CN113393909A - 化工动态优化问题混合海鸥优化方法、系统、计算机设备 - Google Patents
化工动态优化问题混合海鸥优化方法、系统、计算机设备 Download PDFInfo
- Publication number
- CN113393909A CN113393909A CN202110718645.9A CN202110718645A CN113393909A CN 113393909 A CN113393909 A CN 113393909A CN 202110718645 A CN202110718645 A CN 202110718645A CN 113393909 A CN113393909 A CN 113393909A
- Authority
- CN
- China
- Prior art keywords
- gull
- algorithm
- optimization
- chemical
- groups
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 91
- 239000000126 substance Substances 0.000 title claims abstract description 52
- 241000272168 Laridae Species 0.000 claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000001149 cognitive effect Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 238000003889 chemical engineering Methods 0.000 claims description 33
- 239000000047 product Substances 0.000 claims description 20
- 239000003054 catalyst Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 239000006227 byproduct Substances 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- 230000035484 reaction time Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 206010036590 Premature baby Diseases 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012885 constant function Methods 0.000 claims description 4
- 239000000376 reactant Substances 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010129 solution processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000425901 Laribacter Species 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于化工动态优化技术领域，公开了一种化工动态优化问题混合海鸥优化方法、系统、计算机设备，针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分，避免算法陷入局部最优；引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。本发明通过引入认知部分和自然选择算法进行算法的结合优化，将HSOA算法应用在3个典型的化工例子中去，取得了较好的效果，结果表明了该算法的寻优能力。
Description
技术领域
本发明属于化工动态优化技术领域，尤其涉及一种化工动态优化问题混合海鸥优化方法、系统、计算机设备。
背景技术
目前，化工问题的优化求解过程比较复杂，它通过寻找一个或者多个控制变量的方式，使得目标函数的性能指标达到最优值。到目前为止，研究出化工问题的优化方法通常有迭代动态规划法、控制变量参数化、群智能算法等。海鸥优化算法(SOA)是DHIMAN G等人提出的一种新的智能优化算法，许多学者进行了一系列的应用和改进。例如：文献1为提高水体中氨氮的预测精度，提出了一种基于SOA改进BP神经网络的预测模型；文献2海鸥优化算法在四川盆地渝西区块H井区页岩气储层最优化测井解释中的应用；文献3提出基于二进制海鸥优化算法的特征选择算法研究，但这些方法存在精度不够。
