CN101949104B - 一种纸浆间歇蒸煮参数优化方法 - Google Patents
一种纸浆间歇蒸煮参数优化方法 Download PDFInfo
- Publication number
- CN101949104B CN101949104B CN2010102953352A CN201010295335A CN101949104B CN 101949104 B CN101949104 B CN 101949104B CN 2010102953352 A CN2010102953352 A CN 2010102953352A CN 201010295335 A CN201010295335 A CN 201010295335A CN 101949104 B CN101949104 B CN 101949104B
- Authority
- CN
- China
- Prior art keywords
- nsga
- objective
- parameter
- population
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种纸浆间歇蒸煮参数优化方法,该方法的步骤如下:建立了一个全面的多参数多目标优化模型:将白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度六个蒸煮参数集中一起作为寻优变量,考虑了纸浆的质量目标、得率目标、蒸汽能耗目标和白液用量目标;运用了改进的NSGA-II对多参数多目标优化模型进行优化:在NSGA-II的基础上,引进了新的适应度评价机制,融入了自适应交叉变异算子,加入外来种群迁入机制,采用了一种简易的约束处理方法。本发明应用于间歇蒸煮多参数多目标优化问题上,全面考虑了蒸煮参数影响,在处理高维优化问题上,提高了算法的收敛性和全局最优性,能够达到节能降耗的目的。
Description
技术领域
本发明涉及多目标优化技术,尤其涉及一种纸浆间歇蒸煮参数优化方法。
背景技术
多目标优化问题的描述如下:给定决策向量X=(x1,x2,…,xn),它满足下列约束:
gi(X)≥0(i=1,2,…,k)
hi(X)=0(i=1,2,…,l)
设有r个优化目标,且这r个目标是相互冲突的,优化目标可表示为
f(X)=(f1(X),f2(X),…,fr(X))
许多科学研究或工程应用上的优化问题都是多目标优化问题,几个目标之间往往是相互冲突的,没有绝对的或者说唯一的最好解。为了达到总体目标的最优化,通常需要对相互冲突的子目标进行综合考虑。遗传算法(Geneticalgorithm,GA)是一种模拟自然选择和生物进化的一种搜索算法,因其具有较好的通用性,并且适用于求解高度复杂的非线性问题而得到了广泛应用。多目标遗传算法以遗传算法为基础,处理多目标优化问题。NSGA-II(Fast ElitistNon-Dominated Sorting Genetic Algorithm)就是一种典型的多目标遗传算法,因其良好的收敛性和多样性而得到越来越多的重视。NSGA-II的优点在于算法无参数,容易实现,在处理低维问题时,算法的运行效率高,解集有良好的分布性。缺点在于处理高维问题上,解集的收敛性和多样性不是很好。
间歇蒸煮参数优化问题是一个多目标优化问题,我们希望纸浆质量高、得率高、蒸煮配方消耗少、蒸汽能耗少。但是,这几个目标之间是相互影响、相互制约的,怎么对这些目标进行寻优和取舍?国内外一些学者对这个课题进行了研究,建立的kappa值模型有机理模型、回归模型、神经网络模型等。支持向量机(Support Vector Machine,SVM)作为一种新型的学习机器,拓扑结构简单,与kappa值机理模型相比,模型的复杂度低;与回归模型和神经网络模型相比,模型的泛化能力强、提供全局最优解。国内外采用的优化方法有非线性规划法、均匀取值法、降维分析法、模糊逻辑决策法、分层优化法等等。但是没有文献将所有主要可变参数集中起来一起研究,一般是将其中几个参数固定,然后对其他几个参数进行寻优,这样得到的最优解未必是真正的最优解。比如,肖兰等于1998年在浙江大学学报(自然科学版)发表的《基于过程建模与优化技术的清洁生产策略》根据回归化后的模型,用非线性规划的方法对蒸煮时间和有效碱浓度寻优,但是没有考虑蒸煮的其它参数;鄢烈祥等于2000年在中国造纸学报上发表的《神经网络降维分析法用于制浆蒸煮工艺条件的优化》用神经网络降维分析法生成纸浆得率和硬度的等值线,由此确定出控制纸浆硬度在一定范围内而纸浆得率较高的操作区域,但是这种方法比较粗糙;金福江于2001年在华侨大学学报(自然科学版)上发表的《制浆生产蒸煮过程多目标优化控制》对连续蒸煮器和间歇蒸煮器都建立了回归模型,并用模糊逻辑决策等方法对其进行优化,但是没有考虑有效碱浓度、硫化度等,且对模型做了大量简化。
发明内容
