进化算法理念下繁杂化工程序智能建模方式及应用.docVIP

　　进化算法理念下繁杂化工程序智能建模方式及应用 第1章绪论 1.1引言 进入新世纪以来，随着全球能源价格的不断上涨、环保要求的日益严格以及产品价格和质量的竞争愈加激烈，以化学工业为代表的过程工业正发生着巨大的变化。传统化工企业要想在全球化的大趋势下始终保持强大的竞争力，必须依赖于许多学科直接或间接的支持，而先进的建模与优化方法成为其中不可或缺的手段之一。化工过程的研究对象是工业装置中的各类传递现象(质量、能量、动量传递)和化学反应过程。为了更好的了解工业对象的性质、描述过程的特性，人们主要采用实验和数学模型两种研究方法。早期的实验方法是通过相似理论，将实验研究的结果推广到工业过程中。然而，实验模型与工业原型之间往往很难满足相似条件，导致了实验方法的失效。随着人们对工业对象的深入研究和理解，数学模型方法已逐步成为描述化工过程最主要的研究方法。数学模型的主要目的是用简单的数学描述方法，通过模型的运算和求解来描述过程的规律，为进一步的研究提供支持。一个好的数学模型应当是简单而实用的，即以尽可能简洁的形式来表达主要的过程特性，同时又能够真实的反映研究对象的内在规律，保证所得结果与实际数据相一致。化工过程的优化是建立在数学模型基础之上，为了达到最好的结果或实现最优的目标而对某一问题进行求解的方法。优化技术在研究工业对象的过程中可应用到很多场合，如数学模型的参数优化、过程的操作条件优化、化工工艺流程的优化等。为了更好的描述过程的内在特征，提高预测的精度，数学模型中的有些参数需要根据过程机理或实际数据进行优化，以达到有效模拟真实过程的目的。在确定的工艺流程中，如何保证每个设备单元、每一条回路处于最佳的运行状态，从而使得整个流程的成本、能耗、产率或者收益等性能指标达到最优，这就需要采用优化技术找到各操作参数的最优值。而化工工艺流程的优化则是更高层面上的优化，它要求从全局的角度，针对已有的原料和产品质量要求，设计出一条最优的工艺流程以满足市场的需要，包括设备单元的选型、工艺线路的设计、资源的配置等。因此，有效的建模与优化方法的研究和应用具有重要的实际意义。 实际的化工过程是一个十分复杂的生产过程。为描述工业对象而建立的数学模型往往是多变量、非线性且时变的，而过程的优化问题也含有大量等式、不等式的非线性约束条件。采用传统的建模与优化方法建立复杂化工对象的精确数学模型并求解过程的优化问题是非常困难的。因此在复杂化工过程中，建模与优化方法的研究已经显得越来越必要和迫切。近些年来，一系列智能方法的涌现为解决化工过程中的复杂问题提供了强有力的支持。智能方法模拟了人类和其它生物认识、适应以及改造环境的行为，能够有效地处理复杂化工过程中多影响因素、高度非线性、强耦合性有不确定因素的建模和优化问题。本文正是采用智能的建模方法，建立了过程的相关数学模型，并提出了几种改进的进化算法应用于这些模型中。虽然化工过程的建模与优化方法的研究己经开展了一段时间，但是由于化工过程本身的复杂性，研究成果并不尽如人意。因此，如何利用智能方法的优势，使其在复杂化工过程中真正发挥作用，是摆在所有研究者面前的一大重要课题。 1.2复杂化工过程的建模方法 模型是对系统内部特性的描述。随着过程工业的发展，研究对象的规模越来越大，其特性也越来越复杂，这就对模型的精度提出了更高的要求。建立模型的方法可分为传统的机理建模、系统辨识以及智能建模方法，下面将分别加以介绍。 1.2.1传统建模方法 1.2.1.1机理建模机理 模型是根据过程的内在机理，应用物料平衡、能量平衡等物理定律以及有关化学规律建立的过程模型，即传统化工过程研究中的三传一反(传热、，传质、传动和反应器)。然而，对于大多数复杂化工过程来说，人们对过程内在机理的认识往往很有限，无法用数学方法加以精确描述。因此机理模型的应用成果还比较少。 1.2.1.2系统辨识 zadeh曾给辨识下过这样的定义:辨识就是根据输入输出数据，从一系列模型中选出一个能准确描述所研究对象的模型。系统辨识就是确定过程模型的结构与参数的方法。传统的系统辨识方法包括非参数模型辨识和参数模型辨识。非参数模型辨识多以脉冲响应为基础，可通过响应曲线表示研究对象的特性。参数模型辨识则是根据输入输出数据，辨识出模型的参数的方法。常用的参数辨识模型是基于回归分析的方法，如自回归模型、扩展自回归模型、扩展自回归滑动平均模型等。回归模型的结构确定之后，就需要辨识模型的参数。 第2章预交叉差分进化操作粒子群优化算法及其应用 2.1引言 PSO算法和DE算法均为基于群智能理论的随机进化算法，其本质都是在问题空间内初始化一组随机个体(粒子)，通过迭代计算搜寻最优解。因此，相比于梯度下降法等确定性算法，它们更容易找到全局最优解。但是，随着对这两种算法研究的不断深入，学者们发现它们也易于陷