CN102542173B - 一种分馏系统过程数据的智能校正方法 - Google Patents

Abstract

本发明公开了一种分馏系统过程数据的智能校正方法，具体包括以下处理步骤：（1）采集分馏系统的实时和历史数据，确定已测变量和未测变量；（2）根据采集数据，获得各个已测变量的方差、过失误差在误差中出现的比例和过失误差的标准差与随机误差的标准差的比率；（3）将过程数据协调转化为优化问题；（4）通过多Agent邻域竞争-协作学习算法求解优化问题，获得协调数据；（5）再接着，对协调数据进行显著误差检测，如果存在显著误差，则调整已测变量和未测变量，转入步骤(3)，否则步骤（4）获得的协调数据即为全局最优协调数据；本发明有效的提高了数据的一致性，为过程设计、模拟、优化、控制及生产管理决策分析提供依据。

Description

一种分馏系统过程数据的智能校正方法

技术邻域

本发明涉及一种化工过程数据的校正方法，尤其是涉及一种分馏系统过程数据的智能校正方法。

背景技术

在分馏系统的生产过程中，需要采集大量的过程测量数据，如在线的流量数据和离线的化验数据，将其作为过程设计、模拟、优化、控制及生产管理决策分析的直接依据。然而，由于设置在测量点上的测量仪表的精度及测量环境等的影响，现场采集的流量数据不可避免地存在着随机误差，有时还会由于受到诸如测量仪表的不准或失灵以及容器或管道泄漏等多种因素的影响，使得直接测量的流量数据不仅不能反映过程运行的真实情况，而且还常常违背基本的物料平衡关系，给后续的过程设计、模拟、优化、控制及生产管理决策分析造成影响；同时，由于受经济条件、测量技术和测量仪表本身等的限制，并非所有的流量数据都可以测量，从而造成了数据的不完整性。因而，必须对现场采集到的流量数据进行数据校正，提高数据的一致性。

数据校正是利用生产过程中的时空冗余信息，结合各种统计分析方法和生产过程的机理，滤除直接测量的流量数据中的显著误差，根据最优化理论系统地调整测量值，修正过程模型中潜在的不确定性，提高测量获得的流量数据的质量，同时估计未测的流量数据。

数据校正包括对直接测量的流量数据中是否存在过失误差的检测和过程数据的协调。过程数据协调通常是在满足平衡方程等约束条件下，去除随机误差影响，同时对未测数据中的可观测型数据进行估计，而过失误差的存在会使过程数据协调产生偏差，通常相关人员会将过失误差的检测和去除与过程数据的协调分开进行，先进行过失误差的检测和去除，然后再进行过程数据的协调，从而加大了工作量。

发明内容

本发明所要解决的技术问题是提供一种能检测到显著误差源，并获得全局最优协调数据的分馏系统过程数据的智能校正方法。

本发明解决上述技术问题所采用的技术方案为：一种分馏系统过程数据的智能校正方法，具体包括以下步骤：

1)采集分馏系统的实时和历史的过程数据，将已测流量数据记为X，X＝{x₁,x₂,...,x_m}，将未测流量数据记为U，其中，m为设置在分馏系统中的测量仪表的个数，x_i,i＝1,2,...,m为第i个测量仪表上的测量值；

2)根据采集到的实时和历史的过程数据，计算获得该分馏系统中的过失误差在误差中出现的比例η，η<0.5，以及过失误差的标准差与随机误差的标准差的比率γ，γ>5；

3)将过程数据协调转化为优化问题，其表达式为：

$\begin{array}{c}\min =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \left\{(1-\mathrm{\&eta;})\exp \right[-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}\left]\right\}\\ s.t.L(\hat{X},\hat{U})=0\\ X^L\&le;\hat{X}\&le;X^U;U^L\&le;\hat{U}\&le;U^U\end{array}$

其中，min为最小值，ln( )为取对数函数，exp( )为指数函数，为x_i的估计值，i＝1,2,...,m为x_i服从仪表测量误差的正态分布方差，s.t.为约束条件，为满足过程数据的物料和组分平衡方程，为X的估计数据，为U的估计数据，X^L为的下限，X^U为的上限，U^L为的下限，U^U为的上限；