本发明的目的在于根据蒸煮的实际情况,建立了一个全面的优化模型,并根据该模型的特点以及NSGA-II的缺点,提供一种纸浆间歇蒸煮参数优化方法,既能保证最优解的多样性,又能保证解的收敛性,从而增强了整个算法的局部寻优和全局搜索能力。
本发明采用的技术方案的方法步骤如下:
1)建立了一个全面的多参数多目标优化模型:
将白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度六个蒸煮参数集中一起作为寻优变量,考虑了纸浆的质量目标、得率目标、蒸汽能耗目标和白液用量目标;充分利用了现场真实数据,建立了kappa值的SVM模型、得率的回归模型和蒸煮能耗的机理模型,描述了寻优变量和目标函数的关系;
2)运用了改进的NSGA-II对多参数多目标优化模型进行优化:
在NSGA-II的基础上,引进了一种新的适应度评价机制;融入了自适应交叉变异算子;加入外来种群迁入机制;采用了一种简易的约束处理方法,直接将不满足约束条件的个体置于最后一层非支配层,让其在进化中以较大概率被淘汰,节约算法的运行时间。
所述新的适应度评价机制:在NSGA-II的基础上,用一个参数描述了个体的非支配关系和偏序关系两个量,它将个体的适应度用一个带小数点的实数来表示,整数部分表示个体的非支配关系,小数部分表示个体的拥挤度关系,即
fitness(x)=rank(x)+Q(x)
其中,fitness(x)是个体的x的适应度,rank(x)是个体的x的非支配排序层数,Q(x)是描述其拥挤度的量,
Q(x)=e-a×dsi tan ce(x)
dis tan ce(x)是个体x的拥挤度,Q(x)将dis tan ce(x)的范围从[0,∞]缩小到[0,1]区间,a是一个常数,a的选取和目标函数的范围及拥挤度有关;
所述融入自适应交叉变异算子:NSGA-II的基础上,采用Srinvivas提出的自适应交叉变异算子;
所述加入外来种群迁入机制:NSGA-II的算法框架中,加入外来种群迁入这一环节,每隔一定的进化代数,加进一批新的外来种群参加进化,避免陷入局部最优解。
本发明的有益效果是:
建立了一个比较全面的蒸煮参数优化模型,考虑了纸浆质量、纸浆得率、蒸汽能耗、白液用量四个优化目标,以及影响这四个目标的六大主要因素。采用的改进的NSGA-II优化方法在处理高维优化问题上,提高了算法的收敛性和全局最优性。本方法应用于间歇蒸煮多参数多目标优化问题上,能够达到节能降耗的目的。
附图说明
图1是间歇蒸煮的工艺流程图。
图2是改进的NSGA-II的方法流程图。
具体实施方式
下面详细述说本发明的实施方式。
一、建立间歇蒸煮多参数多目标优化模型:
将白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度六个蒸煮参数集中一起作为寻优变量,考虑了纸浆的质量目标、得率目标、蒸汽能耗目标和白液用量目标;充分利用了现场真实数据,建立了kappa值的SVM模型、得率的回归模型和蒸煮能耗的机理模型,描述了寻优变量和目标函数的关系。
间歇蒸煮参数优化问题是一个多目标优化问题,希望在保证纸浆质量的同时,尽量提高得浆率、降低蒸汽能耗、节约白液用量。图1是间歇蒸煮的工艺流程图,蒸煮开始前,木片从蒸煮锅的顶部加入,蒸煮药液从蒸煮锅的底部送入,然后对蒸煮锅通入蒸汽进行加热,蒸煮期间蒸煮药液一直循环通入和输出蒸煮锅,直到蒸煮完毕,最后,纸浆从蒸煮锅的底部喷出。影响蒸煮纸浆质量、得浆率、蒸汽能耗的因素有很多,比如原料的品种和质量、白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度等等。我们考虑后六个蒸煮参数作为主要的蒸煮参数,建立起一个全面的蒸煮优化模型。下面针对硫酸盐法间歇蒸煮,对每个优化目标一一进行阐述。
1.kappa值最小
纸浆的kappa是反映纸浆质量的一个物理量,生产不同的纸张需要有不同的kappa值。kappa值和纸浆的得率是一对相互影响的量,kappa值越大,则得率越高,但纸浆质量越差,反过来,kappa值越小,纸浆质量越好,而得率却变差。我们将纸浆质量要求作为优先考虑的目标,所以我们将kappa值限定在kappa_lower到kappa_upper之间,以满足特定树种特定纸张的纸浆质量要求。当kappa值在这个范围外时,就直接将该kappa值对应的解放于最后一个Pareto层,让其在进化中尽快被淘汰,以减小算法的寻优空间,从而减小算法运行时间。对于kappa值在kappa_lower到kappa_upper之间的解,也希望能从中找到最小的kappa值,以提高纸浆质量。所以第一个优化目标是希望kappa值在规定范围内最小,即
f1=min(kappa)
kappa_lower≤kappa≤kappa_upper
影响kappa值的因素有白液浓度、硫化度、白液用量、黑液用量、蒸煮时间和蒸煮温度。因此,可应用支持向量机原理,采用日常生产数据,对kappa值建立一个准确的非线性模型。
kappa=svm(Wlc,S,Wld,Bld,td,Td)
