發(fā)布時間：2020-11-19 00:40

　　 過程系統實時優(yōu)化(RTO,Real-Time Optimization)對于流程工業(yè)節(jié)能降耗和提高經濟效益具有重要意義。實時性是衡量實時優(yōu)化性能的一個關鍵指標。如何提高實時性是系統工程師和大規(guī)模優(yōu)化算法研究人員的一個工作重點。目前在大規(guī)模實時優(yōu)化算法方面已取得許多出色的研究成果。但是隨著過程系統規(guī)模的不斷增大和模型精細程度的日益提高,優(yōu)化命題的規(guī)模存在持續(xù)增長的趨勢。因此,實時性仍然是實時優(yōu)化技術的一個瓶頸。本文的目標是從系統的角度出發(fā),利用優(yōu)化命題的反復求解特性提高系統的實時性。 本文對實時優(yōu)化系統進行了深刻分析,并根據其中優(yōu)化命題的重復性和相似性提出了記憶增強型優(yōu)化方法(MEO,Mnemonic EnhancementOptimization)。該方法將變化的操作條件和各種擾動看作優(yōu)化命題的參數,將先前優(yōu)化計算的解作為經驗保留起來,并用這些經驗來估計待求最優(yōu)解。隨后MEO將估計值傳給優(yōu)化算法以精確定位最優(yōu)解。理論分析證明在一般條件下,最優(yōu)解是參數的連續(xù)函數�；�于這一點可以證明隨著RTO的反復運行,MEO逼近值將以概率1收斂于最優(yōu)解。 本文建立了MEO框架。該框架由兩部分組成——經驗庫管理和多元逼近方法。本文在經驗庫管理中引入了閾值以限制經驗庫的空間復雜度。同時,本文構造了針對MEO經驗庫管理的增量式多元Delaunay剖分算法和巢狀節(jié)點選擇算法。它們?yōu)镸EO中的多元逼近算法奠定了基礎。 在逼近算法方面,本文首先構造了零階逼近MEO方法。在此基礎上引進多元一階Lagrange插值,從而得到基于Delaunay剖分的一階綜合逼近MEO方法。其次本文對一階綜合逼近MEO進行擴展,得到任意階的全空間和部分空間多元Lagrange插值MEO方法。最后,作為對插值方法的有益補充,本文嘗試在MEO中引進了線性最小二乘擬合方法,并對高階擬合方法在MEO中的可行性進行了分析。數值試驗顯示本文所提出的各種MEO方法均優(yōu)于RTO中的傳統方法。并且,不同的MEO方法有著不同的特點和適用情況。
【學位單位】：浙江大學
【學位級別】：博士
【學位年份】：2009
【中圖分類】：N945.15
【部分圖文】：

度是針對參數a而言的�；�于附錄A脫丙烷塔和脫丁烷塔聯塔系統，在優(yōu)化命題(A.1)的基礎上令兩股進料量5502和5538為參數，可得相應的參數優(yōu)化問題。圖4.5演示了脫丙烷塔最優(yōu)回流量同5502和5538流量參數之間的關系。圖4.6演示了極值函數同這兩個流量參數之間的關系。其中x軸和y軸分別代表標度化后的流量5502和5538，z軸代表最優(yōu)回流量和極值函數�？梢钥闯鲞@兩個函數曲面都是連續(xù)的且1·分光滑。LOadofth白怕edstoCkS502 LoadoftheleedstoC隊5538圖4.5脫丙烷塔最優(yōu)回流量關于進料量5502和5538的函數圖像

度是針對參數a而言的。基于附錄A脫丙烷塔和脫丁烷塔聯塔系統，在優(yōu)化命題(A.1)的基礎上令兩股進料量5502和5538為參數，可得相應的參數優(yōu)化問題。圖4.5演示了脫丙烷塔最優(yōu)回流量同5502和5538流量參數之間的關系。圖4.6演示了極值函數同這兩個流量參數之間的關系。其中x軸和y軸分別代表標度化后的流量5502和5538，z軸代表最優(yōu)回流量和極值函數�？梢钥闯鲞@兩個函數曲面都是連續(xù)的且1·分光滑。LOadofth白怕edstoCkS502 LoadoftheleedstoC隊5538圖4.5脫丙烷塔最優(yōu)回流量關于進料量5502和5538的函數圖像

3g“一vf(x“)一{簇:取步長因子叭二0.01時可以得到圖4.6中以原點為圓心，2為半徑的圓形區(qū)域內近似光滑牛頓收斂路徑的分布情況。圖中的收斂路徑均趨向于最優(yōu)點附近的橫軸區(qū)域。這初步表明初值點具有各向異性，或說收斂路徑對方向具有偏好性。這種偏好同優(yōu)化算法及具體優(yōu)化問題均相關。那么位于收斂路徑偏好方向上的初值點是否比其它方向上的初值點具有更快的收斂速度?圖4.7給出了最優(yōu)點附近區(qū)域的優(yōu)化計算迭代步數等高線(實線)和 Newton路徑長度等值線(虛線)。Newton路徑長度等值線是指所有從該點出發(fā)至最優(yōu)點處具有相同Newton路徑長度的點集所對應的曲線。迭代步數等高線是指所有從該點出發(fā)具有相同迭代步數的點集所對應的曲線。這里稱指標(步數)為p的迭代步數等高線為迭代等高線p，或收斂通道p。有趣的是圖4.7表明Ncwton路徑長度等值線和迭代步數等高線的形狀并不一致。觀察可見在最優(yōu)點附近半徑為0.5的區(qū)域內，收斂通道的形狀和圖4.6中收斂路徑的偏好性相一致。即在充分靠近最優(yōu)點時，在Newton法收斂路徑的偏好方向上，優(yōu)化計算的收斂速度最快。換句話說就是Newton算法在最優(yōu)點附近充分小的鄰域內具有一定的自動尋找快速收斂通道能力。除了收斂路徑的偏好性之外，收斂通道的各向異性也進一步表明了處置點的各向異性。
【引證文獻】

相關期刊論文 前2條

1 王志強;崔彥軍;王懷瑞;;基于改進最小二乘支持向量機的最優(yōu)解估計方法[J];計算機與應用化學;2013年11期

2 鐘偉民;祁榮賓;杜文莉;錢鋒;;化工過程運行優(yōu)化研究進展[J];化學反應工程與工藝;2014年03期

相關博士學位論文 前1條

1 王志強;微分代數方程動態(tài)優(yōu)化問題的快速求解策略研究[D];浙江大學;2012年

本文編號：2889441