4)采用多Agent(智能体)邻域竞争-协作学习方法求解步骤3)所述的优化问题，得到协调数据(X',U')，其中，X'＝{x₁',x₂',...,x_m'}，x_i'为x_i的协调值；

5)计算各个测量值x_i与其协调值x_i'之间的误差e_i,i＝1,2,...,m，e_i＝x_i-x_i'，判断e_i是否满足如果是，则已测数据X中含有过失误差，将作为未测流量数据，调整X＝X-{x_i*}和U＝U+{x_i*}，然后返回步骤3)，其中，σ_i为测量值x_i的标准差，max( )为取最大值函数，arg( )为取参数函数；否则(X',U')为全局最优协调数据。

所述的多Agent邻域竞争-协作学习方法具体包括下列步骤：

(1)根据约束条件 $L(\hat{X},\hat{U})=0,X^L\&le;\hat{X}\&le;X^U$ 和 $U^L\&le;\hat{U}\&le;U^U$ 与已测流量数据X，计算得到N组估计数据将随机的装入多Agent群体A，(i＝1,2,...,L_s1；j＝1,2,...,L_s1)，生成Agent网格L(T)，其中，N＝L_s1×L_s1，为网格L(T)上的第i行第j列上的第T代个体，L_s1为网格L(T)的总行数或总列数，网格L(T)的大小为L_s1×L_s1，T为迭代次数，T＝1；

(2)计算网格L(T)中每个个体的竞争力获得sBest^T，其中，C( )为竞争力函数，的竞争力为 $C\left(\hat{X}\right)=-\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \left\{(1-\mathrm{\&eta;})\exp \right[-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}\left]\right\},$ sBest^T为Agent网格第T代为止竞争力最大的个体；

(3)在网格L(T)中随机抽取一个个体生成一个大小为sL_s1×sL_s1的网格sL(T)；其中，为取上整，sR为搜索半径，sR∈[0,1]，为网格sL(T)上的第m'行第n'列上的第T代个体，m'＝1,2,...,sL_s1，n'＝1,2,...,sL_s1， ${\mathrm{New}}_{m^{\&prime;},n^{\&prime;}}^T=({e^T}_{m^{\&prime;},n^{\&prime;},1},{e^T}_{m^{\&prime;},n^{\&prime;},2},...,{e^T}_{m^{\&prime;},n^{\&prime;},m}),$ k＝1,2,...,m，α_k为个体中的第k个数据值，为X^L中的第k个数据值，为X^U中的第k个数据值，u(1-sR,1+sR)为(1-sR,1+sR)内均匀分布的随机数；

(4)将网格sL(T)以个体为起点覆盖到网格L(T)上生成网格L¹(T)；具体为：其中，为网格L¹(T)上的第i行第j列上的第T代个体，mod为余数函数，且当m'+i'-1＝L_s1时，(m'+i'-1)modL_s1＝L_s1，当n'+j'-1＝L_s1时，(n'+j'-1)modL_s1＝L_s1；

(5)将网格L¹(T)中的每个个体执行邻域竞争操作，获得网格L²(T)；其中，邻域竞争操作具体为：邻域为个体在其所在的Agent网格中上下左右相邻的四个个体的集合，且Agent网格中的列或行的首尾两个个体相邻，为网格L²(T)上的第i行第j列上的第T代个体，为中竞争力最大的个体的竞争力，为个体的邻域， $\mathrm{loc}\&CenterDot;{\mathrm{aA}}_{i,j}^T=\{{\mathrm{aA}}_{i-,j}^T,{\mathrm{aA}}_{i,j-}^T,{\mathrm{aA}}_{i+,j}^T,{\mathrm{aA}}_{i,j+}^T\},i_{-}=\left\{\begin{array}{c}i-1,i\&NotEqual;1\\ L_{s1},i=1\end{array}\right.,j_{-}=\left\{\begin{array}{c}j-1,j\&NotEqual;1\\ L_{s1},j=1\end{array}\right.,$ $i_{+}=\left\{\begin{array}{c}i+1,i\&NotEqual;L_{s1}\\ 1,i=L_{s1}\end{array}\right.,j_{+}=\left\{\begin{array}{c}j+1,j\&NotEqual;L_{s1}\\ 1,j=L_{s1}\end{array}\right.,$ β＝(β₁,β₂,...,β_m)，k＝1,2,...,m，b_k为中的第k个数据值，r(-1,1)为(-1,1)内均匀分布的随机数；

