)題的不足，本文提出三種連續(xù)化策略，分別為基于實(shí)體的、基于募集機(jī)制的和基于模型的?；趯?shí)體的蟻群算法以遺傳操作方式進(jìn)行全局搜索，并引入powell算子用于局部挖掘，構(gòu)建為雜交蟻群系統(tǒng)，已成功用于2-氯苯酚超臨界水氧化的動(dòng)力學(xué)參數(shù)估計(jì)。基于募集機(jī)制的蟻群算法引入成群和海量?jī)煞N募集操作實(shí)現(xiàn)正反饋，結(jié)合厭食現(xiàn)象實(shí)現(xiàn)負(fù)反饋，構(gòu)建為MG

5、-CACO，已成功用于二甲苯異構(gòu)化裝置的單目標(biāo)操作優(yōu)化。本文還拓展與改進(jìn)MG-CACO，提出三條啟發(fā)式規(guī)則評(píng)價(jià)約束意義下的食物源優(yōu)劣，并改造海量募集和信息素更新操作，構(gòu)建為MG-CCACO，已成功用于丁烯烷基化過(guò)程的約束優(yōu)化；綜合考慮被支配度和分散度，抽提啟發(fā)式規(guī)則評(píng)價(jià)多目標(biāo)意義下的食物源優(yōu)劣，設(shè)置優(yōu)解庫(kù)用于保留和更新非劣解集，構(gòu)建為MG-MOCACO，已成功用于二甲苯異構(gòu)化裝置的多目標(biāo)操作優(yōu)化。基于模型的蟻群算法采用混合J下態(tài)分布描述

6、信息素，引入Pareto和免疫系統(tǒng)的濃度概念評(píng)價(jià)約束多目標(biāo)意義下的食物源優(yōu)劣，利用優(yōu)解庫(kù)和種群信息更新信息素，以擁擠度指標(biāo)更新優(yōu)解庫(kù)，構(gòu)建為基于免疫機(jī)制的多目標(biāo)蟻群算法，已成功用于間歇過(guò)程的約束動(dòng)態(tài)多目標(biāo)優(yōu)化。 [2]以規(guī)則表示的知識(shí)易于理解和專業(yè)解釋，但規(guī)則提取難度大，對(duì)連續(xù)屬性常需離散化。本文提出兩種方法用于規(guī)則提取，其一將規(guī)則提取構(gòu)建為連續(xù)優(yōu)化模型，并應(yīng)用MG-CACO予以優(yōu)化，適于連續(xù)屬性問(wèn)題，并融入集成策略構(gòu)建為集成

7、分類器系統(tǒng)，已成功用于橄欖油產(chǎn)地判別分類研究；其二與粗糙集理論(RST)相結(jié)合，基于構(gòu)建樣本區(qū)分表，將屬性離散化和約簡(jiǎn)歸結(jié)為雙目標(biāo)優(yōu)化問(wèn)題，提出一種基于妥協(xié)的蟻群算法(CACA)予以求解，一并解決RST的2個(gè)NP難問(wèn)題。CACA動(dòng)態(tài)計(jì)算啟發(fā)式信息，融入冗余列移除和局部搜索操作，依概率輪流調(diào)用兩種信息素更新操作，已成功用于兩個(gè)毒性作用機(jī)制分類問(wèn)題。 [3]針對(duì)粒子群算法缺乏約束、離散變量和多目標(biāo)處理機(jī)制的不足，提出兩種改進(jìn)策略，分