CN102419549A - 混合dna遗传算法的复杂化工过程建模方法 - Google Patents

Abstract

本发明公开了一种混合DNA遗传算法的复杂化工过程建模方法。它的步骤如下：1）通过现场操作或实验获得化工过程采样的输入输出数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为混合DNA遗传算法寻优搜索时的目标函数；2）设定算法的控制参数；3）运行混合DNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数得到化工过程模型中未知参数的估计值，再将未知参数的估计值代入化工过程模型中形成化工过程的数学模型。本发明不仅在有效地增加了种群多样性的同时保留了原有种群的优秀基因，而且还有效增强了优化算法的全局搜索能力和局部搜索能力，寻优精度高。

Description

混合DNA遗传算法的复杂化工过程建模方法

技术领域

本发明涉及一种混合DNA遗传算法的复杂化工过程建模方法

背景技术

化工过程的建模与控制一直都是企业和科研机构研究的重点领域之一，它也是现代化学工业生产必不可少的环节。在现代化工生产过程中，建立控制系统数学模型是分析、设计、控制和优化的基础，因此化工过程的精确建模是化工控制的核心对化工过程的理论研究和实际运用都具有重要的意义。然而，随着化工过程系统的日益复杂化以及其严重的非线性特性，化工过程建模一直是化工领域的研究难点和热点。

数学模型的建立主要有两大类方法：机理建模和系统辨识方法。机理模型方法需要凭借可靠的过程规律和先验知识来建立原始微分方程，这些规律和知识必须表为一般的形式。这种方法存在很大的缺陷和局限性，越来越不适用于现代复杂的化工过程控制系统。系统辨识方法是研究者根据化工过程的反应机理提出了相应的化工模型结构，再选择合适的实验方法计算出模型参数的最优估计值，最后验证模型的正确性。在化工模型结构中依然存在许多无法通过直接测量而得到的参数，这需要利用参数估计的方法来得到这些未知参数值，并将这些参数的估计值代入相应的化工过程模型中从而得到化工过程的数学模型。因此，这些未知参数的估计值对得到的化工过程模型的准确性有着重要的影响。参数估计问题本质上可以转化为优化问题，很多传统优化算法被用来估计复杂化工过程的参数，如牛顿法、最小二乘法、SQP方法等。但是，由于这些传统优化算法具有全局搜索能力弱、容易陷入局部最优点和需求严格的适用条件等缺点，它们并不适用于复杂的非线性模型的参数估计。近年来。受生物科学技术的启发，基于生物计算的智能优化方法发展迅速。研究人员借鉴仿生学的思想，提出了许多具有高效寻优能力和广泛适应性的智能优化算法。

遗传算法(GA)作为一种适应面广、鲁棒性强的随机搜索方法，具有较强的全局搜索能力，特别适用于解决复杂的参数估计问题。常规的遗传算法(SimpleGenetic algorithm，SGA)是以随机性的概率转换机制来代替确定性的机理转换机制，虽然具有优于其他传统方法的优点，但是SGA的依然存在搜索效率低、局部搜索能力差且易早熟等缺点。为了克服SGA的缺点，受DNA生物特性和DNA分子操作的启发，研究者提出了DNA遗传算法，经过研究证明，DNA遗传算法可以增加遗传算法种群的多样性，提高寻优速度和精度。

发明内容

本发明的目的是克服现有技术的不足，提供了一种混合DNA遗传算法的复杂化工过程建模方法。

混合DNA遗传算法的复杂化工过程建模方法的步骤如下：

1)通过现场操作或实验获得化工过程采样的输入输出数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为混合DNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数G_max，每个参数编码长度l，个体编码长度L为每个参数编码长度l乘以参数的个数n，种群数N，置换交叉概率p_c1a和p_c1a，转位交叉概率p_c2a和p_c2b，重构交叉概率p_r0，自适应变异概率p_mh和p_ml，基于模拟退火方法的选择算子的种群个体选择概率p(x_i)，基于(μ，λ)-ES理论的种群更新规则，自适应参数区间变化规则以及算法的终止规则；