(6)将网格L²(T)进行Q-变异操作转换为网格L³(T)；其中，Q-变异操作具体为： 为网格L³(T)上的第i行第j列上的第T代个体，c₁和c₂为学习率，c₁∈[0,1]，c₂∈[0,1]，且满足约束条件c₁+c₂＝1，为变异因子， ${\mathrm{\&Delta;bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)\exp (-\frac{\mathrm{norm}\left(C\left({\mathrm{bA}}_{i,j}^T\right)\right)}{\mathrm{\&delta;}}),$ norm( )为归一化操作函数，δ是控制因子，δ∈(0,2]，r(0,1)为(0,1)内均匀分布的随机数，为精英学习因子， $\mathrm{\&Delta;}*{\mathrm{bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)({\mathrm{bA}}_{i,j}^T-{\mathrm{sBest}}^T),$ U(0,1)为(0,1)内均匀分布的随机数，sPm为预先设置的参数，sPm∈[0.1,0.5]；

(7)对网格L³(T)执行邻域协作操作获得网格L(T+1)；邻域协作操作的具体步骤为：

①根据每个个体的邻域中的竞争力最大的个体和竞争力最小的个体获得新个体

$\stackrel{\&OverBar;}{c}{A}_{i,j}^T=c{A}_{i,j}^T+0.5(\arg C_{\max }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T)-\arg C_{\min }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T));$

②根据个体和个体按式k＝1,2,...,m，生成新个体其中，γ_k为个体中的第k个数据值，γ_k'为个体中的第k个数据值，为个体中的第k个数据值，c_r∈[0,1]为预先设定的参数；

③将个体与个体进行竞争选择获得具体为：其中，为网格L(T+1)第i行第j列上的第T+1代个体；

(8)从网格L(T+1)中找出竞争力最大个体sCBest^T，如果C(sCBest^T)>C(sBest^T)，则令sBest^T+1＝sCBest^T，X^T＝sCBest^T；否则令sBest^T+1＝sBest^T，X^T＝sBest^T，并令sCBest^T＝sBest^T；其中，X^T为第T代竞争力最大个体；

(9)将X^T放入记忆库，判断是否满足T＝sT或记忆库中连续10次竞争力最大个体的方差都小于方差值如满足，则转(10)；否则T＝T+1，转入步骤(3)；其中，sT为最大叠代次数；

(10)记忆库中竞争力最大个体即为所得解；根据所得解和约束条件获得协调数据(X',U')。

与现有技术相比，本发明的优点在于(1)通过多Agent邻域竞争-协作学习算法求解数据协调转化的优化问题获得协调数据，然后对协调数据进行过失误差检测，去除误差源，并继续进行数据协调直到获得全局最优协调数据，将过失误差的检测和去除与过程数据的协调有机的结合起来，从而减少了工作量；(2)通过多Agent邻域竞争-协作学习算法获得的协调数据为全局最优协调数据，有效避免局部最优，提高了数据的一致性，为后续的过程设计、模拟、优化、控制及生产管理决策分析提供依据。