通过上述分析，现有技术存在的问题及缺陷为：现有技术中化工问题的优化求解过程比较复杂，精度不够。
解决以上问题及缺陷的难度为：如何在求解过程增加解的多样性，以及如何利用当前的解所提供的有用信息。
解决以上问题及缺陷的意义为：为化工过程优化控制提供良好性能算法的保障。
发明内容
针对现有技术存在的问题，本发明提供了一种化工动态优化问题混合海鸥优化方法、系统、计算机设备。
本发明是这样实现的，一种化工动态优化问题混合海鸥优化方法，所述化工动态优化问题混合海鸥优化方法，包括：
步骤一，针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分，避免算法陷入局部最优；
步骤二，引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
步骤三，将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
进一步，所述步骤一中，化工动态优化问题的一般表达形式如下所示：
其中，x，u分别表示状态变量和控制变量，umin，umax，xmin，xmax分别表示对应变量的最小值和最大值，x(0)是初始值，tf表示反应时间。
进一步，所述步骤一中，在海鸥群体产生攻击行为的过程中引入认知部分具体过程为：
由于原始的海鸥优化算法的螺旋常数v是一个固定值，海鸥飞行的过程中是不断变化的，所以v公式如下所示：
v＝vmax-k×t
其中，vmax是螺旋常数v的最大值，设置为1，k是斜率，值为0.01，t表示的是当前的迭代次数；
由于海鸥优化算法存在早熟现象，易陷入局部最优，因此，引入认知部分使其减小或者跳出局部最优的情况；对公式如下所示：
ps(t)＝ds(t)×x×y×z+zbest(t)+(zbest(t)-ps(t))*w
其中，w代表的是惯性因子，它的取值是0.95。
进一步，所述步骤二中，引入自然选择的机理，具体过程为：
为了找出最优解，引入了自然选择的机理，该机理来源于遗传算法，通过把最好的海鸥个体留下，把最差的海鸥个体淘汰；
在每次的迭代过程中，将海鸥群体的适应度值进行排序，同时用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。
进一步，所述步骤三中，将改进的算法应用到3个经典的化工问题中，具体过程为：
测试HSOA算法的可行性和有效性，引入了三个化工典型的例子进行优化，实验中使用的仿真软件是MATLAB R2017a，操作系统是windows10，64位，频率fc为2，螺旋常数u为0.001；每个案例独立运行10次，找出最优结果；
为了测试HSOA算法在化工问题是否具有可行性，选取了批式反应器、管式反应器、管式反应器平行反应问题作为案例进行测试；在利用HSOA算法求解化工问题的时候，首先将控制时间[t0，tf]等间隔划分成n段，即每段区间的长度分别为(tf-t0)/n，t0<t1<...<tn-1<tn<tf；然后将控制变量u在每段区间上表示成一个常函数，即u＝[u1,u2,..,un]代表优化目标函数的解；最后对每一段区间利用HSOA算法进行求解即可。
进一步，所述HSOA算法进行求解，具体过程为：
1)初始化种群，其中种群中的每一个个体都对应着一组控制变量[u1,u2,..,un]，从而形成一定规模的群体；
2)运用龙格-库塔法求解每个区间段内的方程组，每个个体经过n次计算以后就可以得到状态变量x(t)，从而计算出目标函数值；
3)开始迭代寻优，对海鸥群体进行位置的更新，包括避免碰撞、靠近最佳位置、朝着最佳位置、攻击，结合改进策略产生新的种群；运用龙格-库塔法求解方程组，与2)一样的步骤，在下一代迭代开始之前引入自然选择算法；
4)判断算法是否达到最大迭代次数，若没有，则继续跳转到3)；否则，跳出循环，输出最终结果，算法结束。
进一步，所述批式反应器测试过程为：
批式反应器的反应过程是以A为原材料，反应生成目标产物B和副产物C，从而使得目标产物B在反应终端时间的浓度值达到最大，数学模型如下所示：
max J＝CB(tf)；
其中，CA表示原料A在反应过程中的浓度，mol/L；CB表示目标产物B在反应过程中的浓度，mol/L；T是反应过程温度，K；tf表示反应终端时间，h；J是该模型的性能指标，mol/L。
进一步，所述管式反应器测试过程为：
在一定长度的管式反应器里面，通过A和B两种催化剂混合，反应过程为
使得反应结束时目标产物C的浓度最大，管式反应器的数学模型如下所示：
max J(zf)＝1-xA(zf)-xB(zf)
其中，xA表示催化剂A的浓度，mol/L，xB表示催化剂B的浓度，mol/L，zf为管式反应器的长度，u(z)表示的是催化剂A在管中距离原点z的含量，J时该模型的性能指标，mol/L。
进一步，所述管式反应器测试具体过程为：