3)运行混合DNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数得到化工过程模型中未知参数的估计值，再将未知参数的估计值代入化工过程模型中形成化工工程的数学模型。

所述算法的终止准则为：算法的运行代数达最大代数G_max或者算法得到的目标函数值小于Δ_ε。

所述的步骤3)为：

(1)随机生成包含N个长度为L的DNA序列的初始种群，每一个DNA序列代表化工过程模型的一组未知参数的可能解，每个未知参数均由字符集{0，1，2，3}编码为一个长度为l的DNA子序列，设未知参数个数为n，则一个DNA序列的编码长度为L＝ln；

(2)将种群中的每一个DNA序列解码为化工工程模型的一组未知参数并计算其对应的目标函数值，再将目标函数值转化为对应的适应度值，适应度值最大的个体定义为这一代的最优个体，记种群代数微小变化的变量为tav＝0，将最优个体适应度值与上一代个体比较，若二者相差绝对值小于δ＝0.01，则tav增加1，否则tav置零；

(3)判断是否采用(μ，λ)-ES理论更新种群：若tav＞tav₀则更新种群，否则跳过这一步；

(4)根据适应度值大小将种群分为两类，适应度值大的一半个体为优质部分种群记为SuG，适应度值小的一半为劣质部分种群记为InG，对于InG部分种群，根据碱基对互补原则对个体的每个碱基取互补得到新的取反部分种群记为CpG，再对每个个体内的碱基重新随机排列得到新的混乱部分种群记为CtG；

(5)依概率进行交叉操作、变异操作和选择操作，再根据每一代最优个体的值判断是否更新未知参数的取值区间；

(6)重复步骤(2)～步骤(5)进行算法迭代，直到满足算法的终止准则；

(7)将最终种群的最优个体解码为化工过程模型未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

所述的交叉操作步骤为：

(1)置换操作：将一个个体序列中随机选取的一段子序列与另一个个体序列中随机选取的一段长度相同的子序列相互交换，从而生成两个新的个体序列，从优质部分种群SuG中随机选取两个个体以概率p_c1a执行置换交叉一次，再分别从优质部分种群SuG和混乱部分种群CtG中选取两个个体以概率p_c1b执行置换交叉一次；

(2)转位操作：将一个个体序列中随机选取的一段子序列插入到当前序列的其他位置，从而生产一个新的个体序列，从优质部分种群SuG中随机选取单个个体以概率p_c2a执行转位交叉一次，再从混乱部分种群CtG中选取单个个体以概率p_c2b执行转位交叉一次；

(3)重构操作：将一个个体序列A中选取长度随机的一段末端子序列插入至另一个个体序列B的末尾，然后根据个体序列长度为固定值的原则，剪除个体序列B前端的一段子序列并随机生产一段子序列替换A中选取的末端子序列，从而得到两个新的个体序列，若置换交叉和转位交叉都未执行过，则从优质部分种群SuG中随机选取两个个体以概率p_r0执行重构交叉一次；

(4)对每一代种群重复步骤(1)～步骤(3)，直到生产的新个体数达到N/2。

所述的变异操作步骤为：根据种群个体的适应度值大小进行排序并分为优质部分和劣质部分两类种群，优质部分和劣质部分种群个体分别为以概率p_mh和p_ml进行变异操作，变异概率p_mh和p_ml依进化代数g改变：

$\left\{\begin{array}{c}{p}_{\mathrm{mh}}=0.02+\frac{0.2}{1+\exp (20(g-0.5G_{\max })/G_{\max })}\\ p_{\mathrm{ml}}=0.02+\frac{0.2}{1+\exp (-20(g-0.5G_{\max })/G_{\max })}\end{array}\right..$

所述的选择操作步骤为：采用模拟退火算法，对种群中每个个体都以概率p(x_i)进行选择，最终选出N-1个个体进入下一代种群，同时保留当代的最优个体进入下一代，模拟退火选择概率为：

c₀∈[0，C]，其中，f(x_i)为个体适应度值，C为当前种群大小。

所述的采用(μ，λ)-ES理论更新种群步骤为：

(1)根据N个待更新种群个体扩展出5N个新个体，先将N个个体中与最优个体相似度大于70％的个体删除，相似度是指两个个体间相同碱基的个数除以个体长度，再循环地从剩下的个体中随机选择两个个体生成新的个体直到新个体数达到5N时该步骤完成，新生成的个体的每个碱基确定为以下四种情况：依概率0.1为一个父代个体的对应碱基，依概率0.1为另一个父代个体的对应碱基，依概率0.4为两个父代个体的对应碱基的平均值，依概率0.4为随机生成新的碱基；

