CN109765788A - 一种多目标原油调合在线优化方法 - Google Patents

Abstract

本发明公开了一种多目标原油调合在线优化方法。所述方法包括步骤：首先，进行调合任务参数初始化；其次，设置优化周期、目标函数权重，设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本；再次，根据预定优化周期获取各调合组分及罐底油属性数据，更新罐底油尺、组分油储量、本批次的调合剩余时间；和最后，求取当前优化周期各调合组分的最优配方，并送至调合控制系统执行。

Description

一种多目标原油调合在线优化方法

技术领域

本发明涉及炼油企业原油加工领域，尤其是原油调合的优化方法。

背景技术

为实现综合效益最大化，在原油调合过程中往往需要对多种优化目标进行权衡。而在原油调合实际工业中，由于传统算法计算能力的限制，炼油企业大多仅能进行单目标优化，而忽略了其他目标，从而无法做到充分的权衡。如在要求调合成本最低时，就无法将密度等属性控制到某个目标值，只要求在一定范围内，牺牲了生产过程的可控性，限制了生产水平以及产品质量的进一步提高。而在对密度等属性提出要求时，由于缺少成本最小的目标，失去了对方案的比较环节，造成了不必要的浪费。

因此，本领域迫切需要提供一种智能优化算法，以便更容易找到问题的全局最优解，从而更好地指导生产过程。

发明内容

本发明旨在提供一种多目标原油调合在线优化方法。

本发明提供一种多目标原油调合在线优化方法，所述方法包括以下步骤：

首先，进行调合任务参数初始化；

其次，设置优化周期、目标函数权重，设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本；

再次，根据预定优化周期获取各调合组分及罐底油属性数据，更新罐底油尺、组分油储量、本批次的调合剩余时间；和

最后，求取当前优化周期各调合组分的最优配方，并送至调合控制系统执行。

在另一优选例中，所述调合任务参数包括参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、目标调合油尺、目标调合密度值以及本批次调合时间；更佳地，所述调合任务参数还包括罐底油油尺。

在另一优选例中，所述原油属性包括密度、硫含量、酸值和石脑油收率。

在另一优选例中，建立了如公式(1)所示的原油调合在线优化多目标数学模型：

其中，

i(i＝1,2,…,n)调合组分油品标号；

l(l＝1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等)；

r_i待优化的各组分油配方值；c_i表示各组分油的单位质量成本；

w_c，w_g分别表示调合成本最低权值，和调合后原油密度与目标密度偏差最小权值；

ρm表示调合头的目标密度；

P_ρ表示调合头处组分油密度的调合预测值；

TP(P_ρ)表示调合罐中的原油属性预测值，是调合头处组分油的调合密度预测值P_ρ的函数；

t表示本批次的调合剩余时间；

Bc_i表示第i个组分参炼线最大流量；

B表示调合头本批次的流量；

V_i表示组分油i的储量；r_{i_min}和r_{i_max}分别表示组分油i的配方的上下限；

s_{l_min}和s_{l_max}分别表示属性值l的上下限；

P_l表示调合头处组分油属性的调合预测值；

TP(P_l)表示调合罐中的原油属性预测值，是调合头处组分油的调合属性预测值P_l的函数。

在另一优选例中，采用式(2)和式(3)得到全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(P_ρ)与TP(P_l)：

其中，

TVOL表示调合目标质量；

HVOL表示调合罐底油质量；

T_ρ表示罐底油密度；

T_l表示罐底油l属性的值。

在另一优选例中，采用基于非支配排序的自适应差分进化(NondominatedSorting Adaptive Differential Evolution，简称NSJADE，)优化算法求取最优配方：