平行反应的过程：A→B和A→C，使得反应结束后，目标产物B的浓度最大，模型如下所示：
max J(tf)＝x2(tf)
其中，x1(t)表示反应物A的浓度，mol/L，x2(t)表示副产物B的浓度，mol/L，u(t)表示控制变量的饱和度，tf是反应时间，h，J是性能指标，mol/L。
本发明另一目的在于提供一种一计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权所述化工动态优化问题混合海鸥优化方法包括下列步骤：
步骤一，针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分，避免算法陷入局部最优；
步骤二，引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
步骤三，将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
本发明另一目的在于提供一种实施所述化工动态优化问题混合海鸥优化方法的化工动态优化问题混合海鸥优化系统，所述化工动态优化问题混合海鸥优化系统包括：
化工动态优化处理模块，用于针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分；
最优解处理模块，用于引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
对比和分析模块，用于将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：针对海鸥优化算法(SOA)存在早熟的缺点，提出了一种混合海鸥优化算法(HSOA)，通过引入认知部分和自然选择算法进行算法的结合优化，将HSOA算法应用在3个典型的化工例子中去，取得了较好的效果，结果表明了该算法的寻优能力。
本发明引入了认知部分增强算法的局部搜索能力，以减少和防止算法陷入早收敛现象。引入自然选择的机理算法，在每次的迭代过程中，将海鸥群体的适应度值进行排序，用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。本发明还对3个经典的化工问题进行了优化，通过与以往的化工文献进行了对比和分析，结果表明HSOA算法在一定的程度上优于文献解，体现了该算法具有较好的寻优能力。
附图说明
图1是本发明实施例提供的化工动态优化问题混合海鸥优化方法流程图。
图2是本发明实施例提供的分成50段的最优温度控制轨迹示意图。
图3是本发明实施例提供的分成50段的迭代曲线图。
图4是本发明实施例提供的分成70段的最优控制轨迹示意图。
图5是本发明实施例提供的分成70段的迭代曲线图。
图6是本发明实施例提供的分成35段的迭代曲线图。
图7是本发明实施例提供的分成35段的最优控制轨迹示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种化工动态优化问题混合海鸥优化方法，下面结合附图对本发明作详细的描述。
本发明提供的化工动态优化问题混合海鸥优化方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的化工动态优化问题混合海鸥优化方法仅仅是一个具体实施例而已。
如图1所示，本发明实施例提供的化工动态优化问题混合海鸥优化方法，包括：
S101：针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分，避免算法陷入局部最优；
S102：引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
S103：将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
本发明实施例提供的S101中，化工动态优化问题的一般表达形式如下所示：
其中，x，u分别表示状态变量和控制变量，umin，umax，xmin，xmax分别表示对应变量的最小值和最大值，x(0)是初始值，tf表示反应时间。
本发明实施例提供的S101中，在海鸥群体产生攻击行为的过程中引入认知部分具体过程为：
由于原始的海鸥优化算法的螺旋常数v是一个固定值，海鸥飞行的过程中是不断变化的，所以v公式如下所示：
v＝vmax-k×t
其中，vmax是螺旋常数v的最大值，设置为1，k是斜率，值为0.01，t表示的是当前的迭代次数；
由于海鸥优化算法存在早熟现象，易陷入局部最优，因此，引入认知部分使其减小或者跳出局部最优的情况；对公式如下所示：
ps(t)＝ds(t)×x×y×z+zbest(t)+(zbest(t)-ps(t))*w
其中，w代表的是惯性因子，它的取值是0.95。
本发明实施例提供的S102中，引入自然选择的机理，具体过程为：