(2)从N个原种群个体和5N个新个体中选出N个个体达到更新种群的目的，其中每个个体被选取的概率依赖于个体的适应度值和个体与最优个体的相似度。

所述的更新未知参数的取值区间步骤为：每个未知参数的差异变量为delx_i，初始值为0，当这一代的最优个体对应的未知参数值与上一代的最优个体对应的未知参数值的差值绝对值不大于设定值ε，则delx_i加1否则置零，当delx_i大于设定值del₀则将未知参数的取值区间更新。

本发明将进化策略和模拟退火与DNA遗传算法相结合，并利用DNA分子操作改进算法的交叉操作和变异操作，不仅显著提高了种群的多样性，而且也有效增强了算法的全局搜索能力和局部寻优能力。本发明作为一种混合智能优化搜索算法，能够成功的运用于复杂化工过程建模的参数估计中，具有很好运用和发展前景。

附图说明

图1为混合DNA遗传算法的复杂化工过程建模方法的流程图；

图2为变异概率p_mh和p_ml依进化代数g改变的曲线图；

图3为馏分油催化裂化五集总反应动力学串行-并行网络。

具体实施方式

混合DNA遗传算法的复杂化工过程建模方法的步骤如下：

1)通过现场操作或实验获得化工过程采样的输入输出数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为混合DNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数G_max，每个参数编码长度l，个体编码长度L为每个参数编码长度l乘以参数的个数n，种群数N，置换交叉概率p_c1a和p_c1b，转位交叉概率p_c2a和p_c2b，重构交叉概率p_r0，自适应变异概率p_mh和p_ml，基于模拟退火方法的选择算子的种群个体选择概率p(x_i)，基于(μ，λ)-ES理论的种群更新规则，自适应参数区间变化规则以及算法的终止规则；

3)运行混合DNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数得到化工过程模型中未知参数的估计值，再将未知参数的估计值代入化工过程模型中形成化工工程的数学模型。

所述算法的终止准则为：算法的运行代数达最大代数G_max或者算法得到的目标函数值小于Δ_ε。

所述的步骤3)为：

(1)随机生成包含N个长度为L的DNA序列的初始种群，每一个DNA序列代表化工过程模型的一组未知参数的可能解，每个未知参数均由字符集{0，1，2，3}编码为一个长度为l的DNA子序列，设未知参数个数为n，则一个DNA序列的编码长度为L＝ln；

(2)将种群中的每一个DNA序列解码为化工工程模型的一组未知参数并计算其对应的目标函数值，再将目标函数值转化为对应的适应度值，适应度值最大的个体定义为这一代的最优个体，记种群代数微小变化的变量为tav＝0，将最优个体适应度值与上一代个体比较，若二者相差绝对值小于δ＝0.01，则tav增加1，否则tav置零；

(3)判断是否采用（μ，λ)-ES理论更新种群：若tav＞tav₀则更新种群，否则跳过这一步；

(4)根据适应度值大小将种群分为两类，适应度值大的一半个体为优质部分种群记为SuG，适应度值小的一半为劣质部分种群记为InG，对于InG部分种群，根据碱基对互补原则对个体的每个碱基取互补得到新的取反部分种群记为CpG，再对每个个体内的碱基重新随机排列得到新的混乱部分种群记为CtG；

(5)依概率进行交叉操作、变异操作和选择操作，再根据每一代最优个体的值判断是否更新未知参数的取值区间；

(6)重复步骤(2)～步骤(5)进行算法迭代，直到满足算法的终止准则；

(7)将最终种群的最优个体解码为化工过程模型未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

所述的交叉操作步骤为：

(1)置换操作：将一个个体序列中随机选取的一段子序列与另一个个体序列中随机选取的一段长度相同的子序列相互交换，从而生成两个新的个体序列，从优质部分种群SuG中随机选取两个个体以概率p_c1a执行置换交叉一次，再分别从优质部分种群SuG和混乱部分种群CtG中选取两个个体以概率p_c1b执行置换交叉一次；