其中,Wlc为白液浓度(White Liquid Concentration),S为硫化度,Wld为白液用量(White Liquid dosage),Bla为黑液用量(Black Liquid dosage),td为蒸煮时间,Td为蒸煮温度。
2.纸浆得率高:
根据1986年中国林业出版社出版的《木材制浆工艺学》,纸浆得率可由下式得到:
Y=A-Blg(H)(EA)n
其中,Y是纸浆得率;A、B和n是常数,不同的树种有不同的系数,可以用现场数据回归得到;EA是有效碱浓度(%);H是H因子,可由下式得到
其中,td为蒸煮时间,Td为蒸煮温度。
综上所述,第二个优化目标是纸浆的得率高。我们把它转换成一个最小化问题,变成
f2=min(-Y)
3.节约蒸汽能耗:
间歇蒸煮过程采用蒸汽加热,蒸汽热量一般消耗在以下几个方面:蒸煮锅内绝干木片吸收的热量Q1;木片中水分吸收的热量Q2;白液吸收的热量Q3;黑液吸收的热量Q4;蒸煮锅和蒸煮锅保护层吸收的热量、放汽阶段放走的热量以及蒸煮锅辐射热的总和,我们把它记为Q5。热量的计算如下所示:
Q1=C1×M1×(Td-T0)
Q2=C2×M2×(Td-T0)
Q3=C3×M3×(Td-T1)
Q4=C4×M4×(Td-T2)
Qneed=Q1+Q2+Q3+Q4+Q5
其中,C1、C2、C3、C4分别为绝干木片、木片水分、白液、黑液的比热;M1为绝干木片装锅量;M2为木片含水量;M3为白液质量;M4为黑液质量;Td为蒸煮最高温度;T0为木片初始温度;T1为白液初始温度;T2为黑液初始温度。
节约蒸汽能耗的目标函数描述为:
f3=min(Qneed)
4.节约白液用量
我们考虑节约白液用量作为第四个目标函数,即
f4=min(Wld)
经过全面地分析蒸煮参数,建立一个全面的的优化模型,描述如下:
Obj
f1=min(kappa)
f2=min(-Y)
f3=min(Qneed)
f4=min(Wld)
s.t.
kappa=svm(Wlc,S,Wld,Bld,td,Td)
Y=A-Blg(H)(EA)n
Qneed=Q1+Q2+Q3+Q4+Q5
Q1=C1×M1×(Td-T0)
Q2=C2×M2×(Td-T0)
Q3=C3×M3×(Td-T1)
Q4=C4×M4×(Td-T2)
Wlc_lower≤Wlc≤Wlc_upper
S_lower≤S≤S_upper
Wld_lower≤Wld≤Wld_upper
Bld_lower≤Bld≤Bld_upper
td_lower≤td≤td_upper
Td_lower≤Td≤lower
kappa_lower≤kappa≤kappa_upper
二、模型数据采集与参数确定:
1.历史数据采集与粗大误差剔除:
我们需要采集100组数据,每个锅次的数据作为一组,每组数据包含白液浓度Wlc、硫化度S、白液用量Wld、黑液用量Bld、蒸煮时间td、蒸煮温度Td、kappa值、纸浆得率Y。其中,这100组数据是从原始数据中剔除粗大误差之后的结果,即这100组数据的测量误差都是在可接受的范围内。
2.kappa值模型参数确定:
从采集的100组数据中,选出80组作为训练数据Xtrain,20组作为测试数据Xsim。根据支持向量机理论,我们需要设定三个参数,分别是惩罚系数、不敏感系数和径向基参数。因此,应先设定好惩罚系数、不敏感系数和径向基参数,接着对Xtrain进行训练,然后用Xsim测试模型的精确性。如果模型的精确性和收敛性不够,则更改这三个参数,对Xtrain进行再训练,用Xsim进行再测试,直至找到模型精度满足要求。这样,kappa模型参数就确定了,我们可以用它来优化蒸煮参数。
3.得率模型参数确定:
纸浆得率表示为Y=A-Blg(H)(EA)n,其中A、B和n是常数,不同的树种有不同的系数。利用采集的100组数据,利用数据回归的方法,得到A、B和n。在寻优阶段,可将这个三个系数代入得率模型得到得率。
三、采用改进的NSGA-II方法进行优化:
在NSGA-II的基础上,引进了一种新的适应度评价机制;融入了自适应交叉变异算子;加入外来种群迁入机制;采用了一种简易的约束处理方法,直接将不满足约束条件的个体置于最后一层非支配层,让其在进化中以较大概率被淘汰,节约算法的运行时间。
所述新的适应度评价机制:在NSGA-II的基础上,用一个参数描述了个体的非支配关系和偏序关系两个量,它将个体的适应度用一个带小数点的实数来表示,整数部分表示个体的非支配关系,小数部分表示个体的拥挤度关系,即
fitness(x)=rank(x)+Q(x)
其中,fitness(x)是个体的x的适应度,rank(x)是个体的x的非支配排序层数,Q(x)是描述其拥挤度的量,
Q(x)=e-a×dis tan ce(x)
dis tan ce(x)是个体x的拥挤度,Q(x)将dis tan ce(x)的范围从[0,∞]缩小到[0,1]区间,a是一个常数,a的选取和目标函数的范围及拥挤度有关;
所述融入自适应交叉变异算子:NSGA-II的基础上,采用Srinvivas提出的自适应交叉变异算子;