为了找出最优解，引入了自然选择的机理，该机理来源于遗传算法，通过把最好的海鸥个体留下，把最差的海鸥个体淘汰；
在每次的迭代过程中，将海鸥群体的适应度值进行排序，同时用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。
本发明实施例提供的S103中，将改进的算法应用到3个经典的化工问题中，具体过程为：
测试HSOA算法的可行性和有效性，引入了三个化工典型的例子进行优化，实验中使用的仿真软件是MATLAB R2017a，操作系统是windows10，64位，频率fc为2，螺旋常数u为0.001。每个案例独立运行10次，找出最优结果；
为了测试HSOA算法在化工问题是否具有可行性，选取了批式反应器、管式反应器、管式反应器平行反应问题作为案例进行测试；在利用HSOA算法求解化工问题的时候，首先将控制时间[t0，tf]等间隔划分成n段，即每段区间的长度分别为(tf-t0)/n，t0<t1<...<tn-1<tn<tf；然后将控制变量u在每段区间上表示成一个常函数，即u＝[u1,u2,..,un]代表优化目标函数的解；最后对每一段区间利用HSOA算法进行求解即可；
1)初始化种群，其中种群中的每一个个体都对应着一组控制变量[u1,u2,..,un]，从而形成一定规模的群体；
2)运用龙格-库塔法求解每个区间段内的方程组，每个个体经过n次计算以后就可以得到状态变量x(t)，从而计算出目标函数值；
3)开始迭代寻优。对海鸥群体进行位置的更新，包括避免碰撞、靠近最佳位置、朝着最佳位置、攻击，结合改进策略产生新的种群。运用龙格-库塔法求解方程组，与2)一样的步骤，在下一代迭代开始之前引入自然选择算法；
4)判断算法是否达到最大迭代次数，若没有，则继续跳转到3)；否则，跳出循环，输出最终结果，算法结束。
所述批式反应器的反应过程是以A为原材料，反应生成目标产物B和副产物C，从而使得目标产物B在反应终端时间的浓度值达到最大，数学模型如下所示：
max J＝CB(tf)；
其中，CA表示原料A在反应过程中的浓度，mol/L；CB表示目标产物B在反应过程中的浓度，mol/L；T是反应过程温度，K；tf表示反应终端时间，h；J是该模型的性能指标，mol/L。
管式反应器，在一定长度的管式反应器里面，通过A和B两种催化剂混合，反应过程为
使得反应结束时目标产物C的浓度最大，管式反应器的数学模型如下所示：
max J(zf)＝1-xA(zf)-xB(zf)
其中，xA表示催化剂A的浓度，mol/L，xB表示催化剂B的浓度，mol/L，zf为管式反应器的长度，u(z)表示的是催化剂A在管中距离原点z的含量，J时该模型的性能指标，mol/L。
管式反应器平行反应问题，平行反应的过程：A→B和A→C，使得反应结束后，目标产物B的浓度最大，模型如下所示：
max J(tf)＝x2(tf)
其中，x1(t)表示反应物A的浓度，mol/L，x2(t)表示副产物B的浓度，mol/L，u(t)表示控制变量的饱和度，tf是反应时间，h，J是性能指标，mol/L。
下面结合具体实施例对本发明的技术方案作进一步的描述。
1动态优化问题的介绍
动态优化问题的一般表达形式如下所示：
其中，x，u分别表示状态变量和控制变量，umin，umax，xmin，xmax分别表示对应变量的最小值和最大值，x(0)是初始值，tf表示反应时间。
2改进的海鸥优化算法
2.1线性递减策略
由于原始的海鸥优化算法的螺旋常数v是一个固定值，考虑到海鸥飞行的过程中是不断变化的，所以本发明中的v公式如下所示：
v＝vmax-k×t (3)
其中，vmax是螺旋常数v的最大值，设置为1，k是斜率，值为0.01，t表示的是当前的迭代次数。
2.2认知部分
由于海鸥优化算法存在早熟现象，容易陷入局部最优，因此，引入认知部分使其减小或者跳出局部最优的情况。对公式如下所示：
ps(t)＝ds(t)×x×y×z+zbest(t)+(zbest(t)-ps(t))*w (4)
其中，w代表的是惯性因子，它的取值是0.95。
2.3自然选择的机理
为了找出最优解，引入了自然选择的机理，该机理来源于遗传算法，通过把最好的海鸥个体留下，把最差的海鸥个体淘汰。在每次的迭代过程中，将海鸥群体的适应度值进行排序，同时用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。
3HSOA算法性能测试
为了测试HSOA算法的可行性和有效性，引入了三个化工典型的例子进行优化，实验中使用的仿真软件是MATLAB R2017a，操作系统是windows10，64位，频率fc为2，螺旋常数u为0.001。每个案例独立运行10次，找出最优结果。
3.1混合海鸥优化算法(HSOA)在化工中的应用