(2)转位操作：将一个个体序列中随机选取的一段子序列插入到当前序列的其他位置，从而生产一个新的个体序列，从优质部分种群SuG中随机选取单个个体以概率p_c2a转位交叉一次，再从混乱部分种群CtG中选取单个个体以概率p_c2b执行转位交叉一次；

(3)重构操作：将一个个体序列A中选取长度随机的一段末端子序列插入至另一个个体序列B的末尾，然后根据个体序列长度为固定值的原则，剪除个体序列B前端的一段子序列并随机生产一段子序列替换A中选取的末端子序列，从而得到两个新的个体序列，若置换交叉和转位交叉都未执行过，则从优质部分种群SuG中随机选取两个个体以概率p_r0执行重构交叉一次；

(4)对每一代种群重复步骤(1)～步骤(3)，直到生产的新个体数达到N/2。

所述的变异操作步骤为：根据种群个体的适应度值大小进行排序并分为优质部分和劣质部分两类种群，优质部分和劣质部分种群个体分别为以概率p_mh和p_ml进行变异操作，变异概率p_mh和p_ml依进化代数g改变：

$\left\{\begin{array}{c}{p}_{\mathrm{mh}}=0.02+\frac{0.2}{1+\exp (20(g-0.5G_{\max })/G_{\max })}\\ p_{\mathrm{ml}}=0.02+\frac{0.2}{1+\exp (-20(g-0.5G_{\max })/G_{\max })}\end{array}\right..$

所述的选择操作步骤为：采用模拟退火算法，对种群中每个个体都以概率p(x_i)进行选择，最终选出N-1个个体进入下一代种群，同时保留当代的最优个体进入下一代，模拟退火选择概率为：

c₀∈[0，C]，其中，f(x_i)为个体适应度值，C为当前种群大小。

所述的采用(μ，λ)-ES理论更新种群步骤为：

(1)根据N个待更新种群个体扩展出5N个新个体，先将N个个体中与最优个体相似度大于70％的个体删除，相似度是指两个个体间相同碱基的个数除以个体长度，再循环地从剩下的个体中随机选择两个个体生成新的个体直到新个体数达到5N时该步骤完成，新生成的个体的每个碱基确定为以下四种情况：依概率0.1为一个父代个体的对应碱基，依概率0.1为另一个父代个体的对应碱基，依概率0.4为两个父代个体的对应碱基的平均值，依概率0.4为随机生成新的碱基；

(2)从N个原种群个体和5N个新个体中选出N个个体达到更新种群的目的，其中每个个体被选取的概率依赖于个体的适应度值和个体与最优个体的相似度。

所述的更新未知参数的取值区间步骤为：每个未知参数的差异变量为delx_i，初始值为0，当这一代的最优个体对应的未知参数值与上一代的最优个体对应的未知参数值的差值绝对值不大于设定值ε，则delx_i加1否则置零，当delx_i大于设定值del₀则将未知参数的取值区间更新。

实施例

将本发明方法用于馏分油催化裂化过程五集总组合反应器模型参数估计中，进一步详细叙述如下：

渣油催化裂化过程(RFCC)是重质油在再生催化剂和一定的温度压力下在提升管式反应器内发生裂化的化工过程。在其集总动力学反应模型中，可以把每个集总作为一个虚拟的单一组分来考虑，再去开发这些虚拟的集总组分的反应网络，这样能够建立简化了的集总动力学网络的动力学模型。根据馏分油催化裂化反应特点，采用集总方法，将反映体系划分为原料油(Gas Oil)、轻循环油(LCO)、汽油(Gasoline)、气体(Gas)、焦炭(Coke)，总共五个虚拟集总组分，反映网络如图3。

