改进群智能整改计算及在工业裂解炉之应用.docVIP

　　改进群智能整改计算及在工业裂解炉之应用 第1章绪论 1.1引言 乙稀工业是石油化工行业的支柱，乙烯装置生产的三煤（乙煤、丙炼、丁二烯）和三苯（苯、甲苯、二甲苯）是石油化工行业的基础原料⑴，乙稀产量是衡量各国石油化工发展程度的标准。世界乙烯工业一直保持着良好的态势，2010至2011两年的时间里，全球乙煤的新增产能为250万吨/年[2，3]，见表1.1。2006年，我国发展改革委员会公布了《乙烯工业中长期发展专项规划》[4],其中要求我国大力发展80万?100万吨规模的乙烯项目。2009年5月，政府又出台了《石化产业调整和振兴规划》规划中提出三个要点：到2011年乙烯年产量达到1550万吨，逐步实现百万吨级乙煤等成套技术装备本地化，大型乙烯装置吨乙烯耗标准油低于640千克。我国目前有乙烯装置25套(包括合资企业装置，不含台湾地区)，随着中原10万吨/年MTO装置的建成投产，中沙（天津）100万吨/年乙烯，华锦45万吨/年乙烯，镇海100万吨/乙稀和神华集团30万吨/年MTO装置的相继投产，至2011年底我国乙烯生产能力已超过1500万吨/年，达到1506.5万吨/年[6]。乙烯行业的发展正朝着原料多样化、技术国产化和操作最优化这三个方向迈进。如何使现有的乙烯生产装置能够在最优条件下运行？目前我国大多数乙烯企业对乙烯生产的内在机理认识不够深入，为了保证乙烯的生产安全，很多关键操作参数（如出口温度，汽径比）的操作点仍采用工艺包提供的设定值。实际上，各家乙烯厂的原料和操作方法均不同，导致实际装置的运行状况与设计工况差异很大，无法充分挖掘装置的运行效益。因此，对乙煤装置优化运行技术的研究显得尤为重要。 1.2智能优化算法概述 智能计算也有人称之为软计算是人们受自然（生物界）现象的启发，研究其原理，模仿其规律而设计的求解问题的算法。这方面的研究成果很多，例如遗传算法、模拟退火算法、人工免疫算法和群集智能算法等。它们不但丰富了现代优化技术，同时也为那些传统优化技术难以处理的组合优化问题提供了有效的解决方案。以下对几种常用的智能优化算法作简要的概述。遗传算法[8] (Geic Algorithm, GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，其基本思想是基于Darulated Annealing, SA)是Kirkpatrick于 1983年首次提出的一种组合优化算法。SA的应用很广泛，在求解最大截问题（Max Cut Problem)、0-1背包问题（Zero One Knapsack Problem)、图着色问题（Graph Coloring Problem)、调度问题（Scheduling Problem)等方面效率较高。人工免疫算法（Artificial Immune Algorithm, AIA) 的研究始于20世纪90年代，AIA模仿生物免疫系统的自适应机制和排除机体的抗原性异物机制，从而使AIA具有学习、记忆和自适应调节能力，因而AIA算法具有较强的鲁棒性并在搜索过程中更能够收敛到全局最优值，被人们认为是很有潜力的搜索算法,目前AIA已经用于函数优化、异常和故障诊断、机器学习、机器人行为仿真、网络入侵检测等领域，表现出较令人瞩目的性能和效率。群智能优化算法是受自然界生物群体行为的启发，通过对其行为的模拟研究而提出的一系列用于解决复杂问题的新方法，其作为一种新兴的演化计算技术已成为越来越多研究者关注的研究热点[I3]。群体智能（S Intelligence)中的群体（S)是指一组相互之间可以进行直接通信或者间接通信（通过改变局部环境），并且能够合作进行分布问题求解的主体。而所谓群体智能是指无智能的主体通过合作表现出群体智能行为的特性。这样，群体智能的协作性、分布性、鲁棒性和快速性的特点使之在没有集中控制，并且不提供全局模型的前提下，可以用来求解复杂的大规模分布式问题。1991年，Dorigo等人首先提出蚁群算法(Ant Colony system, ACS)[i4],其主要特点是：通过正反馈、分布式协作来寻找最优路径，这是一种基于种群寻优的启发式搜索算法，它充分利用了蚁群能通过个体间简单的信息传递，搜索从蚁穴至食物间最短路径的集体寻优特征，得到了具有NP难度的旅行商问题的解答，同时该算法还被用于求解货郎问题、二次指派问题，以及背包问题等，显示了其适应于组合优化类问题求解的优越性[15]。 第2章智能优化算法 2.1引言 工程问题中存在诸多复杂性，通常具有非线性和多极值的特点，这对优化理论与技术带来了巨大的挑战。因此，优化方法应该具有克服搜索过程陷入局部极值的能力；要针对问题的大规模性和NP难性，具有一定优化质量意义下的高效搜索能力；要针对问题的不确定性和算法本身的参数，具有良好的鲁棒性；要针对连续与离散变量共存