(1)初始化种群P，种群大小为NP；

(2)初始化μ_CR＝0.5,μ_F＝0.5，

(3)对种群P进行非支配排序；

(4)循环开始，当算法终止条件尚未满足时，进行：

(i)设置

(ii)针对种群P中的每一个个体x_i，生成对应的比例因子F_i＝randc_i(μ_F,0.1)和交叉概率CR_i＝randn_i(μ_CR,0.1)；

(iii)从适应度值前100p％的个体中随机挑选一个个体，记为x_p,best，从种群P中选择个体x_r1，x_r1≠x_i，从种群P∪A中选择个体x_r2，x_r2≠x_r1≠x_i；

(iv)生成变异向量v_i＝x_i+F_i·(x_p,best-x_i)+F_i·(x_r1-x_r2)；

(v)生成试验向量u_i；

(vi)比较x_i和u_i的适应度函数值，若u_i优于x_i，则将x_i放入A中，F_i放入S_F中，CR_i放入S_CR中；

(vii)在每一代更新结束后，随机移除A中的个体，使得|A|≤NP；

(viii)更新μ_F和μ_CR：μ_F＝(1-c)·μ_F+c·mean_L(S_F),μ_CR＝(1-c)·μ_CR+c·mean_A(S_CR)

(ix)合并父代种群x和子代种群u，进行非支配排序操作，筛选前NP个个体为下一代的种群；

(5)算法停止，得到最终种群NP；

其中，randci表示正态分布；randci表示柯西分布；mean_A表示普通的算术平均；mean_L表示普通的Lehmer平均,如下式(4)所示：

S_F与S_CR分别用于储存成功产生相比于父代x_i更优秀试验向量u_i的F_i与CR_i；产生试验向量的方法如以下式(5)所示：

其中，

u_j,i,g表示第g代第i个个体的试验向量u_i的第j个分量；

v_j,i,g表示第g代第i个个体的变异向量v_i的第j个分量；

x_j,i,g表示第g代第i个个体x_i的第j个分量；

j_rank为保证变异信息的引入而随机选定的一个j。

在另一优选例中，所述基于非支配排序的自适应差分进化优化算法，采用非支配排序对个体进行评价与排序，其中，Pareto支配关系作为个体评价的第一个指标，拥挤距离作为评价的第二个指标，步骤为：

①对于各个体p，创建支配该个体的个体集Sp，并设置Sp中个体数为np，设置i＝1；

②对于np为0的个体将其归于第1级，该个体其所在级数p_rank＝1，i＝i+1；

③将属于第1级的个体从含该个体的Sp中删去，相应np减1；

④对于np为0的个体将其归于第i级，该个体其所在级数p_rank＝i，i＝i+1；

⑤若不存在未归入某一级中的个体则转到第(6)步，否则返回第(3)步；

⑥对于同级的个体，对于各目标函数分别进行一次排序；

⑦对于个体q，定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值，其为正值，对于在边界上的个体，其I.m.q为正无穷，并设在该级上关于第m个目标，其最大值与最小值为f_{m_max}与f_{m_min}，采用式(6)分别计算各个体q的拥挤距离：

⑧按以下准则进行排序，对于个体i与j，规定(a)i_rank<j_rank时或(b)i_rank＝j_rank且i_distance>j_distance时，个体i优秀于j，将所有个体从优到劣进行排序。

据此，本发明提供了一种智能优化算法，以便更容易找到问题的全局最优解，从而更好地指导生产过程。

附图说明

图1是原油调合在线优化系统结构图。

图2是原油调合在线优化方法流程图。

图3是基于非支配排序的自适应差分进化优化算法流程图。

具体实施方式

发明人经过广泛而深入的研究，针对炼油企业原油调合生产中由于传统算法的能力限制仅能进行单目标优化，无法进行各优化目标的充分权衡的问题，提出了一种原油调合的多目标在线优化方法，并采用基于非支配排序的自适应差分进化优化方法进行优化求解。

例如，发明人考虑了调合成本最低、调合后原油密度与目标密度偏差最小、同时考虑了各种原油质量指标约束(硫含量、酸值、石脑油收率、氮含量等)、各组分油的库存限制、各组分油的配方限制和流量限制等。在满足各约束的条件下，实现对优化目标的充分权衡，并将所得最优配方送入控制系统，实现实际生产的综合效益的最大化。在此基础上，完成了本发明。