为了测试HSOA算法在化工问题是否具有可行性，选取了批式反应器、管式反应器、管式反应器平行反应问题作为案例进行测试。在利用HSOA算法求解化工问题的时候，首先将控制时间[t0，tf]等间隔划分成n段，即每段区间的长度分别为(tf-t0)/n，t0<t1<...<tn-1<tn<tf；然后将控制变量u在每段区间上表示成一个常函数，即u＝[u1,u2,..,un]代表优化目标函数的解；最后对每一段区间利用HSOA算法进行求解即可。
step1：初始化种群，其中种群中的每一个个体都对应着一组控制变量[u1,u2,..,un]，从而形成一定规模的群体。
step2：运用龙格-库塔法求解每个区间段内的方程组，每个个体经过n次计算以后就可以得到状态变量x(t)，从而计算出目标函数值。
step3：开始迭代寻优。对海鸥群体进行位置的更新，包括避免碰撞、靠近最佳位置、朝着最佳位置、攻击，结合改进策略产生新的种群。运用龙格-库塔法求解方程组，与step2一样的步骤，在下一代迭代开始之前引入自然选择算法。
step4：判断算法是否达到最大迭代次数，若没有，则继续跳转到step3；否则，跳出循环，输出最终结果，算法结束。
3.2案例一：批式反应器
批式反应器的反应过程是以A为原材料，反应生成目标产物B和副产物C，从而使得目标产物B在反应终端时间的浓度值达到最大。数学模型如下所示：
max J＝CB(tf)；
其中，CA表示原料A在反应过程中的浓度，mol/L；CB表示目标产物B在反应过程中的浓度，mol/L；T是反应过程温度，K；tf表示反应终端时间，h；J是该模型的性能指标，mol/L。
3.3案例二：管式反应器
在一定长度的管式反应器里面，通过A和B两种催化剂混合，反应过程为
使得反应结束时目标产物C的浓度最大，管式反应器的数学模型如下所示：
max J(zf)＝1-xA(zf)-xB(zf)
其中，xA表示催化剂A的浓度，mol/L，xB表示催化剂B的浓度，mol/L，zf为管式反应器的长度，u(z)表示的是催化剂A在管中距离原点z的含量，J时该模型的性能指标，mol/L。
3.4案例三：管式反应器平行反应问题
平行反应的过程：A→B和A→C，使得反应结束后，目标产物B的浓度最大，模型如下所示：
max J(tf)＝x2(tf)
其中，x1(t)表示反应物A的浓度，mol/L，x2(t)表示副产物B的浓度，mol/L，u(t)表示控制变量的饱和度，tf是反应时间，h，J是性能指标，mol/L。
下面结合实验对本发明的技术效果作详细的描述。
实验结果分析
案例一：将时间域等间隔分成10段、25段、50段，其中，10段和25段：设置的种群大小为300，最大迭代次数为100，50段：设置种群大小为800，最大迭代次数为1000。
表1 案例一的优化结果比较
实验结果分析：从表1可以看出，RAJESH等人用蚁群算法框架求得值为0.61045；DADEBO等人用动态规划求解为0.610775；用遗传算法的最好值为0.61072；张兵等用序贯法和蚁群算法结合求得时域划分成20段的最好值为0.6104；本发明算法将时域分成10段的值为0.6101，分成25段的值为0.61053，50段时的最好值为0.6107724，从图2-图3可以看出，HSOA算法的寻优效果较好。
案例二：时间域等间隔分成10段、20段、100段。其中，10段和20段设置的种群大小为300，最大迭代次数为100。100段：设置种群大小为800，最大迭代次数为1000。
表2 案例二的优化结果比较
[18]刘宗其,杜文莉,祁荣宾,等.基于知识改进的文化算法及其在化工动态优化中的应用[J].化工学报,2010,61(11):2889-2895.
[21]RAJESH J,GUPTA K,KUSUMAKAR H.Dynamic optimization of chemicalprocesses using ant colony framework[J].Computers&Chemistry,2001,25(6):583-595.
[22]DADEBO S A,MCAULEY K B.Dynamic optimization of constrainedchemical engineering problems using dynamic programming[J].Comput.chem.eng,1995,19(5):513-525.
[23]张兵,俞欢军,陈德钊.序贯优化化工动态问题的蚁群算法[J].高校化学工程学报,2006,20(1):120-125.
[24]ROY J.Optimization of chemical reactor networks with respect toflow configuration[J].Journal of Optimization Theory and Applications,1968,2(4):240-259.
[25]彭鑫,祁荣宾,杜文莉,等.一种改进的知识进化算法及其在化工动态优化中的应用[J].化工学报,2012,63(3):841-850.