附图说明

图1为本发明的常减压蒸馏装置流程图；

图2为本发明的多Agent搜索网格。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本实施例以分馏系统中最具代表的炼油常减压系统为例，炼油常减压系统的流程图如图1所示，其中，T1、T2和T3分别为炼油常减压系统中的初馏塔、常压塔和减压塔。初馏塔T1的进料为原油F1；初馏塔T1的出料分别是初顶油F2、初侧线油F3和初底油F4；常压塔T2的进料为初料塔T1的出料中的初侧线油F3和初底油F4，常压塔T2的出料分别为一级常顶油F5、二级常顶油F6、常轻油F7、常一线油F8、常二线油F9和常底油F10；减压塔T3的进料为常底油F10，减压塔T3的出料分别为减一线油F11、减二线油F12、减底油F13和减压塔塔顶气体F14。

本实施例通过以下方法对炼油常减压系统的初馏塔T1、常压塔T2及减压塔T3的过程测量数据进行校正，包括过失误差的剔除和过程数据的协调，具体包括以下步骤：

1)采集炼油常减压系统的实时和历史的过程数据；其中，过程数据包括初馏塔、常压塔及减压塔的流量数据和离线化验数据，流量数据为流股中可测量的F1、F2、F3、F5、F6、F7、F9、F10、F12和F13的流量数据，和需要估计的F4、F8、F11和F14的流量数据，将F1的流量数据记为x₁、F2的流量数据记为x₂、F3的流量数据记为x₃、F5的流量数据记为x₄、F6的流量数据记为x₅、F7的流量数据记为x₆、F9的流量数据记为x₇、F10的流量数据记为x₈、F12的流量数据记为x₉、F13的流量数据记为x₁₀，将F4、F8、F11和F14的流量数据分别记为u₁、u₂、u₃和u₄，将已测流量数据记为X，X＝{x₁,x₂,...,x₁₀}，将未测流量数据记为U，U＝{u₁,u₂,...,u₄}；离线化验数据为流股F1、F2、F3、F4、F5、F6、F7、F8、F9、F10、F11、F12、F13和F14的组分数据；

2)根据采集到的实时和历史的过程数据，计算获得该分馏系统中的过失误差在误差中出现的比例η，η＝0.4，以及过失误差的标准差与随机误差的标准差的比率γ，γ＝10；

3)将过程数据协调转化为优化问题，其表达式为：

$\begin{array}{c}\min =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \left\{(1-\mathrm{\&eta;})\exp \right[-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}\left]\right\}\\ s.t.L(\hat{X},\hat{U})=0\\ X^L\&le;\hat{X}\&le;X^U;U^L\&le;\hat{U}\&le;U^U\end{array}$

本实施例中，过程数据的物料和组分平衡方程具体如下：

总物料平衡方程： $\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{l}_{i,j}{\hat{x}}_i+\underset{i^{\&prime;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{i^{\&prime;},j}{\hat{u}}_{i^{\&prime;}}=0,j=\mathrm{1,2,3};$

多组分物料平衡方程： $\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{l}_{i,j}{\hat{x}}_i{x}_{i,k}+\underset{i^{\&prime;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{i^{\&prime;},j}{\hat{u}}_{i^{\&prime;}}{u}_{i^{\&prime;},k}=0,k=\mathrm{1,2},...,c;\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{x}_{i,k}=1;\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{i^{\&prime;},k}=1;$

本实施例中，j＝1代表初馏塔、j＝2代表常压塔、j＝3代表减压塔；l_i,j为关联系数，流股x_i流入装置j为1，流出为-1，否则为0；l_i',j为关联系数，流股u_i'流入装置j为1，流出为-1，否则为0；n为未测流量数据的个数，n＝4，为未测流量数据u_i'的估计值，x_i,k表示x_i通过化验分析得到的第k组分的浓度，u_i',k表示u_i'通过化验分析得到的第k组分的浓度，c为组分个数，c＝6；

4)采用多Agent邻域竞争-协作学习方法求解步骤3)的优化问题，得到协调数据(X',U')，其中，X'＝{x₁',x₂',...,x_m'}，x_i'为x_i的协调值；

5)计算各个测量值x_i与其协调值x_i'之间的误差e_i,i＝1,2,...,m，e_i＝x_i-x_i'，判断e_i是否满足如果是，则已测数据X中含有过失误差，将作为未测变量，调整X＝X-{x_i*}和U＝U+{x_i*}，然后返回步骤3)，其中，σ_i为测量值x_i的标准差，max( )为取最大值函数，arg( )为取参数函数；否则(X',U')为调整后的数据。

