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 PDF

Info

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
Application number
CN2010102953352A
Other languages
English (en)
Other versions
CN101949104A (zh
Inventor
沈正华
杨春节
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN2010102953352A priority Critical patent/CN101949104B/zh
Publication of CN101949104A publication Critical patent/CN101949104A/zh
Application granted granted Critical
Publication of CN101949104B publication Critical patent/CN101949104B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种纸浆间歇蒸煮参数优化方法
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))
寻求
Figure BSA00000287757500011
使f(X*)在满足约束的条件下同时达到最优。
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
H = ∫ 0 t d e 43.18 - 29003 1.8 T d + 491.69 dt = t d e 43.18 - 29003 1.8 T d + 491.69
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)。
②至少存在一个子目标,使p比q好。即
Figure BSA00000287757500081
使fl(p)≤fl(q)。
此时,记做
Figure BSA00000287757500082
其中,r为子目标的数量。
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:
∪ p ∈ { P 1 , P 2 , · · · , P m } P = Pop .
j∈{1,2,…,m},且i≠j,
Figure BSA00000287757500085
Figure BSA00000287757500086
即Pk+1中的个体直接接受Pk中个体的支配,(k=1,2,…,m-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:
Figure BSA00000287757500091
%P中存放满足约束的个体
Figure BSA00000287757500092
%Pnc中存放不满足约束的个体
for each p∈Pop
   if p satisfies constrain
P = P ∪ { p }
elsePnc = Pnc ∪ { p }
for each p∈P
Figure BSA00000287757500095
%Sp中存放满足被p支配的个体
np=0        %np中存放满足支配p的个体数目
for each q∈P
if ( p < q ) then
S p = S p &cup; { q }
elseif ( q < p ) then
       np=np+1
if np=0then
   prank=1
F 1 = F 1 &cup; { p }
i=1
while Fi≠0
Figure BSA000002877575000910
for each p∈Fi
  for each q∈Sp
    nq=nq-1
    if nq=0then
       qrank=i+1
Q = Q &cup; { q }
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
P [ i ] dis tan ce = &Sigma; k = 1 r ( P [ i ] &CenterDot; f k - P [ i - 1 ] &CenterDot; f k )
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。
设个体i和j为进化群体中的任意个体,个体之间的偏序关系
Figure BSA00000287757500102
其中,irank是指个体i的非支配排序。这样,我们可以根据个体的偏序关系构造偏序集。
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)
F i [ j ] dis tan ce = F i [ j ] dis tan ce + ( F i [ j + 1 ] m - F i [ j + 1 ] m ) / ( f m max - f m min )
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:
P c = k 1 f max - f f max - f avg f &GreaterEqual; f avg k 2 f < f avg
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:
Y A t = &alpha; X B t + ( 1 - &alpha; ) X A t Y B t = &alpha; X A t + ( 1 - &alpha; ) X B t
其中,
Figure BSA00000287757500113
是交叉个体中交叉基因位上的基因,
Figure BSA00000287757500115
Figure BSA00000287757500116
是交叉产生的新个体对应位上的基因,α是随机产生的[0,1]区间的数,具有正态分布特性。转①。
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:
P m = k 3 f max - f f max - f avg f &GreaterEqual; f avg k 4 f < f avg
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:
X k &prime; = U min k + r ( U max k - U min k )
其中,X′k为变异的新个体的第k个基因,
Figure BSA00000287757500122
为第k个基因位的变异下限,
Figure BSA00000287757500123
为第k个基因位的变异上限,r是随机产生的[0,1]区间的数,具有正态分布特性。
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。
CN2010102953352A 2010-09-27 2010-09-27 一种纸浆间歇蒸煮参数优化方法 Expired - Fee Related CN101949104B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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