假定原料油裂化反应符合二级反应，其他反应均为一级不可逆反应。根据反应器内的物料衡算，得到各集总组分的动力学方程如下：

$\frac{d{C}_1}{\mathrm{dX}}=-\frac{{\mathrm{\ρ}}_v\mathrm{\φ}\left(t\right)}{S_{\mathrm{wh}}{\mathrm{RT}}^{\′}\mathrm{\Σ}{C}_i}(K_1+K_2+K_3+K_4)C_1^2$

$\frac{d{C}_2}{\mathrm{dX}}=\frac{{\mathrm{\ρ}}_v\mathrm{\φ}\left(t\right)}{S_{\mathrm{wh}}{\mathrm{RT}}^{\′}\mathrm{\Σ}{C}_i}[{\mathrm{\υ}}_{12}{K}_1{C}_1^2-(K_5+K_6+K_7)C_2]$

$\frac{d{C}_3}{\mathrm{dX}}=\frac{{\mathrm{\ρ}}_v\mathrm{\φ}\left(t\right)}{S_{\mathrm{wh}}R{T}^{\′}\mathrm{\Σ}{C}_i}[{\mathrm{\υ}}_{13}{K}_2{C}_1^2+{\mathrm{\υ}}_{23}{K}_5{C}_2-(K_8+K_9)C_3]$

$\frac{d{C}_4}{\mathrm{dX}}=\frac{{\mathrm{\ρ}}_v\mathrm{\φ}\left(t\right)}{S_{\mathrm{wh}}{\mathrm{RT}}^{\′}\mathrm{\Σ}{C}_i}[{\mathrm{\υ}}_{14}{K}_4{C}_1^2+{\mathrm{\υ}}_{24}{K}_6{C}_2+{\mathrm{\υ}}_{34}{K}_8{C}_3]$

C₅＝(1-C₁M_w1-C₂M_w2-C₃M_w3-C₄M_w4)/M_w5

式中各变量代表的含义如下：

C_i——i集总的浓度，mol/(g gas)；

M_wi——i集总的相对分子质量，g/mol；i＝1，2，3，4，5分别表示原料油，轻循环油，汽油，气体，焦炭集总；

ν_ij——化学计量系数：ν_ij＝i集总的相对分子质量/j集总的相对分子质量；

φ(t)——催化剂衰减函数：φ(t)＝exp(-αt_C)；

α——催化剂衰减常数；

t_C——催化剂停留时间，h；

K_1～9——反应网络中各反应的速率常数，cm³(g gas)/(g cat·mol·h)；

ρ_v——油气密度，g/cm³；

X——反应器床层相对高度；

S_wh——重时空速，h^-1；

R——气体常数，取8.3145J/(mol·K)；

T′——体系温度，K。

模型中所要估计的参数有α和K₁～K₉共10个。

基于一种混合DNA遗传算法对馏分油催化裂化过程五集总组合反应器模型建模方法步骤如下：

1)通过进行固定流化床微反实验装置(MAT)实验获得一系列数据，合理选取其中的20组实验数据作为参数估计的训练样本。优化指标函数选为： $f=\underset{m=1}{\overset{20}{\mathrm{\Σ}}}{(Z_m-{\hat{Z}}_m)}^T(Z_m-{\hat{Z}}_m),$ 而 $Z=\left[\begin{array}{c}{C}_2\\ C_3\\ C_4\\ (1-C_1{M}_{w1}-C_2{M}_{w2}-C_3{M}_{w3}-C_4{M}_{w4})/M_{w5}\end{array}\right],$ 其中，Z表示实验得到的实际值，

表示通过参数估计得到的估计值，m是20个实验数据的编号。这个优化指标函数作为混合DNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数G_max＝1000，每个参数编码长度l＝20，个体编码长度L为每个参数编码长度l乘以参数的个数n＝10，即L＝200，种群数N＝60，置换交叉概率p_c1a＝0.7和p_c1b＝0.3，转位交叉概率p_c2a＝0.5和p_c2b＝0.2，重构交叉概率p_r0＝0.2，自适应变异概率p_mh和p_ml，基于模拟退火方法的选择算子的种群个体选择概率p(x_i)基于(μ，λ)-ES理论的种群更新规则，自适应参数区间变化规则以及算法的终止规则；