[26]张兵,陈德钊.迭代遗传算法及其用于生物反应器补料优化[J].化工学报,2005,56(1):100-104.
实验结果分析：从表2可以看出，求出该模型的值为0.476946；RAJESH等人用蚁群算法框架求得最好值为0.47615；彭鑫等提出一种改进的知识进化算法求得最好值为0.47761-0.47768，使用遗传算法求得最好值为0.47668；使用基于知识改进的文化算法求得最好值为0.47768-0.47770；张兵等用序贯法和蚁群算法结合求得时域划分成100段的最好值为0.4768；本发明算法在时域划分成70段时的值为0.4775，接近于值[18，25]。图4-图5说明改进的算法的求解能力较好。
案例三：将时间域等间隔分成10段、20段。10段：设置的种群大小为300，最大迭代次数为100。35段：设置的种群为800，最大迭代次数为100。
表3 案例三的优化结果比较
实验结果分析：从表3可以看出，求得最好值为0.57353；RAJESH等人用蚁群算法框架求得最好值为0.57284；周游等使用粒子群算法求得0.5735436，基于子种群合作的粒子群算法求得最好值为0.5735439；本发明算法在时域划分成10段时的值为0.572226，划分成35段时的值为0.57345。从图6-图7可以看出，HSOA算法的寻优效果较好。
本发明提出了一种基于混合海鸥优化算法(HSOA)及其在化工中的应用，HSOA算法的介绍如下：
(1)引入了认知部分增强算法的局部搜索能力，以减少和防止算法陷入早收敛现象。
(2)引入自然选择的机理算法，在每次的迭代过程中，将海鸥群体的适应度值进行排序，用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。
(3)该算法还对3个经典的化工问题进行了优化，通过与以往的化工文献进行了对比和分析，结果表明HSOA算法在一定的程度上优于文献解，体现了该算法具有较好的寻优能力。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种化工动态优化问题混合海鸥优化方法，其特征在于，所述化工动态优化问题混合海鸥优化方法，包括：
针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分；
引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
2.如权利要求1所述化工动态优化问题混合海鸥优化方法，其特征在于，所述化工动态优化问题的一般表达形式如下所示：
其中，x，u分别表示状态变量和控制变量，umin，umax，xmin，xmax分别表示对应变量的最小值和最大值，x(0)是初始值，tf表示反应时间。
3.如权利要求1所述化工动态优化问题混合海鸥优化方法，其特征在于，所述在海鸥群体产生攻击行为的过程中引入认知部分具体过程为：
由于原始的海鸥优化算法的螺旋常数v是一个固定值，海鸥飞行的过程中是不断变化的，所以v公式如下所示：
v＝vmax-k×t
其中，vmax是螺旋常数v的最大值，设置为1，k是斜率，值为0.01，t表示的是当前的迭代次数；
由于海鸥优化算法存在早熟现象，易陷入局部最优，因此，引入认知部分使其减小或者跳出局部最优的情况；对公式如下所示：
ps(t)＝ds(t)×x×y×z+zbest(t)+(zbest(t)-ps(t))*w
其中，w代表的是惯性因子，它的取值是0.95。
4.如权利要求1所述化工动态优化问题混合海鸥优化方法，其特征在于，所述引入自然选择的机理，具体过程为：
为了找出最优解，引入了自然选择的机理，该机理来源于遗传算法，通过把最好的海鸥个体留下，把最差的海鸥个体淘汰；
在每次的迭代过程中，将海鸥群体的适应度值进行排序，同时用该群体中最好的一半个体代替最差的一半个体，同时保留原来海鸥个体的历史最优值。
5.如权利要求1所述化工动态优化问题混合海鸥优化方法，其特征在于，所述将改进的算法应用到3个经典的化工问题中，具体过程为：
测试HSOA算法的可行性和有效性，引入了三个化工典型的例子进行优化，实验中使用的仿真软件是MATLAB R2017a，操作系统是windows10，64位，频率fc为2，螺旋常数u为0.001；每个案例独立运行10次，找出最优结果；
为了测试HSOA算法在化工问题是否具有可行性，选取了批式反应器、管式反应器、管式反应器平行反应问题作为案例进行测试；在利用HSOA算法求解化工问题的时候，首先将控制时间[t0，tf]等间隔划分成n段，即每段区间的长度分别为(tf-t0)/n，t0<t1<...<tn-1<tn<tf；然后将控制变量u在每段区间上表示成一个常函数，即u＝[u1,u2,..,un]代表优化目标函数的解；最后对每一段区间利用HSOA算法进行求解即可。
6.如权利要求5所述化工动态优化问题混合海鸥优化方法，其特征在于，所述HSOA算法进行求解，具体过程为：
1)初始化种群，其中种群中的每一个个体都对应着一组控制变量[u1,u2,..,un]，从而形成一定规模的群体；
2)运用龙格-库塔法求解每个区间段内的方程组，每个个体经过n次计算以后就可以得到状态变量x(t)，从而计算出目标函数值；
3)开始迭代寻优，对海鸥群体进行位置的更新，包括避免碰撞、靠近最佳位置、朝着最佳位置、攻击，结合改进策略产生新的种群；运用龙格-库塔法求解方程组，与2)一样的步骤，在下一代迭代开始之前引入自然选择算法；
4)判断算法是否达到最大迭代次数，若没有，则继续跳转到3)；否则，跳出循环，输出最终结果，算法结束。
7.如权利要求5所述化工动态优化问题混合海鸥优化方法，其特征在于，所述批式反应器测试过程为：
批式反应器的反应过程是以A为原材料，反应生成目标产物B和副产物C，从而使得目标产物B在反应终端时间的浓度值达到最大，数学模型如下所示：
max J＝CB(tf)；
其中，CA表示原料A在反应过程中的浓度，mol/L；CB表示目标产物B在反应过程中的浓度，mol/L；T是反应过程温度，K；tf表示反应终端时间，h；J是该模型的性能指标，mol/L。