应用多Agent邻域竞争-协作学习算法对炼油常减压系统的过程数据进行协调。具体实施步骤如下：

(1)根据约束条件 $L(\hat{X},\hat{U})=0,X^L\&le;\hat{X}\&le;X^U$ 和 $U^L\&le;\hat{U}\&le;U^U$ 与已测流量数据X，计算得到25组估计数据N＝25，将n＝1,2,...,N随机的装入多Agent群体A，(i＝1,2,...,L_s1；j＝1,2,...,L_s1)，L_s1＝5，生成大小为5×5的Agent网格L(T)，T为迭代次数，T＝1；

(2)计算网格L(T)中每个个体的竞争力获得sBest^T；

(3)在网格L(T)中随机抽取一个个体i'∈[1,L_s1],j'∈[1,L_s1]生成一个大小为sL_s1×sL_s1的网格sL(T)，为网格sL(T)上的第m'行第n'列上的第T代个体， ${\mathrm{New}}_{m^{\&prime;},n^{\&prime;}}^T=({e^T}_{m^{\&prime;},n^{\&prime;},1},{e^T}_{m^{\&prime;},n^{\&prime;},2},...,{e^T}_{m^{\&prime;},n^{\&prime;},m}),$

其中，sL_s1＝3，sR＝0.6m'＝1,2,3，n'＝1,2,3；

(4)将网格sL(T)以为起点覆盖到网格L(T)上生成网格L¹(T)，

(5)将网格L¹(T)中的每个个体执行邻域竞争操作，获得网格L²(T)；邻域竞争操作具体为

(6)将网格L²(T)进行Q-变异操作转换为网格L³(T)；其中，Q-变异操作具体为：

${\mathrm{\&Delta;bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)\exp (-\frac{\mathrm{norm}\left(C\left({\mathrm{bA}}_{i,j}^T\right)\right)}{\mathrm{\&delta;}}),$ $\mathrm{\&Delta;}*{\mathrm{bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)({\mathrm{bA}}_{i,j}^T-{\mathrm{sBest}}^T),$ 本实施例中，c₁＝c₂＝0.5，δ＝1.2，sPm＝0.5；

(7)对网格L³(T)执行邻域协作操作获得网格L(T+1)；邻域协作操作的具体步骤为：

①根据每个个体的邻域中的竞争力最大的个体和竞争力最小的个体获得新个体

$\stackrel{\&OverBar;}{c}{A}_{i,j}^T=c{A}_{i,j}^T+0.5(\arg C_{\max }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T)-\arg C_{\min }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T));$

②根据个体和个体按式k＝1,2,...,m，生成新个体其中，γ_k为中的第k个数据值，γ_k'为中的第k个数据值，为中的第k个数据值，c_r＝0.5；

③将个体与个体进行竞争选择获得

(8)从网格L(T+1)中找出竞争力最大个体sCBest^T，如果C(sCBest^T)>C(sBest^T)，则令sBest^T+1＝sCBest^T，X^T＝sCBest^T；否则令sBest^T+1＝sBest^T，X^T＝sBest^T，并令sCBest^T＝sBest^T；

(9)将X^T放入记忆库，判断是否满足T＝sT或记忆库中连续10次竞争力最大个体的方差小于方差值sT＝300，如满足，则转(10)；否则T＝T+1，转入步骤(3)；

(10)记忆库中竞争力最大个体即为所得解；根据所得解和约束条件获得协调数据(X',U')。

表1为选择炼油常减压系统的稳态工况，长度为60分钟的过程流量测量值进行数据校正后的结果。

表1炼油常减压系统各流股数据协调结果

Claims (1)

1.一种分馏系统过程数据的智能校正方法，具体包括以下步骤：

1)采集分馏系统的实时和历史的过程数据，将已测流量数据记为X，X＝{x₁,x₂,...,x_m}，将未测流量数据记为U，其中，m为设置在分馏系统中的测量仪表的个数，x_i,i＝1,2,...,m为第i个测量仪表上的测量值；

