论文部分内容阅读
随着计算智能方法的发展，将计算智能方法用于解决工程问题已成为其研究的首要任务。而流程工业中建模与优化技术对于石化企业具有重要的现实意义，它的不断完善和应用可以带来十分可观的经济效益。对于具有多样的信息模型、多变量和强耦合特性，以及庞大计算量的复杂流程工业过程，采用单一过程建模与优化手段的作法显然无法满足生产要求。随着多学科相互交叉和渗透，将高效的建模与优化技术和计算智能相结合已成为必然的趋势。鉴于实际流程工业建模与优化问题的复杂性、约束性、非线性、多极小、建模困难等特点，寻求合适的建模与优化方法已成为计算智能学科的一个主要研究目标。因此本文针对流程工业的建模与优化问题，结合计算智能方法中粒子群算法和蚁群算法，并借助于神经网络和模糊分析工具，进行了如下探讨：针对流程工业神经网络建模时，算法的局部收敛问题，采用模糊粒子群算法改进神经网络学习问题。该算法将模糊粒子群引入神经网络学习算法，将网络输出误差和当前的初始权重作为模糊输入变量，粒子的权重变化值作为模糊输出，使得粒子群的权重自适应更新，同时模糊粒子群自适应调整神经网络权重参数，保证了网络的收敛性。将模糊粒子群神经网络算法，用于建立乙烯裂解工业中裂解炉出口温度(COT)、裂解产品收率及工业PTA溶剂脱水系统中醋酸含量等软测量模型，取得了较好的应用效果。针对复杂工业对象的多个优化目标问题存在相互冲突、难以协调一致的问题，研究了基于Pareto机制的多目标粒子群算法(Multi objective Particle swarm optimization，简称MOPSO)。提出基于Pareto机制的模糊多目标粒子群算法，新算法在Pareto排序基础上引入子目标的最优解来扩展非劣解集的范围，使非劣解集对于每个单目标而言都有较广的覆盖范围，确保非劣解集均匀分布，并逼近非劣前沿，改进了非劣解集的质量；同时对非劣解引入目标偏好信息，通过后验的模糊评价，来确定非劣解的满意解，为决策者提供了明确的决策范围。将模糊多目标粒子群算法用于解决乙烯裂解过程中乙烯和丙烯收率多目标优化问题，较好地平衡了两种目标之间的冲突，为流程工业多目标优化问题提供了理论指导。针对蚁群算法中影响算法性能的参数确定问题，研究了基于进化机制的蚁群算法参数确定方法。该方法将蚁群算法中的参数作为每只蚂蚁的属性，利用进化机制对蚂蚁的种群进行自然选择，蚂蚁的参数在求解问题的动态过程中收敛到合理的范围内。验证结果表明，该算法改进了解的性能。针对工业PTA醋酸消耗问题，分析了工业PTA溶剂脱水塔共沸精馏过程，建立了PTA共沸精馏动态模型，对其动态特性进行了分析。在此基础上研究了PTA溶剂脱水系统醋酸降耗问题，将基于进化机制的蚁群算法及模糊多目标粒子群算法分别用于工业PTA的醋酸降耗问题研究，基于进化机制的蚁群算法为解决工业PTA醋酸消耗问题提供了一个优化策略值，模糊多目标粒子群算法为解决工业PTA醋酸消耗问题提供了一个可选的决策范围，两种算法分别从不同角度对解决工业PTA醋酸消耗问题提供了理论指导。