3)运行混合DNA遗传算法对馏分油催化裂化过程五集总组合反应器模型中的未知参数进行估计，通过最小化目标函数得到化工过程模型中10个未知参数α和K₁～K₉的估计值，再将未知参数的估计值代入化工过程模型中形成化工过程的数学模型。

所述算法的终止准则为：算法的运行代数达最大代数G_max＝1000或者算法得到的目标函数值小于Δ_ε＝0.0001。

所述的步骤3)为：

(1)随机生成包含60个DNA序列的初始种群。每一个DNA序列代表化工过程模型的一组未知参数的可能解，其中每个未知参数均由字符集{0，1，2，3}编码为一个长度为20的DNA子序列，这20个DNA序列按照[α，K₁，...K₉]的顺序排列成一个DNA子序列，一个序列的编码长度为20×10＝200；

(2)将种群中的每一个DNA序列解码为馏分油催化裂化过程五集总组合反应器模型的一组未知参数并计算其对应的目标函数值，直接选取目标函数值作为适应度值，适应度值最大的个体定义为这一代的最优个体。记种群代数微小变化的变量为tav＝0，将最优个体适应度值与上一代个体比较，若二者相差绝对值小于δ＝0.01，则tav增加1，否则tav置零；

(3)判断是否采用(μ，λ)-ES理论更新种群：若tav＞4则更新种群，否则跳过这一步；

(4)根据适应度值大小将种群分为两类，适应度值大的一半个体为优质部分种群记为SuG，适应度值小的一半为劣质部分种群记为InG。对于InG部分种群，根据碱基对互补原则对个体的每个碱基取互补得到新的取反部分种群记为CpG，再对每个个体内的碱基重新随机排列得到新的混乱部分种群记为CtG；

(5)依概率进行交叉操作、变异操作和选择操作，再根据每一代最优个体的值判断是否更新未知参数的取值区间；

(6)重复步骤(2)～步骤(5)进行算法迭代，直到满足算法的终止准则；

(7)将最终种群的最优个体解码为馏分油催化裂化过程五集总组合反应器模型未知参数的估计值，并将估计值带入模型中，形成确定的数学模型。

所述的交叉操作步骤：

(1)置换操作：将一个个体序列中随机选取的一段子序列与另一个个体序列中随机选取的一段长度相同的子序列相互交换，从而生成两个新的个体序列，从优质部分种群SuG中随机选取两个个体以概率0.7执行置换交叉一次，再分别从优质部分种群SuG和混乱部分种群CtG中选取两个个体以概率0.3执行置换交叉一次；

(2)转位操作：将一个个体序列中随机选取的一段子序列插入到当前序列的其他位置，从而生产一个新的个体序列，从优质部分种群SuG中随机选取单个个体以概率0.5执行转位交叉一次，再从混乱部分种群CtG中选取单个个体以概率0.2执行转位交叉一次；

(3)重构操作：将一个个体序列A中选取长度随机的一段末端子序列插入至另一个个体序列B的末尾，然后根据个体序列长度为固定值的原则，剪除个体序列B前端的一段子序列并随机生产一段子序列替换A中选取的末端子序列，从而得到两个新的个体序列，若置换交叉和转位交叉都未执行过，则从优质部分种群SuG中随机选取两个个体以概率0.2执行重构交叉一次；

(4)对每一代种群重复步骤(1)～(3)，直到生产的新个体数达到30个；

所述的变异操作步骤：根据种群个体的适应度值大小进行排序并分为优质部分和劣质部分种群两类。优质部分和劣质部分种群个体分别为以概率p_mh和p_ml进行变异操作，变异概率p_mh和p_ml依进化代数g改变：

$\left\{\begin{array}{c}{p}_{\mathrm{mh}}=0.02+\frac{0.2}{1+\exp (20(g-0.5G_{\max })/G_{\max })}\\ p_{\mathrm{ml}}=0.02+\frac{0.2}{1+\exp (-20(g-0.5G_{\max })/G_{\max })}\end{array}\right..$

