论文部分内容阅读
随着现代工业的快速发展，过程规模迅速提升，生产模型维度、非线性程度不断提高，计算复杂度大大提升，利用智能优化算法直接对模型进行优化计算变得非常耗时而效率低下。针对计算昂贵模型的优化问题，本文着重研究基于Kriging代理模型的优化算法，利用代理模型代替原模型进行优化，提高优化效率。针对基于Kriging代理模型的智能优化算法存在的问题，本文提出了基于多级代理模型的改进优化算法，以及迭代优化算法。与传统的基于Kriging代理模型的优化算法相比，本文提出的改进算法的全局寻优能力与优化效率提高显著，迭代优化算法则具有更强的全局寻优能力与鲁棒性。基于以上算法，本文与控制变量参数法相结合，实现了聚乙烯牌号切换过程的动态优化。本文的主要工作与创新如下: (1)本文在对Kriging模型深入理解的基础上，针对Kriging代理模型存在的模型局部近似能力低下、大样本下模型构建耗时的缺点提出了基于多级代理模型的改进优化算法。利用Kriging作为全局代理模型，RBF作为局部代理模型，构建多个RBF局部代理模型以获取局部信息来提高Kriging代理模型的局部近似能力，采用样本点遗忘与样本点自适应增加，保证Kriging代理模型精度的同时，缩短了模型构建的时间，使算法效率显著提高，尤其在大样本情况下效果更加显著。通过对典型复杂多峰函数的测试，与EGO，PSO算法相比，本文提出的基于多级代理模型的改进优化算法具有更强的全局寻优能力与鲁棒性。 (2)为进一步提高基于多级代理模型改进优化算法的全局寻优能力以及算法的收敛速度，本文通过改进搜索区域收缩策略，提出了一种新的基于多级代理模型的迭代优化算法。利用算法搜索得到的最优值的提高程度来选取收缩率，并根据当前最优点与原搜索区域的位置关系来决策进行区域收缩或区域平移。通过对典型复杂多峰函数的测试，基于多级代理模型的迭代优化算法具有更强的全局寻优能力与鲁棒性。 (3)本文在乙烯气相聚合过程动态模型基础上，对聚乙烯牌号切换过程动态优化问题进行了建模。采用控制变量参数模型化方法，将基于多级代理模型的迭代优化算法与控制变量参数化方法相结合，构成了基于多级代理模型迭代优化算法的最优控制变量参数化方法，该算法解决了聚乙烯过程牌号切换动态优化问题。