群智能優(yōu)化方法及其在化學化工中的應用研究.pdf

1、近年來，隨著全球經濟競爭的不斷加劇，環(huán)境法規(guī)的日益嚴格，技術經濟指標的不斷提高以及不可再生資源的日趨減少等，化學工業(yè)的體系結構發(fā)生了巨大的變化，過程系統(tǒng)工程的內涵和外延得以不斷拓寬，從產品開發(fā)到供應鏈管理，均需關注，且需在各層面展開優(yōu)化研究。隨著產品工程、分子工程、綠色過程系統(tǒng)集成和多尺度建模等新理念融入傳統(tǒng)的化學工程學科，所建的優(yōu)化模型勢必越益復雜，可包含非線性、動態(tài)、組合、多目標和不確定性等多種特性，給優(yōu)化帶來諸多困難，常規(guī)優(yōu)化方法

2、往往難以勝任，因此對高效智能優(yōu)化方法的需求日益迫切。 群智能優(yōu)化方法是一個新興的研究領域，為復雜優(yōu)化問題的求解提供了一個有效手段，已引起相關領域學者的廣泛關注。蟻群算法和粒子群算法分別在組合優(yōu)化和連續(xù)優(yōu)化領域獲得了廣泛的成功應用，但在化學化工領域的應用則起步較晚，研究成果相對較少，且在處理包含約束、動態(tài)和多目標等特性的優(yōu)化問題時，缺乏有效機制。拓展與改。造現有的群智能優(yōu)化方法使之適于不同類型的優(yōu)化問題，并擴大它們在化學化工領域的

3、應用，是本文研究的主要內容。 本文針對蟻群算法僅適于離散問題的不足，提出了三種連續(xù)化策略；并對所提的連續(xù)蟻群算法予以拓展，進行多方面的改造，使之適于處理含多目標、動態(tài)和約束等特性的優(yōu)化問題；通過對實際化學化工問題的優(yōu)化實踐，表明拓展與改進的蟻群算法具有良好的適應性和全局優(yōu)化性能，在過程系統(tǒng)優(yōu)化領域具有巨大的應用潛力。此外，本文還對粒子群算法進行拓展與改造，使之適于處理混合整數非線性規(guī)劃和動態(tài)多目標優(yōu)化問題，并用于過程綜合案例和生

4、化反應器的動態(tài)多目標優(yōu)化問題。本文的主要研究工作與相關成果可歸納如下： [1]針對傳統(tǒng)蟻群算法僅適于離散問題的不足，本文提出三種連續(xù)化策略，分別為基于實體的、基于募集機制的和基于模型的?；趯嶓w的蟻群算法以遺傳操作方式進行全局搜索，并引入powell算子用于局部挖掘，構建為雜交蟻群系統(tǒng)，已成功用于2-氯苯酚超臨界水氧化的動力學參數估計?；谀技瘷C制的蟻群算法引入成群和海量兩種募集操作實現正反饋，結合厭食現象實現負反饋，構建為MG

5、-CACO，已成功用于二甲苯異構化裝置的單目標操作優(yōu)化。本文還拓展與改進MG-CACO，提出三條啟發(fā)式規(guī)則評價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，構建為MG-CCACO，已成功用于丁烯烷基化過程的約束優(yōu)化；綜合考慮被支配度和分散度，抽提啟發(fā)式規(guī)則評價多目標意義下的食物源優(yōu)劣，設置優(yōu)解庫用于保留和更新非劣解集，構建為MG-MOCACO，已成功用于二甲苯異構化裝置的多目標操作優(yōu)化?；谀Ｐ偷南伻核惴ú捎没旌螶下態(tài)分布描述

6、信息素，引入Pareto和免疫系統(tǒng)的濃度概念評價約束多目標意義下的食物源優(yōu)劣，利用優(yōu)解庫和種群信息更新信息素，以擁擠度指標更新優(yōu)解庫，構建為基于免疫機制的多目標蟻群算法，已成功用于間歇過程的約束動態(tài)多目標優(yōu)化。 [2]以規(guī)則表示的知識易于理解和專業(yè)解釋，但規(guī)則提取難度大，對連續(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)則提取構建為連續(xù)優(yōu)化模型，并應用MG-CACO予以優(yōu)化，適于連續(xù)屬性問題，并融入集成策略構建為集成

7、分類器系統(tǒng)，已成功用于橄欖油產地判別分類研究；其二與粗糙集理論(RST)相結合，基于構建樣本區(qū)分表，將屬性離散化和約簡歸結為雙目標優(yōu)化問題，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NP難問題。CACA動態(tài)計算啟發(fā)式信息，融入冗余列移除和局部搜索操作，依概率輪流調用兩種信息素更新操作，已成功用于兩個毒性作用機制分類問題。 [3]針對粒子群算法缺乏約束、離散變量和多目標處理機制的不足，提出兩種改進策略，分