基于粒子群优化的生产过程系统多目标优化模型控制方法技术方案

本发明专利技术属于电数字数据处理技术领域，公开了一种基于粒子群优化的生产过程系统多目标优化模型控制方法，本发明专利技术提供的算法能很好地求出所定义的理想有效解，理想有效解未必能使每个目标都达到最优，但若以每个目标的最优值的数值组成的点，记为P，理想有效解就是找一个解，使以该解的各目标值组成的点与P的距离最近；有效解和其他的多目标问题所定义的有效解有本质的区别，就是一个特定的解，为多目标的求解指定了一个明确的解的定义，可以有效地解决多目标规划的解的不确定性问题。而且本发明专利技术可以不必事先求出各目标函数的最优解，而是在求解的过程中，自动地逐步逼近最优解。

Multi-objective optimization model control method for production process system based on particle swarm optimization

The invention belongs to the field of electrical digital data processing technology, and discloses a multi-objective optimization model control method for production process system based on particle swarm optimization. The algorithm provided by the invention can well find the ideal effective solution defined. The ideal effective solution may not necessarily make each goal achieve the optimal value, but if the point composed of the optimal value of each goal is recorded as P, the ideal solution is: Effective solution is to find a solution that closes the point consisting of the objective values of the solution to P. Effective solution is essentially different from the effective solution defined by other multi-objective problems, that is, a specific solution, which specifies a clear definition of the solution for multi-objective solution, and can effectively solve the problem of uncertainty in the solution of multi-objective programming. In addition, the present invention can automatically approach the optimal solution step by step in the process of solving instead of finding the optimal solution of each objective function beforehand.

【技术实现步骤摘要】
基于粒子群优化的生产过程系统多目标优化模型控制方法
本专利技术属于电数字数据处理
，尤其涉及一种基于粒子群优化的生产过程系统多目标优化模型控制方法。
技术介绍
目前，业内常用的现有技术是这样的：化学工业是很多终端产品制造业的支撑产业，在实际生产和日常生活中化工产品随处可见。近年来，能源危机以及环境污染使得人类生存面临着越来越严重的挑战，化工过程的运行性能和控制指标也越来越受关注。化工生产过程集成度的越来越高，操作越来越繁琐，所建的模型也越来越复杂，基于稳态模型的优化策略难以更好地解决此类问题，过程动态模拟备受重视，发展也迅速。而求解难度较大的复杂动态特性问题，却日益成为企业提高效益、增加产量、降低能耗的瓶颈。因此，化工过程动态优化成为过程系统工程的一个研究热点。实际的化工生产过程通常需要同时优化多个目标，如耗时最短、能耗最小、产量最高等；这些目标间常会相互影响，甚至冲突，从而带来复杂的多目标动态优化问题。因此，给求解这类问题带来不易，而工程实际中，只需要一个比较满意、确定可行解即可。从而，探索这一类快速求解，并给出一个确切的解显得具有实际意义。对此多目标问题，文献均将多目标优化问题通过把目标线性组合转化为单目标优化问题；文献利用模糊优选法，将多目标转化为单目标。综上可以看出，现阶段大多数的多目标优化问题的求解都是将多目标转化为单目标进行求解。而将多目标优化通过线性组合化为单目标优化问题，存在着系数不容易确定的问题。现今的各种进化算法由于其都是一种基于种群协作的计算技术，隐并行地搜索解空间中的多个解，并能利用不同解之间的相似性来提高其并发求解的效率，因此比较适合求解多目标优化问题。首次用进化算法研究多目标优化问题的是Schaffer，他提出了“向量评估遗传算法”，之后又有许多用于解决多目标优化问题的进化算法被提出，并且成功应用到多目标优化问题中。粒子群优化算法(particleswarmoptimization，PSO)是由Kennedy和Eberhart于1995年提出的一种优化算法；由于其容易理解、易于实现，在许多优化问题得到成功应用，并且很多情况下要比遗传算法更为有效，所以PSO算法在多目标优化问题中的应用是一个很有意义的研究方向。虽然已有一些利用PSO算法求解多目标优化问题，但关于利用理想点法求出与理想点距离最近的多目标优化问题的有效解(称理想有效解)来分析化工动态多目标优化问题均未涉及。综上所述，现有技术存在的问题是：(1)将多目标优化通过线性组合化为单目标优化问题，存在着系数不容易确定。(2)利用理想点法求出与理想点距离最近的多目标优化问题的有效解(称理想有效解)分析化工动态多目标优化问题均未涉及。解决上述技术问题的难度和意义：
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于粒子群优化的生产过程系统多目标优化模型控制方法。本专利技术是这样实现的，一种基于粒子群优化的生产过程系统多目标优化模型控制方法，所述基于粒子群优化的生产过程系统多目标优化模型控制方法包括：进一步，所述基于粒子群优化的算法用PSO算法求解问题：minfj(x)j＝1,2…n；其中fj(m)是表示第j个目标函数计算到第m代为此所得到的最优值；相当于是一种惩罚项；对PSO算法的局部极值点pBest与全局极值点gBest的处理如下：共(n+1)个目标，对每个目标函数找到每个粒子对应的局部极值点pBest[i，j]与全局极值点gBest[j]；其中i＝1,2,…N，是表示粒子的序号，j＝1,2,…(n+1)，是表示目标函数的序号；在更新每个粒子的速度时，用各gBest[j]的“均值”作为全局的极值点gBest；随机在各pBest[i，j](j＝1,2,…(n+1))与它们的“均值”之中随机选取一个作为第i个粒子的局部极值点pBest[i]。进一步，所述基于粒子群优化的算法具体包括：步骤一，初始化种群：给定群体规模N，随机产生每个粒子的位置xi和速度vi；m＝1；步骤二，forj＝1ton对每个粒子xi(i＝1,2,…,N)计算fj(xi)，通过比较得到最优值，记为fj(m)；步骤三，构造出问题(7)；forj＝1ton+1；对每个粒子xi(i＝1,2,…,N)计算fj(xi)，通过比较求出局部极值点pBest[i，j]；步骤四，求出每个目标函数fj(x)(j＝1,2,…,(n+1))的全局极值点gBest[j]；步骤五，求出各目标函数fj(x)(j＝1,2,…,(n+1))的全局极值点gBest[j]的均值并记为gBest；步骤六，对每个粒子xi(i＝1,2,…N)，求出其相应于各目标函数的局部极值点pBest[i，j]的均值：在pBest[i，j](j＝1,2,…,(n+1))与这(n+2)点中随机选取一个作为xi的局部极值点pBest[i]；步骤七，更新各个粒子的速度vi与xi；步骤八，检查是否已达到中止条件，是，退出；否则：fj(m)＝min{fj(m),fj(pBest[j]),fj(x1),fj(x2),…fj(xN)}；返回步骤三。进一步，所述步骤七更新各个粒子的速度vi与xi的公式为：vi＝ω×vi+c1×rand()×(pBest[i]-xi)+c2×rand()(gBest-xi)；xi＝xi+vi；其中c1，c2为控制参数，也称学习因子；rand()是随机数，ω看作惯性权重。综上所述，本专利技术的优点及积极效果为：测试效果良好，本专利技术提供的算法能很好地求出所定义的理想有效解，理想有效解未必能使每个目标都达到最优，但若以每个目标的最优值的数值组成的点，记为P，理想有效解就是找一个解，使以该解的各目标值组成的点与P的距离最近；有效解和其他的多目标问题所定义的有效解有本质的区别，就是一个特定的解，为多目标的求解指定了一个明确的解的定义，可以有效地解决多目标规划的解的不确定性问题。而且本专利技术可以不必事先求出各目标函数的最优解，而是在求解的过程中，自动地逐步逼近最优解。附图说明图1是本专利技术实施例提供的基于粒子群优化的生产过程系统多目标优化模型控制方法流程图。图2是本专利技术实施例提供的三种帕累托最优解的葡萄糖和诱导剂进料曲线图；图中：(a)Glucosefeedrateu1(L·h-1)；(b)Inducerfeedrateu2(L·h-1)。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术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专利技术，并不用于限定本专利技术。本专利技术在分析多目标问题的基础上，提出多目标问题的理想有效解，并给出了动态多目标优化问题的理想有效解的求法；多目标优化问题在各领域广泛存在，很好地求解以上多目标规划问题，一方面有助于提高收益；另一方面有助于减少风险；利用理想点法求出与理想点距离最近的多目标优化问题提高了求理想有效解的速度与求出的解的质量，满足了化工动态多目标优化过程控制与操作的实际需要。下面结合附图对本专利技术的应用原理作详细的描述。如图1所示，本专利技术实施例提供的基于粒子群优化的生产过程系统多目标优化模型控制方法包括以下步骤：S101：初始化种群：给定群体规模，随机产生每个粒子的位置和速度；S102：对每个粒子计算，通过比较得到最优值；本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化的生产过程系统多目标优化模型控制方法，其特征在于，所述基于粒子群优化的生产过程系统多目标优化模型控制方法包括：S101：初始化种群：给定群体规模，随机产生每个粒子的位置和速度；S102：对每个粒子计算，通过比较得到最优值；S103：对每个粒子计算，通过比较求出局部极值点；S104：求出每个目标函的全局极值点；S105：求出各目标函数的全局极值点的均值；S106：对每个粒子求出其相应于各目标函数的局部极值点的均值：S107：更新各个粒子的速度；S108：检查是否已达到中止条件。