所述加入外来种群迁入机制:NSGA-II的算法框架中,加入外来种群迁入这一环节,每隔一定的进化代数,加进一批新的外来种群参加进化,避免陷入局部最优解。
1.实时数据采集
需要采集当前锅次的绝干木片装锅量M1、木片含水量M2、木片初始温度T0、白液初始温度T1、黑液初始温度T2。在优化实时阶段,将这几个参数代入优化模型中。到此,优化模型中的所有需要知道的参数都已确定,可以将其用于优化阶段。
2.优化实施
根据间歇蒸煮模型的特点,规定决策向量为X=(x1,x2,…,x6),其中x1为白液浓度,x2为硫化度,x3为加入白液量,x4为加入黑液量,x5为蒸煮时间,x6为蒸煮温度。
设种群规模为N,依据图2所示的算法流程,对决策变量进行寻优。重要步骤的具体细节如下所示:
1)初始化:
本算法采用实数编码,初始化步骤包括种群初始化和进化代数初始化。产生规模为N的种群X=(X1,X2,…,XN)T,其中Xi=(xi1,xi2,…,xi6),xij表示决策变量,进化代数为MaxGen。
2)约束处理和种群非支配排序:
采用NSGA-II的排序方法,个体之间的非支配排序关系描述如下:
对于最小化问题,设p和q是进化群体Pop中的任意两个不同的个体,称p支配(dominate)q,必须满足下列两个条件:
①对所有的子目标,p不比q差,即fk(p)≤fk(q),(k=1,2,…,r)。
设群体Pop的规模大小为N,将群体按照支配顺序构造m个非支配集P1,P2,Pm,且满足下列性质:
①
个体优劣非支配排序时考虑约束条件,最后一层Pareto层存放的是不满足约束条件的个体。这样,让不满足约束条件的个体在进化中尽快被淘汰。
具体的排序过程如下:
for each p∈Pop
if p satisfies constrain
for each p∈P
np=0 %np中存放满足支配p的个体数目
for each q∈P
np=np+1
if np=0then
prank=1
i=1
while Fi≠0
for each p∈Fi
for each q∈Sp
nq=nq-1
if nq=0then
qrank=i+1
i=i+1
Fi=Q
Fi+1=Pnc
3)种群拥挤度计算和偏序排序:
采用NSGA-II的方法来保持解的多样性,并且无需人工设置参数。在一般情况下,当有r个子目标时,个体的拥挤度为
其中,P[i]dis tan ce为个体i的拥挤度,P[i].fk为个体i在第k个子目标上的函数值。当个体处于边界时,令其拥挤度为Inf。
具体实现步骤如所示:
for each Fi
k=number of Fi
for each j∈Fi set Fi[j]distance=0
for each objective m
Fi=sort(Fi,m)
Fi[1]distance=Fi[k]distance=∞
for j=2 to(k-1)
Fi=sort(Fi,Fi [j]distance)
4)适应度评价:
基于NSGA-II框架,将个体的适应度由两部分组成,表示为
fitness(x)=rank(x)+Q(x)
其中,fitness(x)是个体x的适应度;rank(x)是个体x的非支配排序层数,是一个整数;Q(x)描述的是个体x的拥挤度dis tan ce(x),它一个小数。
Q(x)=e-a×dis tan ce(x)
其中,Q(x)是dis tan ce(x)的减函数,它将拥挤度的范围从[0,∞]缩小到[0,1]区间。当dis tan ce(x)接近0时,表示该个体有很高的密集度,则该个体是本偏序集中很差的个体,此时,Q(x)接近于1,即fitness(x)接近于下一层支配层的适应度。当dis tan ce(x)是无穷时,表示该个体处于该非支配排序层的边界,此时Q(x)=0,从而保留了这个边界个体。a是一个常数,a的选取和目标函数的范围及拥挤度有关。如果目标函数范围较小,那么拥挤度的区分度不大,此时a应选取一个较小的值,这样不同个体之间的Q(x)有较大的区分度,可以较好地反映个体的适应度情况;反之,如果目标函数的范围较大,那么a可以选取一个较小的值。
从fitness公式可以看出,如果一个个体具有较小的rank和较大的distance,说明它是一个较好的解,可以让这个解以较大的概率参与到交叉和变异环节,产生更优秀的解,从而保证收敛性和加快进化速度。
5)联赛选择机制:
按照联赛选择的规则选择种群中的个体进入下一环节。
6)自适应交叉变异:
为了得到更好的收敛性,在NSGA-II的基础上,采用Srinvivas提出的自适应交叉变异算子,让适应度较高的个体以较大的概率进行交叉变异操作。
找出种群中适应度最大值和平均值,分别记为fmax和favg,即N为种群大小,如下操作进行N遍:
①在种群中随机选择两个个体,按照两个如下公式计算交叉概率:
其中,Pc是个体的交叉概率,f是变异个体的适应度,k1和k2是常数。
②用高斯概率随机产生一个概率数,如果该数大于Pc,则两个个体按下式进行交叉,否则转③:
