一种催化裂化过程的多目标优化方法及装置制造方法及图纸

本发明专利技术提供了一种催化裂化过程的多目标优化方法及装置，以及一种计算机可读存储介质。所述多目标优化方法包括以下步骤：确定多个优化目标、对应于所述多个优化目标的多个工艺决策变量，以及各所述工艺决策变量的约束范围；根据所述多个优化目标及所述多个工艺决策变量，确定目标函数；经由基于路径的再生算子改进子代进化过程的SPEA2算法，在所述约束范围内调整各所述工艺决策变量的取值，以确定所述目标函数关于各所述工艺决策变量的操作数据；根据各所述操作数据，确定各所述优化目标的优化目标值；以及根据最优的优化目标值解集，确定对应于所述多个优化目标的多个工艺决策变量的指导值。策变量的指导值。策变量的指导值。

【技术实现步骤摘要】
一种催化裂化过程的多目标优化方法及装置


[0001]本专利技术属于石油化工
，尤其涉及一种催化裂化过程的多目标优化方法、一种催化裂化过程的多目标优化装置，以及一种计算机可读存储介质。

技术介绍

[0002]炼油产业是我国的支柱型产业，其中催化裂化工艺是石油炼制工业中重油轻质化的重要手段之一。经过催化裂化(Fluid Catalytic Cracking，FCC)工艺得到的汽油、柴油等催化裂化产品是交通运输的重要燃料来源，而经过催化裂化工艺生产的其他产品也是化工产业提供了主要原料。针对炼油企业，如何充分发挥炼油装置能力、实现经济效益最大化和降低环境污染是关系到国计民生的重中之重，也是国家实现产业转型升级的有力保障。
[0003]在催化裂化工艺的实际应用中，需要综合考虑经济收益、环境保护等多个相互冲突的优化目标，即多目标优化。然而，石油化工领域现有的催化裂化优化技术主要集中在单一目标的优化操作，无法满足多目标优化的实际需求。即使信息科学技术等其他
存在多目标优化的相关技术，也普遍存在忽视个体进化过程中产生的有用信息的现象，因而需要进行大量的迭代，并存在优化时间长、优化结果质量差、优化结果不稳定的缺陷。
[0004]为了克服现有技术存在的上述缺陷，本领域亟需一种催化裂化过程的多目标优化技术，一方面满足催化裂化工艺的多目标优化需求，另一方面提升催化裂化工艺的多目标优化效率，并提升优化结果的质量及稳定性。