【技术特征摘要】
1.一种基于粒子群优化的生产过程系统多目标优化模型控制方法，其特征在于，所述基于粒子群优化的生产过程系统多目标优化模型控制方法包括：S101：初始化种群：给定群体规模，随机产生每个粒子的位置和速度；S102：对每个粒子计算，通过比较得到最优值；S103：对每个粒子计算，通过比较求出局部极值点；S104：求出每个目标函的全局极值点；S105：求出各目标函数的全局极值点的均值；S106：对每个粒子求出其相应于各目标函数的局部极值点的均值：S107：更新各个粒子的速度；S108：检查是否已达到中止条件。2.如权利要求1所述的基于粒子群优化的生产过程系统多目标优化模型控制方法，其特征在于，所述基于粒子群优化的算法用PSO算法求解问题：minfj(x)j＝1,2…n；其中fj(m)是表示第j个目标函数计算到第m代为此所得到的最优值；相当于是一种惩罚项；对PSO算法的局部极值点pBest与全局极值点gBest的处理如下：共(n+1)个目标，对每个目标函数找到每个粒子对应的局部极值点pBest[i，j]与全局极值点gBest[j]；其中i＝1,2,…N，是表示粒子的序号，j＝1,2,…(n+1)，是表示目标函数的序号；在更新每个粒子的速度时，用各gBest[j]的“均值”作为全局的极值点gBest；随机在各pBest[i，j](j＝1,2,…(n+1))与它们的“均值”之中随机选取一个作为第i个粒子的局部极值点pBest[i]。3.如权利要求2所述的基于粒子群优化的生产过程系统多目标优化模型控制方法，其特征在于，所述基于粒子群...

【专利技术属性】
技术研发人员：莫愿斌，卢彦越，张超群，
申请(专利权)人：广西民族大学，
类型：发明
国别省市：广西,45