论文部分内容阅读
催化重整是炼油厂中最关键的过程之一，在炼油厂中起着非常重要的作用。它不仅可生产高辛烷值的清洁汽油，而且也可为炼油厂中的加氢过程提供大量廉价氢源。因此，通过研究操作优化来帮助炼油企业提升产品质量、降低能耗以及减少污染具有重大意义。然而由于工业优化问题的优化目标和约束往往都是操作变量的非线性函数，且都难建立解析表达式，传统基于梯度的算法或经典进化算法均难以找到可行的全局最优解。针对这种情况，本文在差分进化算法基础上进行混合约束优化算法研究，具体研究如下: (1)基于动态混合约束框架提出结合可行解搜索模型和全局搜索模型的混合约束优化算法。首先，充分利用当前群体可行解比例这一进化信息，动态地执行可行解搜索模型和全局搜索模型，并分别使用动态随机排序和Deb可行性规则作为两模型的约束处理方法。其次，分别采用多个体差分进化和基于幂律分布父代选择的改进差分进化作为可行解搜索模型和全局搜索模型的算法实现。测试函数结果验证了基于动态混合约束框架的改进差分进化算法（简称为DHCF-IDE）的有效性。 (2)基于模因计算(Memetic Computation)框架提出结合组合策略差分进化和极值优化的混合约束优化算法。组合策略差分进化是一种效率高、鲁棒性强并能保持群体多样性的全局搜索算法，而极值优化是一种设计简单、调节参数少、局部开发能力强并具有持续动态的自组织优化算法。通过组合策略差分进化进行全局勘探以及极值优化对精英种群进行局部开采，使得混合算法既可兼顾全局勘探和局部开采的平衡又易于实现。同时，利用动态随机排序引导混合算法收敛到可行的全局最优解。测试函数结果验证了基于动态随机选择的混合极值组合策略差分进化算法(简称为DSS-CoDE-EPEO)的有效性和鲁棒性。 (3)将DHCF-IDE和DSS-CoDE-EPEO应用于催化重整装置操作优化，工业案例结果表明:DHCF-IDE和DSS-CoDE-EPEO均能获得较好的优化结果，这说明两种混合算法均能有效处理实际约束优化问题。已获得的优化结果可为催化重整实际生产提供参考。