所述的选择操作步骤：采用模拟退火算法，对种群中每个个体都以概率p(x_i)进行选择，最终选出59个个体进入下一代种群，再同时保留当代的最优个体进入下一代。模拟退火选择概率为：

c₀∈[0，90]，其中，f(x_i)为个体适应度值。

所述的采用(μ，λ)-ES理论更新种群步骤：

(1)根据60个待更新种群个体扩展出300个新个体。先将60个个体中与最优个体相似度大于70％的个体删除，相似度是指两个个体间相同碱基的个数除以个体长度，再循环地从剩下的个体中随机选择两个个体生成新的个体直到新个体数达到300时该步骤完成，新生成的个体的每个碱基确定为以下四种情况：依概率0.1为一个父代个体的对应碱基，依概率0.1为另一个父代个体的对应碱基，依概率0.4为两个父代个体的对应碱基的平均值，依概率0.4为随机生成新的碱基。

(2)从60个原种群个体和300个新个体中选出60个个体达到更新种群的目的，其中每个个体被选取的概率依赖于个体的适应度值和个体与最优个体的相似度。

所述的更新未知参数的取值区间步骤：每个未知参数的差异变量为delx_i，初始值为0，当这一代的最优个体对应的未知参数值与上一代的最优个体对应的未知参数值的差值绝对值不大于设定值0.0001，则delx_i加1否则置零，当delx_i大于设定值30则将未知参数的取值区间更新。

运行混合DNA遗传算法对馏分油催化裂化过程五集总组合反应器模型中的未知参数进行估计，可以得到各个参数的估计值如下表所示：

α	K1	K2	K3	K4	K5	K6	K7	K8	K9
										49.923	10903	15769	201.68	321.38	5.9994	1.6998	1.7443	1.7120	1.1132

将这些参数估计值代入到馏分油催化裂化过程五集总组合反应器模型中，则能得到确定的数学模型。

Claims (8)

1.一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于它的步骤如下：

1)通过现场操作或实验获得化工过程采样的输入输出数据，对于同一组采样输入数据，化工过程模型的估计输出与实际输出的误差绝对值之和作为混合DNA遗传算法寻优搜索时的目标函数；

2)设定算法运行的最大代数G_max，每个参数编码长度l，个体编码长度L为每个参数编码长度l乘以参数的个数n，种群数N，置换交叉概率p_c1a和p_c1b，转位交叉概率p_c2a和p_c2b重构交叉概率p_r0，自适应变异概率p_mh和p_ml，基于模拟退火方法的选择算子的种群个体选择概率p(x_i)，基于(μ，λ)-ES理论的种群更新规则，自适应参数区间变化规则以及算法的终止规则；

3)运行混合DNA遗传算法对化工过程模型中的未知参数进行估计，通过最小化目标函数得到化工过程模型中未知参数的估计值，再将未知参数的估计值代入化工过程模型中形成化工工程的数学模型。

2.根据权利要求1所述的一种混合DNA遗传算法的化工过程及建模方法，其特征在于所述算法的终止准则为：算法的运行代数达最大代数G_max或者算法得到的目标函数值小于Δ_ε。

3.根据权利要求1所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的步骤3)为：

(1)随机生成包含N个长度为L的DNA序列的初始种群，每一个DNA序列代表化工过程模型的一组未知参数的可能解，每个未知参数均由字符集{0，1，2，3}编码为一个长度为l的DNA子序列，设未知参数个数为n，则一个DNA序列的编码长度为L＝ln；

(2)将种群中的每一个DNA序列解码为化工工程模型的一组未知参数并计算其对应的目标函数值，再将目标函数值转化为对应的适应度值，适应度值最大的个体定义为这一代的最优个体，记种群代数微小变化的变量为tav＝0，将最优个体适应度值与上一代个体比较，若二者相差绝对值小于δ＝0.01，则tav增加1，否则tav置零；

(3)判断是否采用(μ，λ)-ES理论更新种群：若tav＞tav₀则更新种群，否则跳过这一步；

(4)根据适应度值大小将种群分为两类，适应度值大的一半个体为优质部分种群记为SuG，适应度值小的一半为劣质部分种群记为InG，对于InG部分种群，根据碱基对互补原则对个体的每个碱基取互补得到新的取反部分种群记为CpG，再对每个个体内的碱基重新随机排列得到新的混乱部分种群记为CtG；