具体地，本发明提供的原油调合的多目标在线优化方法包括以下步骤：

第一步，进行调合认为参数初始化；

第二步，设置优化周期、目标函数权重、设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量、和/或各组分油的单位质量成本；

第三步，根据优化周期获取各调合组分油以及罐底油的属性数据，更新罐底油尺、组分油储量、本批次的调合剩余时间；

第四步，计算最优配方；

第五步，将当前最优配方送至调合控制系统执行。

在本发明的一种实施方式中，上述第一步中选定参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、罐底油油尺、目标调合油尺、目标调合密度值、和/或本批次调合时间。

在本发明的一个实施例中，系统中可包含至少两个原油组分罐，调合过程按批次进行，每批次调合量是已知的，由调度部门根据生产情况确定。

在本发明的一种实施方式中，上述第四步在满足一定约束条件下，采用基于非支配排序的自适应差分进化优化算法求取当前优化周期各调合组分的最优配方。

例如但不限于，在满足一定约束条件下实现成本最低以及调合后原油密度与目标密度偏差最小作为目标。对于单个优化周期内，通过对公式(1)、(2)、(3)求解得到最优调合配方：

其中，i(i＝1,2,…,n)调合组分油品标号；l(l＝1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等)；r_i待优化的各组分油配方值；c_i表示各组分油的单位质量成本；w_c，w_g表示调合成本最低权值，调合后原油密度与目标密度偏差最小权值；ρ_m表示调合的目标密度；P_ρ表示调合头处组分油密度的调合预测值；TP(P_ρ)表示表示调合罐中的原油属性预测值，是调合头处组分油的调合密度预测值P_ρ的函数；t表示本批次的剩余调合时间；Bc_i表示第i个组分参炼线最大流量；B表示调合头本批次的流量；V_i表示组分油i的储量；r_{i_min}和r_{i_max}分别表示组分油i的配方的上下限；s_{l_min}和s_{l_max}分别表示属性值l的上下限；P_l表示调合头处组分油属性的调合预测值；TP(P_l)表示调合罐中的原油属性预测值，是调合头处组分油的调合属性预测值P_l的函数。

调合头处组分油的调合密度与属性的预测值P_ρ与P_l以线性叠加原理进行计算，再利用优化调合所得的密度以及属性补偿已调合的罐底油的密度与属性偏差，使整个调合罐密度达到目标值且属性合格。

根据全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(P_ρ)与TP(P_l)可以按照下式(2)(3)进行计算：

其中，TVOL表示调合目标质量；HVOL表示调合罐底油质量；T_ρ表示罐底油密度；T_l表示罐底油l属性的值；

然后采用基于非支配排序的自适应差分进化优化算法进行配方优化，求解以上多目标优化问题，得出优化调合配方。步骤如下：

1)初始化种群P，种群大小为NP；

2)初始化μ_CR＝0.5,μ_F＝0.5，

3)对种群P进行非支配排序；

4)循环开始，当算法终止条件尚未满足时，进行：

i)设置

ii)针对种群P中的每一个个体x_i，生成对应的比例因子F_i＝randc_i(μ_F,0.1)和交叉概率CR_i＝randn_i(μ_CR,0.1)；

iii)从适应度值前100p％的个体中随机挑选一个个体，记为x_p,best，从种群P中选择个体x_r1，x_r1≠x_i，从种群P∪A中选择个体x_r2，x_r2≠x_r1≠x_i；

iv)生成变异向量v_i＝x_i+F_i·(x_p,best-x_i)+F_i·(x_r1-x_r2)；

v)生成试验向量u_i；

vi)比较x_i和u_i的适应度函数值，若u_i优于x_i，则将x_i放入A中，F_i放入S_F中，CR_i放入S_CR中；

vii)在每一代更新结束后，随机移除A中的个体，使得|A|≤NP；

viii)更新μ_F和μ_CR：μ_F＝(1-c)·μ_F+c·mean_L(S_F),μ_CR＝(1-c)·μ_CR+c·mean_A(S_CR)

