CN101949104B - 一种纸浆间歇蒸煮参数优化方法 - Google Patents

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，…，x_n)，它满足下列约束：

g_i(X)≥0(i＝1，2，…，k)

h_i(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)，…，f_r(X))

寻求

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，t_d，T_d)

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)，t_d为蒸煮时间，T_d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

$H=\underset{0}{\overset{t_d}{\∫}}{e}^{43.18-\frac{29003}{{1.8T}_d+491.69}}\mathrm{dt}=t_d{e}^{43.18-\frac{29003}{{1.8T}_d+491.69}}$

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×(T_d-T₀)

Q₂＝C₂×M₂×(T_d-T₀)

Q₃＝C₃×M₃×(T_d-T₁)

Q₄＝C₄×M₄×(T_d-T₂)

Q_need＝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；T_d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(Q_need)

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(Q_need)

f₄＝min(Wld)

s.t.

kappa＝svm(Wlc，S，Wld，Bld，t_d，T_d)

Y＝A-Blg(H)(EA)ⁿ

Q_need＝Q₁+Q₂+Q₃+Q₄+Q₅

Q₁＝C₁×M₁×(T_d-T₀)

Q₂＝C₂×M₂×(T_d-T₀)

Q₃＝C₃×M₃×(T_d-T₁)

Q₄＝C₄×M₄×(T_d-T₂)

Wlc_lower≤Wlc≤Wlc_upper

S_lower≤S≤S_upper

Wld_lower≤Wld≤Wld_upper

Bld_lower≤Bld≤Bld_upper

t_d_lower≤t_d≤t_d_upper

T_d_lower≤T_d≤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t_d、蒸煮温度T_d、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，…，X_N)^T，其中X_i＝(x_i1，x_i2，…，x_i6)，x_ij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f_k(p)≤f_k(q)，(k＝1，2，…，r)。

②至少存在一个子目标，使p比q好。即

使f_l(p)≤f_l(q)。

此时，记做

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，P_m，且满足下列性质：

① ${\∪}_{p\∈\{P_1,P_2,\·\·\·,P_m\}}P=\mathrm{Pop}.$

②j∈{1，2，…，m}，且i≠j，

③

即P_k+1中的个体直接接受P_k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：

％P中存放满足约束的个体

％Pnc中存放不满足约束的个体

for each p∈Pop

   if p satisfies constrain

$P=P\∪\left\{p\right\}$

$\mathrm{elsePnc}=\mathrm{Pnc}\∪\left\{p\right\}$

for each p∈P

％S_p中存放满足被p支配的个体

n_p＝0        ％n_p中存放满足支配p的个体数目

for each q∈P

$\mathrm{if}(p<q)\mathrm{then}$

$S_p=S_p\&cup;\left\{q\right\}$

$\mathrm{elseif}(q<p)\mathrm{then}$

       n_p＝n_p+1

if n_p＝0then

   p_rank＝1

$F_1=F_1\&cup;\left\{p\right\}$

i＝1

while F_i≠0

for each p∈F_i

  for each q∈S_p

    n_q＝n_q-1

    if n_q＝0then

       q_rank＝i+1

$Q=Q\&cup;\left\{q\right\}$

i＝i+1

F_i＝Q

F_i+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

${P\left[i\right]}_{\mathrm{dis}\tan \mathrm{ce}}=\underset{k=1}{\overset{r}{\mathrm{\&Sigma;}}}\left(P\right[i]\&CenterDot;f_k-P[i-1]\&CenterDot;f_k)$

其中，P[i]_dis tan ce为个体i的拥挤度，P[i].f_k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

为其中，i_rank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 F_i

   k＝number of F_i

for each j∈F_i set F_i[j]_distance＝0

for each objective m

   F_i＝sort(F_i，m)

   F_i[1]_distance＝F_i[k]_distance＝∞

   for j＝2 to(k-1)

$F_i{\left[j\right]}_{\mathrm{dis}\tan \mathrm{ce}}=F_i{\left[j\right]}_{\mathrm{dis}\tan \mathrm{ce}}+(F_i{[j+1]}_m-F_i{[j+1]}_m)/(f_m^{\max }-f_m^{\min })$

F_i＝sort(F_i，F_i [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f_max和f_avg，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：

$P_c=\left\{\begin{array}{cc}{k}_1\frac{f_{\max }-f}{f_{\max }-f_{\mathrm{avg}}}& f\&GreaterEqual;f_{\mathrm{avg}}\\ k_2& f<f_{\mathrm{avg}}\end{array}\right.$

其中，P_c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P_c，则两个个体按下式进行交叉，否则转③：

$\left\{\begin{array}{c}{Y}_A^t=\mathrm{\&alpha;}{X}_B^t+(1-\mathrm{\&alpha;})X_A^t\\ Y_B^t=\mathrm{\&alpha;}{X}_A^t+(1-\mathrm{\&alpha;})X_B^t\end{array}\right.$

其中，

和是交叉个体中交叉基因位上的基因，

和

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：

$P_m=\left\{\begin{array}{cc}{k}_3\frac{f_{\max }-f}{f_{\max }-f_{\mathrm{avg}}}& f\&GreaterEqual;f_{\mathrm{avg}}\\ k_4& f<f_{\mathrm{avg}}\end{array}\right.$

其中，P_m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P_m，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，

为第k个基因位的变异下限，

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。

Images