③在种群中随机选择一个个体,按照两个如下公式计算变异概率:
其中,Pm是个体的变异概率,f是变异个体的适应度,k3和k4是常数。
④用高斯概率随机产生一个概率数,如果该数大于Pm,则两个个体按下式进行变异,否则转①:
7)原始种群与新种群合并:
将父代种群Pn和经选择交叉变异产生的子代种群Qn合并成一个新的大种群Rn,选取将Rn中的前N个优良个体保存到下一代进化中。
8)种群迁入机制:
由于NSGA-II采用最优保存策略,容易使Pareto最优解陷入局部最优解中。为了使搜索结果逼近全局Pareto最优解,同时改善解的多样性,在NSGA-II中引入外来种群迁入机制。每隔一定进化代数进行一次外来种群迁入,具体操作是:在从子代种群和父代种群中挑选个体组成新种群进入下一轮进化时,在新种群中加入20%个随机产生的外来个体参与下一代进化,加强全局搜索的遍历性。
Claims (1)
1.一种纸浆间歇蒸煮参数优化方法,其特征在于该方法的步骤如下:
1)建立了一个全面的多参数多目标优化模型:
将白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度六个蒸煮参数集中一起作为寻优变量,考虑了纸浆的质量目标、得率目标、蒸汽能耗目标和白液用量目标;充分利用了现场真实数据,建立了kappa值的SVM模型、得率的回归模型和蒸煮能耗的机理模型,描述了寻优变量和目标函数的关系;
2)运用了改进的NSGA-II对多参数多目标优化模型进行优化:
在NSGA-II的基础上,引进了一种新的适应度评价机制;融入了自适应交叉变异算子;加入外来种群迁入机制;采用了一种简易的约束处理方法,直接将不满足约束条件的个体置于最后一层非支配层,让其在进化中以较大概率被淘汰,节约算法的运行时间;
所述新的适应度评价机制:在NSGA-II的基础上,用一个参数描述了个体的非支配关系和偏序关系两个量,它将个体的适应度用一个带小数点的实数来表示,整数部分表示个体的非支配关系,小数部分表示个体的拥挤度关系,即
fitness(x)=rank(x)+Q(x)
其中,fitness(x)是个体的x的适应度,rank(x)是个体的x的非支配排序层数,Q(x)是描述其拥挤度的量,
Q(x)=e-a×distance(x)
dis tan ce(x)是个体x的拥挤度,Q(x)将dis tan ce(x)的范围从[0,∞]缩小到[0,1]区间,a是一个常数,a的选取和目标函数的范围及拥挤度有关;
所述融入自适应交叉变异算子:NSGA-II的基础上,采用Srinvivas提出的自适应交叉变异算子;
所述加入外来种群迁入机制:NSGA-II的算法框架中,加入外来种群迁入这一环节,每隔一定的进化代数,加进一批新的外来种群参加进化,避免陷入局部最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102953352A CN101949104B (zh) | 2010-09-27 | 2010-09-27 | 一种纸浆间歇蒸煮参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102953352A CN101949104B (zh) | 2010-09-27 | 2010-09-27 | 一种纸浆间歇蒸煮参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101949104A CN101949104A (zh) | 2011-01-19 |
CN101949104B true CN101949104B (zh) | 2012-06-13 |
Family
ID=43452724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102953352A Expired - Fee Related CN101949104B (zh) | 2010-09-27 | 2010-09-27 | 一种纸浆间歇蒸煮参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101949104B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388759B (zh) * | 2015-12-04 | 2018-04-20 | 广西大学 | 煮糖结晶过程多目标优化与数据驱动控制方法 |
CN109115700B (zh) * | 2018-07-10 | 2020-06-05 | 中南大学 | 炼锌废水金属离子检测的显色剂用量优化方法 |
