人工免疫系統(tǒng)及其化工中的應用研究.pdf

1、進入21世紀，產(chǎn)品競爭日趨劇烈，環(huán)境保護規(guī)范日益嚴格，面對這些壓力，優(yōu)化是化工行業(yè)降低成本提高效益的有效技術。從產(chǎn)品設計到供應鏈管理，優(yōu)化技術可以應用于化工過程的每一層次。在科研和實踐中，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域中一些常見的重要問題，尤其是化工非線性復雜問題和組合優(yōu)化問題。隨著隨機優(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)作為隨機優(yōu)化算法的一個分支，也引起了關注。由于人工免疫系統(tǒng)出現(xiàn)得比較晚，在

2、化工領域應用還較少。本文以人工免疫系統(tǒng)在化工中的應用研究作為重點。 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，各種隨機優(yōu)化算法和確定性全局優(yōu)化算法，然后重點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，針對相平衡計算，過程動態(tài)優(yōu)化和間歇過程調(diào)度等化工問題的特點，分別對多種人工免疫系統(tǒng)進行改進，構建為新算法，并把它們應用于實際案例，經(jīng)原理分析和應用驗證，表明新算法具有更好的計算性能，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，使算法有較強的全局探索和局部挖掘能力。最后，總結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]相平衡計算是化工過程模擬的基本問題，也是平衡分離過程設計和優(yōu)化的基礎。對閃蒸釜、精餾塔、液液萃取設備和吸收塔的模擬，其相平衡計算不帶化學反應；而對反應精餾塔、反應萃取設備和反應吸收塔的模擬，其相平衡計算帶有化學反應。以經(jīng)典方法進行相平衡計算有較多局限性，對

4、于稍為復雜的問題，其效果往往較差。鑒于體系達到平衡時，系統(tǒng)的Gibbs自由能達到最小.這樣相平衡計算可等價為優(yōu)化問題，且其特點為：只有全局最優(yōu)解才對應真正的平衡態(tài)。這就要求所用的優(yōu)化算法具有較強的全局尋優(yōu)能力。本文擬用抗體抑制免疫算法(ImmuneAlgorithmofAntibodyInhibition，IAAI)，針對該優(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，生成滿足約束的初始抗體群，并以凸組合方式實施變異

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，由此構建為混合抗體抑制免疫算法(HybridIAAI，HIAAI)。對經(jīng)典函數(shù)的測試表明，HIAAI的優(yōu)化效果有較大改進，且在線性能和離線性能都有明顯提高。將HIAAI用于4個不帶化學反應、2個帶有化學反應的相平衡計算，發(fā)現(xiàn)此算法的計算代價小，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系統(tǒng)、分離系統(tǒng)和再循環(huán)系統(tǒng)、換熱網(wǎng)絡和公用工程四部分組成，其中反應系統(tǒng)和分離系統(tǒng)是其核心，它們在投資和操作成本中所占的比重達80％～90％。而反應系統(tǒng)中的反應器控制，如全混流釜式反應器、平推流管式反應器、間歇反應器等，常以線性或非線性的微分方程組描述，并采用動態(tài)優(yōu)化算法求解，從而導出最優(yōu)控制策略，以實現(xiàn)反應器的性能指標的最優(yōu)化，進而實現(xiàn)化工廠效益最大化。 此為動態(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：計算一次目標函數(shù)的代價很高；它的目標函數(shù)和約束方程有時會十分復雜，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(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，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)不可行細胞時，采用修復策略將其恢復為可行細胞，還采用凸組合優(yōu)化等進行變異，確保可行性。當時間變量的分段數(shù)甚多時，擬用序貫細化策略，可大幅降低計算工作量，提高優(yōu)化效率。對于過程參數(shù)常有變動的問題，引入二次響應機制，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的訓練功能，產(chǎn)生部分初始抗體群，從而大大減少計算代價。由此構建為混合優(yōu)化人工免疫網(wǎng)絡(HybridOpt-AiNet，HOpt-AiNet)。

9、將其用于5個反應器動態(tài)優(yōu)化實例，結果表明采用序貫細化策略的HOpt-AiNet計算代價小，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，同時二次響應機制也很有效。 [3]在動態(tài)優(yōu)化問題中，若狀態(tài)變量帶有約束，為檢測某一控制策略是否可行，需經(jīng)數(shù)值求解微分方程組，計算量十分大；有時，控制變量的微小擾動還可能引起狀態(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，懲罰因子的大小對結果影響很大，很難

10、設定恰當值。為此，本文采用克隆選擇算法(ClonalSelectionAlgorithm，CSA)，并對其進行改進，包括引入免疫網(wǎng)絡自學習算子、均勻設計方法、目標與約束分離的機制，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，由此構建了改進克隆選擇算法(ImprovedCSA，ICSA)。將其用于2個反應器動態(tài)優(yōu)化實例，結果表明ICSA能在合理的時間內(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)計劃已確定后，

12、調(diào)度各產(chǎn)品在各設備上的加工順序(即起始時間)和加工量，以優(yōu)化某些經(jīng)濟或系統(tǒng)指標，如計劃完成時間最短，操作費用最少等。此為NP類難題，常用處理方法是把該問題轉化為混合整數(shù)非線性規(guī)劃或混合整數(shù)線性規(guī)劃問題。由此導出的“數(shù)學規(guī)劃”模型，其決策變量個數(shù)和約束個數(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，由此構建了多產(chǎn)品克隆選擇算法(Multi-productClonalSele

13、ctionAlgorithm，MCSA)。它從生產(chǎn)計劃出發(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程，最終得到最優(yōu)抗體。對于大批量生產(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用于兩個調(diào)度問題，對于中小型規(guī)模問題，MCSA能在合理的時間內(nèi)找到較優(yōu)解。對于大規(guī)模的問題，LMCSA較好地解決