遗传算法在化工精馏中的运用.pdf 6页

'中国科技论文在线http://www.paper.edu.cn遗传算法在化工精馏中的运用**田锡军，何方，魏顺安（重庆大学化学化工学院重庆市401331）5摘要：传统优化一般是单目标优化方法，在其他变量确定情况下，改变单一变量，寻找最优值，对于单极值问题，传统优化方法通常情况下可解决其优化问题。然而，对于化工过程，较多的为多目标优化问题，对于多目标优化算法的研究更具有实用价值。智能优化算法可以很好的避免这些问题，它通过全局搜索可以跳出局部最优并收敛到一个点之间有个较好的平衡，从而实现找到全局最优点。智能优化算法（如遗传算法）从串集开始搜索，覆盖面大，10利于全局择优。关键词：z多目标优化，遗传算法，AspenPlus，分壁式精馏塔中图分类号：TQ028.3+1ApplicationofGeneticAlgorithminChemicalDistillation15TIANXijun,HEFang,WEIShunan(SchoolofChemistryandChemicalEngineering,ChongqingUniversity)Abstract:Traditionaloptimizationmethodmostlyissingleobjectiveoptimization，andcanresolvesingleobjectiveoptimizationproblemssuccessfully.Forasingleobjectiveoptimizationproblem,optimalsolutionisobtainedbyadjustinganindependentvariablewithoutanychangesaboutother20variables.However,theoptimizationproblemsforchemicalprocessarenormallymulti-objectiveoptimizationproblemsthatareworthyofresearch.ntelligentoptimizationalgorithmcanavoidaboveproblemsthroughglobalsearchthatcanbreakawayfromthelocaloptimumandconvergeefficiently.Intelligentoptimizationalgorithm(e.g,geneticalgorithms)startit’ssearchfromstringcollection,coveringglobalarea,andisgoodatgettingaglobaloptimum.25Keywords:Multi-ObjectiveOptimization；GeneticAlgorithm；AspenPlus；DividingWallColumn0引言30化工模拟的最优化问题一直是科研与企业研究的重点和热点。传统优化方法对于单极值[1]问题，大部分已可实现其优化，但在实际生活中，我们遇到的决策优化问题时，通常需要考虑多个目标，也就是多目标优化问题，往往多目标优化问题更具有实用价值。随着计算机技术的快速发展，以及各种智能算法的提出，为求解各种复杂多目标最优化问题提供了可行的解决方案，让它变得简单，快捷，其中最具代表性的就是遗传算法。35遗传算法自出现以来在各个领域得到了广泛的应用，遗传算法可以同时处理群体中的多个个体，来评估搜索空间中的多个解。传统优化算法容易陷入局部最优解，而遗传算法就能很好的避免这一点。所以使用遗传算法解决多目标优化问题成为研究的热点。1975年，在遗传算法研究的发展史上是具有重要意义的一年。美国密执安大学的Holland[2]教授出版了一本他的著作《自然系统和人工系统的适配》，该书系统地介绍了遗传算法的40基本理论和方法，并提出了对遗传算法的理论研究和发展非常重要的模式理论（Schema作者简介：田锡军（1989），男，硕士，化工精馏通信联系人：魏顺安（1966），男，副教授，化工精馏.E-mail:wsacn@cqu.edu.cn-1- 中国科技论文在线http://www.paper.edu.cntheory）。针对化工生产中面临的多目标优化过程十分复杂的问题，本文通过对NSGA-II算法的研究，将该方法与流程模拟软件结合对化工多目标优化问题进行求解，选择合适的优化变量和约束条件，以达到降低能耗，提高经济效益的目的。451多目标优化简介多目标优化问题是指在一个系统中使多个目标在某种约束条件下同时达到最优的问题。多目标优化问题在科学与工程等领域甚至在日常生活中都是普遍存在的，控制工程中，控制系统的稳、快、准等时域指标以及稳定裕度等频域指标的综合问题；在化工精馏中，常要求以最低的能耗，达到最大的收益。[3]501）目标最优问题的数学模型：设系统有m个目标f1(x)，f2(x)，…，fm(x)，要求评价由n个变量组成的方案x=(x1，x2，…，xn)T，如果这些目标都要求最大（或最小），并要求解满足约束条件集合R，则数学模型可表达成如下形式：F(x)=(f1(x),f2(x),…,fm(x))55X=(x1，x2，.....，xm)S.t.gi(x)<0，i=1，2，...，qhj(x)=0，j=1，2，...，p其中F(x)为目标向量，其它为操作变量和约束条件。2）多目标优化值Pareto解集：60传统优化技术一般每次能得到Pareto解集中的一个，而用遗传算法来求解，可以得到更多的Pareto解，甚至是整个的解都成为Pareto解。[4]对于极小值多目标优化问题minfi(X)，根据Pareto最优解的定义为：在设计变量的可行域内，对于变量X，当且仅当不存在其他变量，在不违背约束的条件下满足fi(X)≤fi(X*)，至少存在一个i使得fi(X)