8.如权利要求5所述化工动态优化问题混合海鸥优化方法，其特征在于，所述管式反应器测试过程为：
在一定长度的管式反应器里面，通过A和B两种催化剂混合，反应过程为
使得反应结束时目标产物C的浓度最大，管式反应器的数学模型如下所示：
max J(zf)＝1-xA(zf)-xB(zf)
其中，xA表示催化剂A的浓度，mol/L，xB表示催化剂B的浓度，mol/L，zf为管式反应器的长度，u(z)表示的是催化剂A在管中距离原点z的含量，J时该模型的性能指标，mol/L；
所述管式反应器测试具体过程为：
平行反应的过程：A→B和A→C，使得反应结束后，目标产物B的浓度最大，模型如下所示：
max J(tf)＝x2(tf)
其中，x1(t)表示反应物A的浓度，mol/L，x2(t)表示副产物B的浓度，mol/L，u(t)表示控制变量的饱和度，tf是反应时间，h，J是性能指标，mol/L。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～8任意一项所述化工动态优化问题混合海鸥优化方法包括下列步骤：
步骤一，针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分，避免算法陷入局部最优；
步骤二，引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
步骤三，将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
10.一种实施权利要求1～8任意一项所述化工动态优化问题混合海鸥优化方法的化工动态优化问题混合海鸥优化系统，其特征在于，所述化工动态优化问题混合海鸥优化系统包括：
化工动态优化处理模块，用于针对化工动态优化问题，在海鸥群体产生攻击行为的过程中引入认知部分；
最优解处理模块，用于引入自然选择的机理，利用适应度值对群体进行排序，用最好的一半个体代替最差的一半个体，同时保留群体的历史最优值，从而找出最优解；
对比和分析模块，用于将改进的算法应用到3个经典的化工问题中，通过实验仿真以及不同的化工方法进行了对比和分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110718645.9A CN113393909A (zh) | 2021-06-28 | 2021-06-28 | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110718645.9A CN113393909A (zh) | 2021-06-28 | 2021-06-28 | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113393909A true CN113393909A (zh) | 2021-09-14 |
Family
ID=77624286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110718645.9A Pending CN113393909A (zh) | 2021-06-28 | 2021-06-28 | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393909A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
| CN113885536A (zh) * | 2021-12-03 | 2022-01-04 | 中国人民解放军陆军装甲兵学院 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
| CN113962496A (zh) * | 2021-12-21 | 2022-01-21 | 河南科技学院 | 一种堆场双起重机协同作业优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629146A (zh) * | 2018-04-25 | 2018-10-09 | 广西民族大学 | 混沌粒子群算法及其在生化过程动态优化中的应用方法 |
| CN109146188A (zh) * | 2018-08-30 | 2019-01-04 | 广西民族大学 | 一种自适应布谷鸟算法及其在化工优化中的应用方法 |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
-
2021
- 2021-06-28 CN CN202110718645.9A patent/CN113393909A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629146A (zh) * | 2018-04-25 | 2018-10-09 | 广西民族大学 | 混沌粒子群算法及其在生化过程动态优化中的应用方法 |
| CN109146188A (zh) * | 2018-08-30 | 2019-01-04 | 广西民族大学 | 一种自适应布谷鸟算法及其在化工优化中的应用方法 |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许乐 等: "化工动态优化问题的混合海鸥优化算法研究", 《化学工程》, vol. 49, no. 2, 15 February 2021 (2021-02-15), pages 1 - 3 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
| CN113885536A (zh) * | 2021-12-03 | 2022-01-04 | 中国人民解放军陆军装甲兵学院 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
