自适应差分进化优化常压塔轻质油产量算法研究

"丁进良, 陈佳鑫, 马欣然. 基于自适应差分进化的常压塔轻质油产量多目标优化[J]. 控制与决策, 2020, 35(3): 604-612." 在石油炼制过程中，常压塔是关键设备之一，其轻质油产量的优化对于提升企业的经济效益至关重要。面对市场对轻质油产品的需求变化和价格波动，科研人员提出了一个创新的优化策略——基于自适应差分进化的常压塔轻质油产量多目标优化算法。这个算法结合了惩罚边界交叉法和择优学习算子，旨在解决复杂多目标优化问题，以提高常压塔的轻质油产出。 自适应差分进化算法是一种强大的全局优化工具，它通过模拟自然界的进化过程，如选择、交叉和变异，来寻找问题的最优解。在传统的差分进化算法中，变异操作通常依赖于随机选取的个体或最好的个体。然而，这种随机性和盲目性可能导致算法陷入局部最优，无法全面探索解决方案空间。针对这一问题，研究人员引入了择优学习算子，该算子能够根据个体的质量进行学习，避免了单纯随机选择的不足，提高了搜索效率。 惩罚边界交叉策略是多目标优化中的重要手段，用于处理约束条件下的优化问题。当个体解超出预设的可行域时，算法会施加一定的惩罚，引导种群向更合规的区域移动，确保优化过程中不会忽视重要的约束条件。 在算法的实施过程中，自适应策略被用来动态调整交叉和变异算子的参数。这种策略可以根据算法运行状态和解的质量，适时地改变算子的行为，以保持算法的活力，防止过早收敛，并且在不同阶段平衡探索与开发之间的关系。 为了验证新算法的有效性，研究者将其应用到三个标准测试函数以及一个实际的炼油厂常压塔轻质油产量优化问题上。实验结果表明，改进后的算法在解决测试函数时表现出了显著的优势，同时在实际应用中成功提升了常压塔的轻质油产量，证明了算法的实用性和高效性。 此外，文中还提到了其他相关研究，如精英导向型差分变异多目标烟花算法、基于自适应配对控制的多目标演化算法、自适应的非支配排序遗传算法以及基于进化知识融合的多目标人工蜂群算法等，这些工作同样聚焦于多目标优化，但采用了不同的方法和技术，显示了优化领域的多样性和创新性。 基于自适应差分进化的常压塔轻质油产量多目标优化算法为炼油行业的工艺优化提供了一种新的思路，通过结合惩罚边界交叉和择优学习，实现了对复杂优化问题的有效求解，对提升企业效益具有实际意义。