2)根据采集到的实时和历史的过程数据，计算获得该分馏系统中的过失误差在误差中出现的比例η，η<0.5，以及过失误差的标准差与随机误差的标准差的比率γ，γ>5；

3)将过程数据协调转化为优化问题，其表达式为：

$\begin{array}{c}\min =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \left\{(1-\mathrm{\&eta;})\exp \right[-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}\left]\right\}\\ s.t.L(\hat{X},\hat{U})=0\\ X^L\&le;\hat{X}\&le;X^U;U^L\&le;\hat{U}\&le;U^U\end{array}$

其中，min为最小值，ln( )为取对数函数，exp( )为指数函数，为x_i的估计值，i＝1,2,...,m为x_i服从仪表测量误差的正态分布方差，s.t.为约束条件，为过程数据的物料和组分平衡方程，为X的估计数据，为U的估计数据，X^L为的下限，X^U为的上限，U^L为的下限，U^U为的上限；

4)采用多Agent邻域竞争-协作学习算法求解步骤3)所述的优化问题，得到协调数据(X',U')，其中，X'＝{x₁',x₂',...,x_m'}，x_i'为x_i的协调值；

所述的多Agent邻域竞争-协作学习算法具体包括下列步骤：

(1)根据约束条件 $L(\hat{X},\hat{U})=0,X^L\&le;\hat{X}\&le;X^U$ 和 $U^L\&le;\hat{U}\&le;U^U$ 与已测流量数据X，计算得到N组估计数据将随机的装入多Agent群体A，(i＝1,2,...,L_s1；j＝1,2,...,L_s1)，生成Agent网格L(T)，其中，N＝L_s1×L_s1，为网格L(T)上的第i行第j列上的第T代个体，L_s1为网格L(T)的总行数或总列数，网格L(T)的大小为L_s1×L_s1，T为迭代次数，T＝1；

(2)计算网格L(T)中每个个体的竞争力获得sBest^T，其中，C( )为竞争力函数，的竞争力为 $C\left(\hat{X}\right)=-\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \left\{(1-\mathrm{\&eta;})\exp \right[-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}\left]\right\},$ sBest^T为Agent网格第T代为止竞争力最大的个体；

(3)在网格L(T)中随机抽取一个个体i'∈[1,L_s1],j'∈[1,L_s1]生成一个大小为sL_s1×sL_s1的网格sL(T)；其中，为取上整，sR为搜索半径，sR∈[0,1]，为网格sL(T)上的第m'行第n'列上的第T代个体，m'＝1,2,...,sL_s1，n'＝1,2,...,sL_s1， ${\mathrm{New}}_{m^{\&prime;},n^{\&prime;}}^T=({e^T}_{m^{\&prime;},n^{\&prime;},1},{e^T}_{m^{\&prime;},n^{\&prime;},2},...,{e^T}_{m^{\&prime;},n^{\&prime;},m}),$ k＝1,2,...,m，α_k为个体中的第k个数据值，为X^L中的第k个数据值，为X^U中的第k个数据值，u(1-sR,1+sR)为(1-sR,1+sR)内均匀分布的随机数；