技术实现思路

[0005]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
[0006]为了克服现有技术存在的上述缺陷，本专利技术提供了一种催化裂化过程的多目标优化方法、一种催化裂化过程的多目标优化装置，以及一种计算机可读存储介质，能够经由基于路径的再生算子改进子代进化过程的SPEA2算法，在预设的约束范围内调整催化裂化过程的各工艺决策变量的取值，以确定对应于多个优化目标的多个工艺决策变量的指导值，从而满足催化裂化工艺的多目标优化需求，提升催化裂化工艺的多目标优化效率，并提升优化结果的质量及稳定性。
[0007]具体来说，本专利技术的第一方面提供的上述催化裂化过程的多目标优化方法，包括以下步骤：确定多个优化目标、对应于所述多个优化目标的多个工艺决策变量，以及各所述工艺决策变量的约束范围；根据所述多个优化目标及所述多个工艺决策变量，确定目标函数；经由基于路径的再生算子改进子代进化过程的SPEA2算法，在所述约束范围内调整各所述工艺决策变量的取值，以确定所述目标函数关于各所述工艺决策变量的操作数据；根据各所述工艺决策变量的操作数据，确定各所述优化目标的优化目标值；以及根据最优的优
化目标值解集，将对应的各所述操作数据确定为对应于所述多个优化目标的多个工艺决策变量的指导值。
[0008]进一步地，在本专利技术的一些实施例中，所述经由基于路径的再生算子改进子代进化过程的SPEA2算法，在所述约束范围内调整各所述工艺决策变量的取值，以确定所述目标函数关于各所述工艺决策变量的操作数据的步骤包括：S1：初始化迭代次数变量t、种群P
t
及储备集其中，初始化的种群P0是由所述多个工艺决策变量在t＝0时的集合构成，初始化的储备集为空集；S2：计算所述种群P
t
中各个体i的适应度F(i)，其中，每个所述个体i对应一个所述工艺决策变量；S3：将所述种群P
t
及所述储备集中的所有非支配解集复制到储备集并对所述储备集进行环境选择；S4：若迭代次数t未达到预设的迭代次数上限T，则对经过所述环境选择的储备集进行锦标赛选择，再将经过所述锦标赛选择的数据集放入交配池；S5：经由所述基于路径的再生算子，对所述交配池中的所述数据集进行计算，将计算结果存入所述储备集递增迭代次数，并返回步骤S2；以及S6：若迭代次数变量t达到所述迭代次数上限T，则输出所述储备集中非支配解所代表的工艺决策变量集A。
[0009]进一步地，在本专利技术的一些实施例中，所述计算所述种群P
t
中各个体i的适应度F(i)的步骤包括：根据个体i支配的个体数S(i)，确定个体i的原始适应值R(i)，其中，所述原始适应值R(i)表示个体i，以及支配个体i的每个个体j所支配的所有个体数之和；计算每个个体i到所述种群P
t
及所述储备集中所有个体的距离，并按照递增排序；选择第k个个体作为并计算对应的距离值D(i)，其中，所述N为所述种群P
t
的大小，所述为所述储备集的大小；以及根据所述原始适应值R(i)及所述距离值D(i)，确定所述个体i的适应度F(i)。
[0010]进一步地，在本专利技术的一些实施例中，所述对所述储备集进行环境选择的步骤包括：将所述储备集中的个体数量与储备集大小进行比较；若则根据适应度F(i)的排序，从所述种群P
t
及所述储备集的所有个体i中选择前个个体构成支配解集，并添加到所述储备集以及若则进行剪枝操作，在每次迭代中淘汰与相邻个体具有最小距离的个体i。
[0011]进一步地，在本专利技术的一些实施例中，所述在每次迭代中淘汰与相邻个体具有最小距离的个体i的步骤包括：在每次迭代中淘汰与相邻个体具有最小距离的唯一个体i。
[0012]进一步地，在本专利技术的一些实施例中，所述经由所述基于路径的再生算子，对所述交配池中的所述数据集进行计算的步骤包括：确定所述储备集的子代种群个体的中心
点Center
g
，并确定所述种群P
t
及所述储备集的父代种群个体的中心点Center
g
‑1；根据前后两代种群个体中心点的差，定义进化路径ep的方向；根据子代个体的目标生存率及实际生产率p
succ
，确定所述进化路径ep的前进步长α；以及以每个父代个体为出发点，在向量α*ep所指向的矩形范围内分别产生对应的子代个体。
[0013]进一步地，在本专利技术的一些实施例中，所述经由所述基于路径的再生算子，对所述交配池中的各所述个体i进行重组和变异的步骤还包括：在产生所述子代个体之后，在至少一个优秀的父代个体及各所述子代个体之间进行基因共享操作。
[0014]进一步地，在本专利技术的一些实施例中，在进行所述基因共享操作之前，所述多目标优化方法还包括以下步骤：获取各所述父代个体的帕雷托前沿层数或适应度F(i)；以及根据所述帕雷托前沿层数或所述适应度F(i)，筛选所述至少一个优秀的父代个体。
[0015]进一步地，在本专利技术的一些实施例中，在根据最优的优化目标值解集，将对应的各所述操作数据确定为对应于所述多个优化目标的多个工艺决策变量的指导值之前，所述多目标优化方法还包括以下步骤：根据帕雷托最优解集合以及IGD指标来评价各所述优化目标值，以确定所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种催化裂化过程的多目标优化方法，其特征在于，包括以下步骤：确定多个优化目标、对应于所述多个优化目标的多个工艺决策变量，以及各所述工艺决策变量的约束范围；根据所述多个优化目标及所述多个工艺决策变量，确定目标函数；经由基于路径的再生算子改进子代进化过程的SPEA2算法，在所述约束范围内调整各所述工艺决策变量的取值，以确定所述目标函数关于各所述工艺决策变量的操作数据；根据各所述工艺决策变量的操作数据，确定各所述优化目标的优化目标值；以及根据最优的优化目标值解集，将对应的各所述操作数据确定为对应于所述多个优化目标的多个工艺决策变量的指导值。2.如权利要求1所述的多目标优化方法，其特征在于，所述经由基于路径的再生算子改进子代进化过程的SPEA2算法，在所述约束范围内调整各所述工艺决策变量的取值，以确定所述目标函数关于各所述工艺决策变量的操作数据的步骤包括：S1：初始化迭代次数变量t、种群P
t
及储备集其中，初始化的种群P0是由所述多个工艺决策变量在t＝0时的集合构成，初始化的储备集为空集；S2：计算所述种群P
t
中各个体i的适应度F(i)，其中，每个所述个体i对应一个所述工艺决策变量；S3：将所述种群P
t
及所述储备集中的所有非支配解集复制到储备集并对所述储备集进行环境选择；S4：若迭代次数t未达到预设的迭代次数上限T，则对经过所述环境选择的储备集进行锦标赛选择，再将经过所述锦标赛选择的数据集放入交配池；S5：经由所述基于路径的再生算子，对所述交配池中的所述数据集进行计算，将计算结果存入所述储备集递增迭代次数，并返回步骤S2；以及S6：若迭代次数变量t达到所述迭代次数上限T，则输出所述储备集中非支配解所代表的工艺决策变量集A。3.如权利要求2所述的多目标优化方法，其特征在于，所述计算所述种群P
t
中各个体i的适应度F(i)的步骤包括：根据个体i支配的个体数S(i)，确定个体i的原始适应值R(i)，其中，所述原始适应值R(i)表示个体i，以及支配个体i的每个个体j所支配的所有个体数之和；计算每个个体i到所述种群P
t
及所述储备集中所有个体的距离，并按照递增排序；选择第k个个体作为并计算对应的距离值D(i)，其中，所述N为所述种群P
t
的大小，所述为所述储备集的大小；以及根据所述原始适应值R(i)及所述距离值D(i)，确定所述个体i的适应度F(i)。
4.如权利要求3所述的多目标优化方法，其特征在于，所述对所述储备集进行环境选择的步骤包括：将所述储备集中的个体数量与储备集大小进行比较；若则根据适应度F(i)的排序，从所述种群P
t
及所述储备集的所有个体i中选择前个个体构成支配解集，并添加到所述储备集以及若则进行剪枝操作，在每次迭代中淘汰与相邻个体具有最小距离的个体i。5.如权利要求4所述的多目标优化方法，其特征在于，所述在每次迭代中淘汰与相邻个体具有最小距离的个体i的步骤包括：在每次迭代中淘汰与相邻个体具有最小距离的唯一个体i。6.如权利要求3所述的多目标优化方法，其特征在于，所述经由所述基于路径的再生算子，对所述交配池中的所述数据集进行计算的步骤包括：确定所述储备集的子代种群个体的中心点Center
g
，并确定所述种群P
t
及所述储备集的父代种群个体的中心点Center

【专利技术属性】
技术研发人员：钟伟民，隆建，杜文莉，钱锋，杨明磊，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：