多代理模型管理的化工过程多目标鲁棒进化优化研究

Multi-objective optimization is one of the most important research fields in chemical production processes. Multiple surrogate model management which is based on data driven modeling is to approximate the model of the complex process. While multiple surrogate model based multi-objective evolutionary optimization for improving the situation of time-consuming calculation, has great significance for energy saving of chemical production processes. Taking the operating processes of Crude Oil Distillation as research subjects, this project will study the method of the multiple surrogate models based multi-objective evolutionary optimization, by comprehensive using the technology of chemical engineering, machine learning, data modeling and intelligent optimization. A new approach of multi-objective evolutionary optimization suitable for complex process system will be explored, and the key technologies for process operation system based on multiple surrogate model management will be studied by building multiple surrogate models and analyzing parameter sensitive region for robust optimization. Some new achievements are expected to be obtained in the respect of multiple surrogate modeling, model evolution management and multi-objective robust optimization for the operating process. It is expected to reduce the search time for the optimization of the complex system, which can save energy, reduce consumption, and improve the performance index of the typical chemical processes.

多目标操作优化是化工生产过程重要的研究领域之一。多代理模型管理采用数据驱动的建模方式逼近复杂的化工操作过程，基于多代理模型管理的多目标进化优化旨在改善生产过程进化优化的耗时计算及优化效果问题，对生产过程节能降耗增效的研究有极其重要的意义。本项目以炼油常压塔过程为研究对象，综合应用化工、机器学习、数据建模及智能优化等技术，研究多代理模型管理的多目标进化优化方法。 通过建立操作过程的多代理模型，分析鲁棒优化下的模型参数的敏感区域，探索适用于复杂过程系统的多目标进化优化方法，并研究过程操作系统的基于多代理模型的优化方法及其关键技术。争取在化工操作过程的多代理建模管理、模型进化管理及操作过程的多目标鲁棒优化等方面有所创新，减少复杂耗时过程系统进化优化的搜索时间，达到提高典型化工生产过程的性能指标，实现节能降耗目的。

本项目首先研究了敏感系数调节的多代理建模，包括多代理模型及数据采样，多代理的数据驱动建模方法；研究了多代理建模管理，代理模型与进化过程的协同机制及代理模型在线协同校正的方法；在优化方面研究1了多代理进化机制，进化优化过程中的种群管理、模型管理及基于代理模型的进化优化调度方法。针对多目标鲁棒进化优化，研究了几种双层多目标、鲁棒优化搜索方法；结合炼油常减压过程系统的运行信息及操作工况，对原油常压塔操作优化的特征信息进行了有效识别；基于概率论、数理统计中的随机变量的统计特性，分析了决策变量和环境参数的扰动分布和联合扰动分布对鲁棒优化的影响，结合敏感系数确定了鲁棒优化目标的度量指标，结合进化过程中的知识迁移，能够快速有效获得鲁棒优化解集。.本项目的创新点在于：（1)鉴于过程系统决策变量存在很大的干扰及不确定性，提出了一种基于过程变量监测的代理建模方法，大大改善了鲁棒优化的性能；（2）采用了顺序双层的多目标鲁棒优化方法，并提出了一种基于增量Kriging代理模型的多目标鲁棒优化算法，采用了双层鲁棒优化框架下的基于不确定度的全集和最坏点聚类的采样方法，保证了算法在评价次数有限的情况下仍能达到较好的优化效果；（3）在常减压鲁棒优化中引入了对下层优化的知识迁移，实验数据表明能有效改善优化效率。