CN110910014A (zh) * | 2019-11-20 | 2020-03-24 | 广州博依特智能信息科技有限公司 | 一种基于nsga-ii算法的造纸碎浆调度方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0919889A1 (en) * | 1997-11-26 | 1999-06-02 | Siemens Aktiengesellschaft | Modelling, simulation and optimisation of continuous Kamyr digester systems |
US7398257B2 (en) * | 2003-12-24 | 2008-07-08 | Yamaha Hatsudoki Kabushiki Kaisha | Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program |
CN1818206A (zh) * | 2005-02-07 | 2006-08-16 | 上海造纸机械电控技术研究所 | 纸浆洗涤工艺及优化控制方法 |
CN101464664B (zh) * | 2009-01-09 | 2010-12-01 | 浙江工业大学 | 基于单种群和预交叉的差分进化算法的间歇反应器最优控制方法 |
-
2010
- 2010-09-27 CN CN2010102953352A patent/CN101949104B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101949104A (zh) | 2011-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
Márquez et al. | Multi‐objective crop planning using pareto‐based evolutionary algorithms | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN106094744A (zh) | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 | |
CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN109214593A (zh) | 一种主动配电网供电能力多目标评价方法 | |
CN101949104B (zh) | 一种纸浆间歇蒸煮参数优化方法 | |
CN105652791A (zh) | 订单驱动的离散制造过程能耗优化方法 | |
CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
CN110047015A (zh) | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 | |
CN106873372A (zh) | 基于防洪调度数据自适应控制的水库防洪调度优化方法 | |
CN106446478A (zh) | 一种切削加工工艺优选系统及方法 | |
CN106600444A (zh) | 基于神经网络算法和投资组合理论的品种选择方法和装置 | |
CN106779346A (zh) | 一种月度用电量的预测方法 | |
CN115238993A (zh) | 基于nsga-ⅱ算法的水库群多目标优化调度方案决策系统 | |
CN103793577A (zh) | 一种机械加工过程中少切削液加工工艺优化控制方法 | |
Kivinen | A genetic algorithm approach to tree bucking optimization | |
CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN109165460A (zh) | 螺旋锥齿轮形性协同制造参数驱动鲁棒性决策优化方法 | |
CN108038797A (zh) | 配电网调度控制水平的二项系数法和多目标规划混合评估方法 | |
CN108876480A (zh) | 基于多源数据的大宗农产品价格趋势预测方法 | |
Aslam et al. | Predicting wheat production in Pakistan by using an artificial neural network approach | |
CN106919979A (zh) | 一种利用改进遗传算法实现棉花加工过程智能控制的方法 | |
Zhuang et al. | Intelligent decision method of multi-agricultural commodity model based on machine learning | |
CN108256680A (zh) | 一种分布式电源景气合成指数预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120613 Termination date: 20120927 |