| CN113885536B (zh) * | 2021-12-03 | 2022-03-11 | 中国人民解放军陆军装甲兵学院 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
| CN113962496A (zh) * | 2021-12-21 | 2022-01-21 | 河南科技学院 | 一种堆场双起重机协同作业优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393909A (zh) | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 | |
| Wang et al. | cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural networks | |
| Yuan et al. | Flexible job shop scheduling using hybrid differential evolution algorithms | |
| Afsar et al. | Multi-objective enhanced memetic algorithm for green job shop scheduling with uncertain times | |
| CN113407185B (zh) | 基于贝叶斯优化的编译器优化选项推荐方法 | |
| Talapatra et al. | Experiment design frameworks for accelerated discovery of targeted materials across scales | |
| Hanaoka | Comparison of conceptually different multi-objective Bayesian optimization methods for material design problems | |
| Ozkan et al. | Online classification via self-organizing space partitioning | |
| Xiao et al. | Modeling and predictive control of nonlinear processes using transfer learning method | |
| Mandal et al. | Learning fitness functions for machine programming | |
| Pantano et al. | A Fourier-based control vector parameterization for the optimization of nonlinear dynamic processes with a finite terminal time | |
| CN115565616A (zh) | 反应条件预测模型的训练方法、反应条件预测方法和系统 | |
| Zeng et al. | Improved Population-Based Incremental Learning of Bayesian Networks with partly known structure and parallel computing | |
| Liu et al. | Black box operation optimization of basic oxygen furnace steelmaking process with derivative free optimization algorithm | |
| Häse et al. | PHOENICS: A universal deep Bayesian optimizer | |
| WO2021199788A1 (ja) | 出発物質からの化学反応を解析する解析方法、解析装置、解析システムおよび解析プログラム | |
| CN116861957A (zh) | 一种基于强化学习的算子自动调优方法及相关装置 | |
| Han et al. | Cooperative hybrid evolutionary algorithm for large scale multi-stage multi-product batch plants scheduling problem | |
| CN116764571A (zh) | 一种基于机器学习的光催化co2还原反应条件优化方法 | |
| Chaves et al. | Qualitative modeling, analysis and control of synthetic regulatory circuits | |
| Hao et al. | An effective Markov network based EDA for flexible job shop scheduling problems under uncertainty | |
| CN115240785A (zh) | 化学反应预测方法、系统、装置及存储介质 | |
| Zarai et al. | Modeling and analyzing the flow of molecular machines in gene expression | |
| Schietgat | Graph-based data mining for biological applications | |
| Li et al. | Modelling and optimisation of a DNA stack nano-device using probabilistic model checking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |