人工免疫系統(tǒng)及其化工中的應(yīng)用研究.pdf

1、進(jìn)入21世紀(jì)，產(chǎn)品競(jìng)爭日趨劇烈，環(huán)境保護(hù)規(guī)范日益嚴(yán)格，面對(duì)這些壓力，優(yōu)化是化工行業(yè)降低成本提高效益的有效技術(shù)。從產(chǎn)品設(shè)計(jì)到供應(yīng)鏈管理，優(yōu)化技術(shù)可以應(yīng)用于化工過程的每一層次。在科研和實(shí)踐中，人們發(fā)現(xiàn)傳統(tǒng)優(yōu)化算法尚不能很好地解決化工領(lǐng)域中一些常見的重要問題，尤其是化工非線性復(fù)雜問題和組合優(yōu)化問題。隨著隨機(jī)優(yōu)化算法的出現(xiàn)和發(fā)展，為求解這些難題提供了有力工具。人工免疫系統(tǒng)作為隨機(jī)優(yōu)化算法的一個(gè)分支，也引起了關(guān)注。由于人工免疫系統(tǒng)出現(xiàn)得比較晚，在

2、化工領(lǐng)域應(yīng)用還較少。本文以人工免疫系統(tǒng)在化工中的應(yīng)用研究作為重點(diǎn)。 本文首先介紹了優(yōu)化算法的概貌，包括傳統(tǒng)優(yōu)化算法，各種隨機(jī)優(yōu)化算法和確定性全局優(yōu)化算法，然后重點(diǎn)分析了人工免疫系統(tǒng)的發(fā)展、現(xiàn)狀和將來的研究方向，再后，針對(duì)相平衡計(jì)算，過程動(dòng)態(tài)優(yōu)化和間歇過程調(diào)度等化工問題的特點(diǎn)，分別對(duì)多種人工免疫系統(tǒng)進(jìn)行改進(jìn)，構(gòu)建為新算法，并把它們應(yīng)用于實(shí)際案例，經(jīng)原理分析和應(yīng)用驗(yàn)證，表明新算法具有更好的計(jì)算性能，既能更好地維持抗體種群的多樣性，又

3、能較快地搜尋到抗體鄰域內(nèi)的最優(yōu)點(diǎn)，使算法有較強(qiáng)的全局探索和局部挖掘能力。最后，總結(jié)了本文的研究成果并展望了未來的研究方向。 本文主要的研究工作和成果可歸納如下： [1]相平衡計(jì)算是化工過程模擬的基本問題，也是平衡分離過程設(shè)計(jì)和優(yōu)化的基礎(chǔ)。對(duì)閃蒸釜、精餾塔、液液萃取設(shè)備和吸收塔的模擬，其相平衡計(jì)算不帶化學(xué)反應(yīng)；而對(duì)反應(yīng)精餾塔、反應(yīng)萃取設(shè)備和反應(yīng)吸收塔的模擬，其相平衡計(jì)算帶有化學(xué)反應(yīng)。以經(jīng)典方法進(jìn)行相平衡計(jì)算有較多局限性，對(duì)

4、于稍為復(fù)雜的問題，其效果往往較差。鑒于體系達(dá)到平衡時(shí)，系統(tǒng)的Gibbs自由能達(dá)到最小.這樣相平衡計(jì)算可等價(jià)為優(yōu)化問題，且其特點(diǎn)為：只有全局最優(yōu)解才對(duì)應(yīng)真正的平衡態(tài)。這就要求所用的優(yōu)化算法具有較強(qiáng)的全局尋優(yōu)能力。本文擬用抗體抑制免疫算法(ImmuneAlgorithmofAntibodyInhibition，IAAI)，針對(duì)該優(yōu)化問題帶有線性等式約束，用可行解法處理約束，以基本可行解為基礎(chǔ)，生成滿足約束的初始抗體群，并以凸組合方式實(shí)施變異

5、等，為了提高IAAI的局部尋優(yōu)能力，又引入局部尋優(yōu)算子——幾步二次規(guī)劃，由此構(gòu)建為混合抗體抑制免疫算法(HybridIAAI，HIAAI)。對(duì)經(jīng)典函數(shù)的測(cè)試表明，HIAAI的優(yōu)化效果有較大改進(jìn)，且在線性能和離線性能都有明顯提高。將HIAAI用于4個(gè)不帶化學(xué)反應(yīng)、2個(gè)帶有化學(xué)反應(yīng)的相平衡計(jì)算，發(fā)現(xiàn)此算法的計(jì)算代價(jià)小，找到全局最優(yōu)解的概率大，綜合性能優(yōu)于目前常用的序貫二次規(guī)劃(SequentialQuadraticProgramming，S

6、QP)和IAAI。 [2]化工廠和生物化工廠主要由反應(yīng)系統(tǒng)、分離系統(tǒng)和再循環(huán)系統(tǒng)、換熱網(wǎng)絡(luò)和公用工程四部分組成，其中反應(yīng)系統(tǒng)和分離系統(tǒng)是其核心，它們?cè)谕顿Y和操作成本中所占的比重達(dá)80％～90％。而反應(yīng)系統(tǒng)中的反應(yīng)器控制，如全混流釜式反應(yīng)器、平推流管式反應(yīng)器、間歇反應(yīng)器等，常以線性或非線性的微分方程組描述，并采用動(dòng)態(tài)優(yōu)化算法求解，從而導(dǎo)出最優(yōu)控制策略，以實(shí)現(xiàn)反應(yīng)器的性能指標(biāo)的最優(yōu)化，進(jìn)而實(shí)現(xiàn)化工廠效益最大化。 此為動(dòng)態(tài)優(yōu)化

7、問題，與常見非線性優(yōu)化問題相比，它有如下特點(diǎn)：計(jì)算一次目標(biāo)函數(shù)的代價(jià)很高；它的目標(biāo)函數(shù)和約束方程有時(shí)會(huì)十分復(fù)雜，在有些區(qū)域內(nèi)近乎“平坦”，而在另一些區(qū)域內(nèi)，又呈指數(shù)性急劇變化。為此，本文采用直接法求解，在優(yōu)化人工免疫網(wǎng)絡(luò)(OPTimalArtificialImmuneNETwork，Opt-AiNet)中引入局部尋優(yōu)算子——Powell算子等，以汲取兩者的優(yōu)點(diǎn)，既保持了Opt-AiNet良好的全局探索能力，又兼具局部優(yōu)化算法的快速收斂的

8、特性。在演化過程中出現(xiàn)不可行細(xì)胞時(shí)，采用修復(fù)策略將其恢復(fù)為可行細(xì)胞，還采用凸組合優(yōu)化等進(jìn)行變異，確?？尚行浴．?dāng)時(shí)間變量的分段數(shù)甚多時(shí)，擬用序貫細(xì)化策略，可大幅降低計(jì)算工作量，提高優(yōu)化效率。對(duì)于過程參數(shù)常有變動(dòng)的問題，引入二次響應(yīng)機(jī)制，保存以往的最佳控制策略，將它們作為初始基本抗原，并借助AiNet的訓(xùn)練功能，產(chǎn)生部分初始抗體群，從而大大減少計(jì)算代價(jià)。由此構(gòu)建為混合優(yōu)化人工免疫網(wǎng)絡(luò)(HybridOpt-AiNet，HOpt-AiNet)。

9、將其用于5個(gè)反應(yīng)器動(dòng)態(tài)優(yōu)化實(shí)例，結(jié)果表明采用序貫細(xì)化策略的HOpt-AiNet計(jì)算代價(jià)小，找到全局最優(yōu)解的概率大，綜合性能優(yōu)于Opt-AiNet和其它較新的一些算法，同時(shí)二次響應(yīng)機(jī)制也很有效。 [3]在動(dòng)態(tài)優(yōu)化問題中，若狀態(tài)變量帶有約束，為檢測(cè)某一控制策略是否可行，需經(jīng)數(shù)值求解微分方程組，計(jì)算量十分大；有時(shí)，控制變量的微小擾動(dòng)還可能引起狀態(tài)變量的巨大變化。較為常用的是以靜態(tài)罰函數(shù)處理約束的方法，懲罰因子的大小對(duì)結(jié)果影響很大，很難

10、設(shè)定恰當(dāng)值。為此，本文采用克隆選擇算法(ClonalSelectionAlgorithm，CSA)，并對(duì)其進(jìn)行改進(jìn)，包括引入免疫網(wǎng)絡(luò)自學(xué)習(xí)算子、均勻設(shè)計(jì)方法、目標(biāo)與約束分離的機(jī)制，以提高算法的局部尋優(yōu)能力，令初始種群分布更為均勻，并使約束處理更趨合理方便，由此構(gòu)建了改進(jìn)克隆選擇算法(ImprovedCSA，ICSA)。將其用于2個(gè)反應(yīng)器動(dòng)態(tài)優(yōu)化實(shí)例，結(jié)果表明ICSA能在合理的時(shí)間內(nèi)，以較大概率找到全局最優(yōu)解，綜合性能優(yōu)于各種CSA和其它

11、較新的一些算法。所采用的改進(jìn)措施能較好地處理約束，保持了種群多樣性，并提高了搜優(yōu)速率，在線性能和離線性能都有改善。 [4]間歇過程普遍應(yīng)用于化工、醫(yī)藥、食品和涂料等行業(yè)，多產(chǎn)品多步驟多設(shè)備零等待調(diào)度(Multi-productMulti-stageandMulti-machinebatchplantsSchedulingunderZero-waitpolicy，MMMSZ)是間歇過程的一種重要的生產(chǎn)操作模式，在生產(chǎn)計(jì)劃已確定后，

12、調(diào)度各產(chǎn)品在各設(shè)備上的加工順序(即起始時(shí)間)和加工量，以優(yōu)化某些經(jīng)濟(jì)或系統(tǒng)指標(biāo)，如計(jì)劃完成時(shí)間最短，操作費(fèi)用最少等。此為NP類難題，常用處理方法是把該問題轉(zhuǎn)化為混合整數(shù)非線性規(guī)劃或混合整數(shù)線性規(guī)劃問題。由此導(dǎo)出的“數(shù)學(xué)規(guī)劃”模型，其決策變量個(gè)數(shù)和約束個(gè)數(shù)隨著問題規(guī)模增加成指數(shù)增長，只適用于小型問題。本文提出了一種新的高效的約束處理方法，并將其引入克隆選擇算法中，由此構(gòu)建了多產(chǎn)品克隆選擇算法(Multi-productClonalSele

13、ctionAlgorithm，MCSA)。它從生產(chǎn)計(jì)劃出發(fā)生成較優(yōu)生產(chǎn)方案、產(chǎn)品批次和全批次，從而得到抗體，其中以生產(chǎn)方案作為抗體的基因，抗體經(jīng)過克隆選擇的演化進(jìn)程，最終得到最優(yōu)抗體。對(duì)于大批量生產(chǎn)的調(diào)度問題，采用周期調(diào)度策略，提出了大規(guī)模多產(chǎn)品克隆選擇算法(Large-scaleMCSA，LMCSA)。將MCSA和LMCSA用于兩個(gè)調(diào)度問題，對(duì)于中小型規(guī)模問題，MCSA能在合理的時(shí)間內(nèi)找到較優(yōu)解。對(duì)于大規(guī)模的問題，LMCSA較好地解決