ix)合并父代种群x和子代种群u，进行非支配排序操作，筛选前NP个个体为下一代的种群；

5)算法停止，得到最终种群NP。

其中，randci表示正态分布；randci表示柯西分布；mean_A表示普通的算术平均；mean_L表示普通的Lehmer平均,如下式(4)所示：

S_F与S_CR分别用于储存成功产生相比于父代x_i更优秀试验向量u_i的F_i与CR_i；产生试验向量的方法如以下式(5)所示：

其中，u_j,i,g表示第g代第i个个体的试验向量u_i的第j个分量；v_j,i,g表示第g代第i个个体的变异向量v_i的第j个分量；x_j,i,g表示第g代第i个个体x_i的第j个分量；j_rank为保证变异信息的引入而随机选定的一个j。

其中采用的非支配排序对个体进行评价与排序的方法，是以Pareto支配关系作为个体评价的第一个指标，以拥挤距离作为评价的第二个指标进行排序的，步骤为：

①对于各个体p，创建支配该个体的个体集Sp，并设置Sp中个体数为np，设置i＝1。

②对于np为0的个体将其归于第1级，该个体其所在级数p_rank＝1，i＝i+1。

③将属于第1级的个体从含该个体的Sp中删去，相应np减1。

④对于np为0的个体将其归于第i级，该个体其所在级数p_rank＝i，i＝i+1。

⑤若不存在未归入某一级中的个体则转到第(6)步，否则返回第(3)步。

⑥对于同级的个体，对于各目标函数分别进行一次排序

⑦对于个体q，定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值，其为正值，对于在边界上的个体，其I.m.q为正无穷，并设在该级上关于第m个目标，其最大值与最小值为f_{m_max}与f_{m_min}，按以下式(6)分别计算各个体q的拥挤距离：

⑧按以下准则进行排序，对于个体i与j，规定(i)i_rank<j_rank时或(ii)i_rank＝j_rank且i_distance>j_distance时，个体i优秀于j，将所有个体从优到劣进行排序。

在本发明的一种实施方式中，还包括第六步，判断调合是否完成，若完成，则止于此；若未完成，则等待一个优化周期，返回第三步。

本发明提到的上述特征，或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用，说明书中所揭示的各个特征，可以任何可提供相同、均等或相似目的的替代性特征取代。因此除有特别说明，所揭示的特征仅为均等或相似特征的一般性例子。

本发明的主要优点在于：

1、本发明提出的原油调合的多目标在线优化方法，采用基于非支配排序的自适应差分进化优化方法进行优化求解。

2、本发明提供的优化方法在考虑经济成本最低的同时考虑了调合后原油密度与目标密度偏差最小，利用基于非支配排序的自适应差分算法对两个优化目标进行充分权衡，从而实现了总体效益最优。

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。除非另外说明，否则所有的百分数、比率、比例、或份数按重量计。除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。

下面以本发明在某原油调合过程的实际实施情况并结合一具体算例，给出详细的计算过程与操作流程。实施例所涉及的系统结构如图1所示，该系统包含三个原油组分罐，调合过程按照批次进行，每批次的调合量是已知的，由调度部门根据生产情况确定，一般在8000t-50000t，下面给出详细的计算过程和具体操作流程。本算例在以本发明技术方案为前提进行实施。

如图2所示，原油调合优化系统的工作流程主要包括以下步骤：

步骤一：调合任务参数初始化。

结合具体算例，选定调合的组分油品为1#、2#以及3#组分油，并选择相应储罐罐号以及调合罐罐号。

设定1#组分油品配方下限为0，配方上限0.35；2#组分油品配方下限为0.2，配方上限0.6；3#组分油品配方下限为0，配方上限0.4。设定调合头的调合流量为1000t/h，本批次调合时间为10h，本批次的调合目标为11000t，目标调合密度值为830kg/m³。

