2020年数学建模大赛华为杯B题优秀论文5.pdfVIP

中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 数学建模竞赛 学 校 南京林业大学 参赛队号 20102980116 1.曹磊 队员姓名 2.王羽尘 3.王玉鹏 0 中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 数学建模竞赛 题 目 降低汽油精制过程中的辛烷值损失模型 摘 要： 辛烷值是反映汽油燃烧性能的重要指标，现有技术在对催化裂化汽油进行脱硫和降烯 烃过程中，普遍降低了汽油辛烷值，造成了辛烷值（RON ）的损失。为在汽油精制过程中 进行优化操作，我们通过对其样本信息进行数据挖掘与模型建立，提供有价值的信息支持。 本文基于汽油精制过程中的样本信息数据，根据操作变量之间的高度非线性和相互强 耦联性，进行数据挖掘与分析。同时，根据数据宏观层面的规律性、微观层面的差异性， 2 建立具有针对性的多个数学模型，并使用R ，MSE ，RMSE 等多种参数、模型比对与平稳 性分析，进行了评估与合理性验证。本文所做的工作可概括为以下几点: 问题一：在判断数据合理性基础上，对样本数据进行预处理。首先，对照变量取值和 Δ值范围，查找异常数据；其次，根据最大最小的限幅，剔除限幅外数据；然后，根据拉 依达准则，去除异常值，共清洗剔除了附件三中的 726 条数据。最后，进行样本值确定， 分别将285 号和313 样本操作变量的平均值与同一行进行比较，285 号的契合度达到100%， 313 号存在些许差，多数数值的契合度达到90% 以上。 问题二：根据数据特性，建立了mRMR-IFS-SVR 模型。首先使用最大相关—最小冗余 特征选择方法（mRMR ）求解特征与目标损失值的相关性列表，获取30 个主要变量的候选 列表；其次，考虑到变量之间的高度非线性和相互强耦联，我们联用增量特征选择方法(IFS) ， 建立了高斯核函数支持量回归模型(rbf-SVR)，以评估参数筛选出了24 个主要变量。同时， 通过相关系数、互信息和最大信息数、随机森林、递归特征消除等方法验证主变量筛选的 合理性。 问题三：本题主要通过数据挖掘技术建立辛烷值损失预测模型，即通过样本数据，求 解最佳回归模型。由于数据本身的变量之间具有高度非线性和相互强耦联的关系，因此， 本题选取相应的回归模型进行求解。我们主要联用第二问的rbf-SVR 模型，与决策树回归、 随机森林回归、梯度上升回归树进行比较评估参数选取最佳预测模型。最终确定了拟合优 度为93.75%的决策树回归模型。 问题四：基于合作博弈论，对筛选样本数据进行分析，并建立多目标优化模型。沿用 决策树回归建立硫含量与24 个主变量的预测模型，我们重点建立了“合作博弈——PareTo 强度进化算法”：输入样本数据的操作变量，约束其上下限，根据“合作博弈”方法、“PareTo 强度进化算法”，进行多次实验的多次迭代求近似最优解；获取多次迭代的最优解对应的 1 操作变量值取平均增降幅度，使用分布密度函数求得均值以及置信区间，提供整体操作变 量的优化方案。同时，通过验证样本契合度、模型迭代的稳定性说明其合理性。 问题五：本题沿用了第四问中第133 号样本的多次迭代最优解平均值作为增降服务的 参考，使用贪心算法对主要变量进行逐步调整，总调整步长为 259，展现了汽油辛烷值和 硫含量的变化轨迹。第234 步时达到最优，辛烷值最高为88.7，硫含量为3.4 μg/g 。当调 整步长为228 时，硫含量最低为3.2 μg/g 。 关键词：辛烷值；汽油精制；mRMR-IFS-SVR 模型；决策树回归；合作博弈论；PareTo 强度进化算法