[發明專利]一種紙漿間歇蒸煮參數優化方法

無效

• 申請號: 201010295335.2
• 申請日: 2010-09-27
• 公開（公告）號: CN101949104A
• 公開（公告）日: 2011-01-19
• 發明（設計）人: 沈正華;楊春節
• 申請（專利權）人: 浙江大學
• 主分類號: D21C7/12
• 分類號: D21C7/12
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林懷禹

技術領域

本發明涉及多目標優化技術，尤其涉及一種紙漿間歇蒸煮參數優化方法。

背景技術

多目標優化問題的描述如下：給定決策向量X＝(x₁，x₂，…，x_n)，它滿足下列約束：

g_i(X)≥0(i＝1，2，…，k)

h_i(X)＝0(i＝1，2，…，l)

設有r個優化目標，且這r個目標是相互沖突的，優化目標可表示為

f(X)＝(f₁(X)，f₂(X)，…，f_r(X))

尋求使f(X^*)在滿足約束的條件下同時達到最優。

許多科學研究或工程應用上的優化問題都是多目標優化問題，幾個目標之間往往是相互沖突的，沒有絕對的或者說唯一的最好解。為了達到總體目標的最優化，通常需要對相互沖突的子目標進行綜合考慮。遺傳算法(Geneticalgorithm，GA)是一種模擬自然選擇和生物進化的一種搜索算法，因其具有較好的通用性，并且適用于求解高度復雜的非線性問題而得到了廣泛應用。多目標遺傳算法以遺傳算法為基礎，處理多目標優化問題。NSGA-II(Fast?ElitistNon-Dominated?Sorting?Genetic?Algorithm)就是一種典型的多目標遺傳算法，因其良好的收斂性和多樣性而得到越來越多的重視。NSGA-II的優點在于算法無參數，容易實現，在處理低維問題時，算法的運行效率高，解集有良好的分布性。缺點在于處理高維問題上，解集的收斂性和多樣性不是很好。

間歇蒸煮參數優化問題是一個多目標優化問題，我們希望紙漿質量高、得率高、蒸煮配方消耗少、蒸汽能耗少。但是，這幾個目標之間是相互影響、相互制約的，怎么對這些目標進行尋優和取舍？國內外一些學者對這個課題進行了研究，建立的kappa值模型有機理模型、回歸模型、神經網絡模型等。支持向量機(Support?Vector?Machine，SVM)作為一種新型的學習機器，拓撲結構簡單，與kappa值機理模型相比，模型的復雜度低；與回歸模型和神經網絡模型相比，模型的泛化能力強、提供全局最優解。國內外采用的優化方法有非線性規劃法、均勻取值法、降維分析法、模糊邏輯決策法、分層優化法等等。但是沒有文獻將所有主要可變參數集中起來一起研究，一般是將其中幾個參數固定，然后對其他幾個參數進行尋優，這樣得到的最優解未必是真正的最優解。比如，肖蘭等于1998年在浙江大學學報(自然科學版)發表的《基于過程建模與優化技術的清潔生產策略》根據回歸化后的模型，用非線性規劃的方法對蒸煮時間和有效堿濃度尋優，但是沒有考慮蒸煮的其它參數；鄢烈祥等于2000年在中國造紙學報上發表的《神經網絡降維分析法用于制漿蒸煮工藝條件的優化》用神經網絡降維分析法生成紙漿得率和硬度的等值線，由此確定出控制紙漿硬度在一定范圍內而紙漿得率較高的操作區域，但是這種方法比較粗糙；金福江于2001年在華僑大學學報(自然科學版)上發表的《制漿生產蒸煮過程多目標優化控制》對連續蒸煮器和間歇蒸煮器都建立了回歸模型，并用模糊邏輯決策等方法對其進行優化，但是沒有考慮有效堿濃度、硫化度等，且對模型做了大量簡化。

發明內容

本發明的目的在于根據蒸煮的實際情況，建立了一個全面的優化模型，并根據該模型的特點以及NSGA-II的缺點，提供一種紙漿間歇蒸煮參數優化方法，既能保證最優解的多樣性，又能保證解的收斂性，從而增強了整個算法的局部尋優和全局搜索能力。

本發明采用的技術方案的方法步驟如下：

1)建立了一個全面的多參數多目標優化模型：

將白液濃度、白液用量、黑液用量、硫化度、蒸煮時間、蒸煮溫度六個蒸煮參數集中一起作為尋優變量，考慮了紙漿的質量目標、得率目標、蒸汽能耗目標和白液用量目標；充分利用了現場真實數據，建立了kappa值的SVM模型、得率的回歸模型和蒸煮能耗的機理模型，描述了尋優變量和目標函數的關系；

2)運用了改進的NSGA-II對多參數多目標優化模型進行優化：

在NSGA-II的基礎上，引進了一種新的適應度評價機制；融入了自適應交叉變異算子；加入外來種群遷入機制；采用了一種簡易的約束處理方法，直接將不滿足約束條件的個體置于最后一層非支配層，讓其在進化中以較大概率被淘汰，節約算法的運行時間。