步骤二：设置优化周期、目标函数权重、优化上下限、各组分油储量以及各组分油的单位质量成本。

设置优化假设为5min，并设置调合成本最低权值为0.4，调合后原油密度与目标密度偏差最小权值0.6。

选定调合后调合罐内硫含量下限为0％，上限2.5％；酸值下限为0mg KOH，上限为0.5mg KOH；石脑油收率下限为0.19％，上限为0.21％。输入三种组分的库存分别为4000t、7200t以及4500t。各参炼线组分油最大流量及各组分油的单位质量成本如下表1所示。

步骤三：根据优化周期获取各调合组分油以及罐底油的属性数据，更新罐底油尺、组分油储量、本批次的调合剩余时间。

获取的各调合组分油以及罐底油的属性数据如下表1所示：

表1

更新罐底油尺、组分油储量，所得罐底油质量1000t，组分油储量分别为4000t、7200t以及4500t。本批次的调合剩余时间为10h。

步骤四：计算最优配方。

通过以上数据按公式(1)、(2)、(3)建立完模型后，调用基于非支配排序的自适应差分进化优化算法求解程序求解，求解过程如图3所示。

所得结果最优配方如下，调合头1对应的1#组分油配方为0.23399，2#组分油配方0.36726，3#组分油配方0.39876，成本为85.8308美元/桶，预测所得的调合罐中油品最终密度为830.1294kg/m³，其调合罐中油品最终属性为硫含量2.0501％，酸度为0.36851mg KOH，石脑油收率为0.19945％。

步骤五：将当前最优配方送至调合控制系统执行。

步骤六：判断本次调合是否完成，若本次调合未完成，则进行等待一个优化周期，再返回步骤三。

以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的实质技术内容范围，本发明的实质技术内容是广义地定义于申请的权利要求范围中，任何他人完成的技术实体或方法，若是与申请的权利要求范围所定义的完全相同，也或是一种等效的变更，均将被视为涵盖于该权利要求范围之中。

Claims (8)

1.一种多目标原油调合在线优化方法，其特征在于，所述方法包括以下步骤：

首先，进行调合任务参数初始化；

其次，设置优化周期、目标函数权重，设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本；

再次，根据预定优化周期获取各调合组分及罐底油属性数据，更新罐底油尺、组分油储量、本批次的调合剩余时间；和

最后，求取当前优化周期各调合组分的最优配方，并送至调合控制系统执行。

2.如权利要求1所述的方法，其特征在于，所述调合任务参数包括参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、目标调合油尺、目标调合密度值以及本批次调合时间。

3.如权利要求2所述的方法，其特征在于，所述调合任务参数还包括罐底油油尺。

4.如权利要求1所述的方法，其特征在于，所述原油属性包括密度、硫含量、酸值和石脑油收率。

5.如权利要求1所述的方法，其特征在于，建立了如公式(1)所示的原油调合在线优化多目标数学模型：

其中，

i(i＝1,2,…,n)调合组分油品标号；

l(l＝1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等)；

r_i待优化的各组分油配方值；

c_i表示各组分油的单位质量成本；

w_c，w_g分别表示调合成本最低权值，和调合后原油密度与目标密度偏差最小权值；

ρm表示调合头的目标密度；

P_ρ表示调合头处组分油密度的调合预测值；

TP(P_ρ)表示调合罐中的原油属性预测值，是调合头处组分油的调合密度预测值P_ρ的函数；

t表示本批次的调合剩余时间；

Bc_i表示第i个组分参炼线最大流量；

B表示调合头本批次的流量；

V_i表示组分油i的储量；

r_{i_min}和r_{i_max}分别表示组分油i的配方的上下限；s_{l_min}和s_{l_max}分别表示属性值l的上下限；

P_l表示调合头处组分油属性的调合预测值；

TP(P_l)表示调合罐中的原油属性预测值，是调合头处组分油的调合属性预测值P_l的函数。

6.如权利要求5所述的方法，其特征在于，采用式(2)和式(3)得到全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(P_ρ)与TP(P_l)：