(4)将网格sL(T)以个体为起点覆盖到网格L(T)上生成网格L¹(T)；具体为：其中，为网格L¹(T)上的第i行第j列上的第T代个体，mod为余数函数；

(5)将网格L¹(T)中的每个个体执行邻域竞争操作，获得网格L²(T)；其中，邻域竞争操作具体为：邻域为个体在其所在的Agent网格中上下左右相邻的四个个体的集合，且Agent网格中的行或列的首尾两个个体相邻，为网格L²(T)上的第i行第j列上的第T代个体，为中竞争力最大的个体的竞争力，为个体的邻域， $\mathrm{loc}\&CenterDot;{\mathrm{aA}}_{i,j}^T=\{{\mathrm{aA}}_{i-,j}^T,{\mathrm{aA}}_{i,j-}^T,{\mathrm{aA}}_{i+,j}^T,{\mathrm{aA}}_{i,j+}^T\},i_{-}=\left\{\begin{array}{c}i-1,i\&NotEqual;1\\ L_{s1},i=1\end{array}\right.,j_{-}=\left\{\begin{array}{c}j-1,j\&NotEqual;1\\ L_{s1},j=1\end{array}\right.,$ $i_{+}=\left\{\begin{array}{c}i+1,i\&NotEqual;L_{s1}\\ 1,i=L_{s1}\end{array}\right.,j_{+}=\left\{\begin{array}{c}j+1,j\&NotEqual;L_{s1}\\ 1,j=L_{s1}\end{array}\right.,$ β＝(β₁,β₂,...,β_m)，k＝1,2,...,m，b_k为个体中的第k个数据值，r(-1,1)为(-1,1)内均匀分布的随机数；

(6)将网格L²(T)进行Q-变异操作转换为网格L³(T)；其中，Q-变异操作具体为： 为网格L³(T)上的第i行第j列上的第T代个体，c₁和c₂为学习率，c₁∈[0,1]，c₂∈[0,1]，且满足约束条件c₁+c₂＝1，为变异因子， ${\mathrm{\&Delta;bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)\exp (-\frac{\mathrm{norm}\left(C\left({\mathrm{bA}}_{i,j}^T\right)\right)}{\mathrm{\&delta;}}),$ norm( )为归一化操作函数，δ是控制因子，δ∈(0,2]，r(0,1)为(0,1)内均匀分布的随机数，为精英学习因子， $\mathrm{\&Delta;}*{\mathrm{bA}}_{i,j}^T=r\left(\mathrm{0,1}\right)({\mathrm{bA}}_{i,j}^T-{\mathrm{sBest}}^T),$ U(0,1)为(0,1)内均匀分布的随机数，sPm为预先设置的参数，sPm∈[0.1,0.5]；

(7)对网格L³(T)执行邻域协作操作获得网格L(T+1)；邻域协作操作的具体步骤为：

①根据每个个体的邻域中的竞争力最大的个体和竞争力最小的个体获得新个体

$\stackrel{\&OverBar;}{c}{A}_{i,j}^T=c{A}_{i,j}^T+0.5(\arg C_{\max }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T)-\arg C_{\min }(\mathrm{loc}\&CenterDot;{\mathrm{cA}}_{i,j}^T));$

②根据个体和个体按式k＝1,2,...,m，生成新个体其中，γ_k为个体中的第k个数据值，γ_k'为个体中的第k个数据值，为个体中的第k个数据值，c_r∈[0,1]为预先设定的参数；

③将个体与个体进行竞争选择获得具体为：其中，为网格L(T+1)第i行第j列上的第T+1代个体；

(8)从网格L(T+1)中找出竞争力最大个体sCBest^T，如果C(sCBest^T)>C(sBest^T)，则令sBest^T+1＝sCBest^T，X^T＝sCBest^T；否则令sBest^T+1＝sBest^T，X^T＝sBest^T，并令sCBest^T＝sBest^T；其中，X^T为第T代竞争力最大个体；

(9)将X^T放入记忆库，判断是否满足T＝sT或记忆库中连续10次竞争力最大个体的方差都小于方差值如满足，则转(10)；否则T＝T+1，转入步骤(3)；其中，sT为最大叠代次数；

(10)记忆库中竞争力最大个体即为所得解；根据所得解和约束条件获得协调数据(X',U')；

5)计算各个测量值x_i与其协调值x_i'之间的误差e_i,i＝1,2,...,m，e_i＝x_i-x_i'，判断e_i是否满足如果是，则已测流量数据X中含有过失误差，将作为未测流量数据，调整X＝X-{x_i*}和U＝U+{x_i*}，然后返回步骤3)，其中，σ_i为测量值x_i的标准差，max( )为取最大值函数，arg( )为取参数函数；否则(X',U')为全局最优协调数据。