(5)依概率进行交叉操作、变异操作和选择操作，再根据每一代最优个体的值判断是否更新未知参数的取值区间；

(6)重复步骤(2)～步骤(5)进行算法迭代，直到满足算法的终止准则；

(7)将最终种群的最优个体解码为化工过程模型未知参数的估计值，将未知参数的估计值代入化工过程模型中，形成化工过程的数学模型。

4.根据权利要求3所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的交叉操作步骤为：

(1)置换操作：将一个个体序列中随机选取的一段子序列与另一个个体序列中随机选取的一段长度相同的子序列相互交换，从而生成两个新的个体序列，从优质部分种群SuG中随机选取两个个体以概率p_c1a执行置换交叉一次，再分别从优质部分种群SuG和混乱部分种群CtG中选取两个个体以概率p_c1b执行置换交叉一次；

(2)转位操作：将一个个体序列中随机选取的一段子序列插入到当前序列的其他位置，从而生产一个新的个体序列，从优质部分种群SuG中随机选取单个个体以概率p_c2a执行转位交叉一次，再从混乱部分种群CtG中选取单个个体以概率p_c2b执行转位交叉一次；

(3)重构操作：将一个个体序列A中选取长度随机的一段末端子序列插入至另一个个体序列B的末尾，然后根据个体序列长度为固定值的原则，剪除个体序列B前端的一段子序列并随机生产一段子序列替换A中选取的末端子序列，从而得到两个新的个体序列，若置换交叉和转位交叉都未执行过，则从优质部分种群SuG中随机选取两个个体以概率p_r0执行重构交叉一次；

(4)对每一代种群重复步骤(1)～步骤(3)，直到生产的新个体数达到N/2。

5.根据权利要求3所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的变异操作步骤为：根据种群个体的适应度值大小进行排序并分为优质部分和劣质部分两类种群，优质部分和劣质部分种群个体分别为以概率p_mh和p_ml进行变异操作，变异概率p_mh和p_ml依进化代数g改变：

$\left\{\begin{array}{c}{p}_{\mathrm{mh}}=0.02+\frac{0.2}{1+\exp (20(g-0.5G_{\max })/G_{\max })}\\ p_{\mathrm{ml}}=0.02+\frac{0.2}{1+\exp (-20(g-0.5G_{\max })/G_{\max })}\end{array}\right..$

6.根据权利要求3所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的选择操作步骤为：采用模拟退火算法，对种群中每个个体都以概率p(x_i)进行选择，最终选出N-1个个体进入下一代种群，同时保留当代的最优个体进入下一代，模拟退火选择概率为：

c₀∈[0，C]，其中，f(x_i)为个体适应度值，C为当前种群大小。

7.根据权利要求3所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的采用(μ，λ)-ES理论更新种群步骤为：

(1)根据N个待更新种群个体扩展出5N个新个体，先将N个个体中与最优个体相似度大于70％的个体删除，相似度是指两个个体间相同碱基的个数除以个体长度，再循环地从剩下的个体中随机选择两个个体生成新的个体直到新个体数达到5N时该步骤完成，新生成的个体的每个碱基确定为以下四种情况：依概率0.1为一个父代个体的对应碱基，依概率0.1为另一个父代个体的对应碱基，依概率0.4为两个父代个体的对应碱基的平均值，依概率0.4为随机生成新的碱基；

(2)从N个原种群个体和5N个新个体中选出N个个体达到更新种群的目的，其中每个个体被选取的概率依赖于个体的适应度值和个体与最优个体的相似度。

8.根据权利要求3所述的一种混合DNA遗传算法的复杂化工过程建模方法，其特征在于所述的更新未知参数的取值区间步骤为：每个未知参数的差异变量为delx_i，初始值为0，当这一代的最优个体对应的未知参数值与上一代的最优个体对应的未知参数值的差值绝对值不大于设定值ε，则delx_i加1否则置零，当delx_i大于设定值del₀则将未知参数的取值区间更新。

Images