其中，

TVOL表示调合目标质量；

HVOL表示调合罐底油质量；

T_ρ表示罐底油密度；

T_l表示罐底油l属性的值。

7.如权利要求1所述的方法，其特征在于，采用基于非支配排序的自适应差分进化(Nondominated Sorting Adaptive Differential Evolution，简称NSJADE，)优化算法求取最优配方：

(1)初始化种群P，种群大小为NP；

(2)初始化μ_CR＝0.5,μ_F＝0.5，

(3)对种群P进行非支配排序；

(4)循环开始，当算法终止条件尚未满足时，进行：

(i)设置

(ii)针对种群P中的每一个个体x_i，生成对应的比例因子F_i＝randc_i(μ_F,0.1)和交叉概率CR_i＝randn_i(μ_CR,0.1)；

(iii)从适应度值前100p％的个体中随机挑选一个个体，记为x_p,best，从种群P中选择个体x_r1，x_r1≠x_i，从种群P∪A中选择个体x_r2，x_r2≠x_r1≠x_i；

(iv)生成变异向量v_i＝x_i+F_i·(x_p,best-x_i)+F_i·(x_r1-x_r2)；

(v)生成试验向量u_i；

(vi)比较x_i和u_i的适应度函数值，若u_i优于x_i，则将x_i放入A中，F_i放入S_F中，CR_i放入S_CR中；

(vii)在每一代更新结束后，随机移除A中的个体，使得|A|≤NP；

(viii)更新μ_F和μ_CR：μ_F＝(1-c)·μ_F+c·mean_L(S_F),μ_CR＝(1-c)·μ_CR+c·mean_A(S_CR)

(ix)合并父代种群x和子代种群u，进行非支配排序操作，筛选前NP个个体为下一代的种群；

(5)算法停止，得到最终种群NP；

其中，randci表示正态分布；randci表示柯西分布；mean_A表示普通的算术平均；mean_L表示普通的Lehmer平均,如下式(4)所示：

S_F与S_CR分别用于储存成功产生相比于父代x_i更优秀试验向量u_i的F_i与CR_i；产生试验向量的方法如以下式(5)所示：

其中，

u_j,i,g表示第g代第i个个体的试验向量u_i的第j个分量；

v_j,i,g表示第g代第i个个体的变异向量v_i的第j个分量；

x_j,i,g表示第g代第i个个体x_i的第j个分量；

j_rank为保证变异信息的引入而随机选定的一个j。

8.如权利要求7所述的方法，其特征在于，所述基于非支配排序的自适应差分进化优化算法，采用非支配排序对个体进行评价与排序，其中，Pareto支配关系作为个体评价的第一个指标，拥挤距离作为评价的第二个指标，步骤为：

①对于各个体p，创建支配该个体的个体集Sp，并设置Sp中个体数为np，设置i＝1；

②对于np为0的个体将其归于第1级，该个体其所在级数p_rank＝1，i＝i+1；

③将属于第1级的个体从含该个体的Sp中删去，相应np减1；

④对于np为0的个体将其归于第i级，该个体其所在级数p_rank＝i，i＝i+1；

⑤若不存在未归入某一级中的个体则转到第(6)步，否则返回第(3)步；

⑥对于同级的个体，对于各目标函数分别进行一次排序；

⑦对于个体q，定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值，其为正值，对于在边界上的个体，其I.m.q为正无穷，并设在该级上关于第m个目标，其最大值与最小值为f_{m_max}与f_{m_min}，采用式(6)分别计算各个体q的拥挤距离：

⑧按以下准则进行排序，对于个体i与j，规定(a)i_rank<j_rank时或(b)i_rank＝j_rank且i_distance>j_distance时，个体i优秀于j，将所有个体从优到劣进行排序。