基于粒子群算法的動態多目標優化

李青

摘 要：針對碳二氫生產中的反應器動態優化問題，目前雖然有多種算法對生產過程進行優化，但大部分只是對單一目標進行求解，提出一種更為靈活的反應器動態求解方法。在該方法中，首先構建碳二氫目標函數，然后采用多目標粒子群算法和分段線性函數參數法結合的方式對目標函數的進行求解，以提高整體搜索能力，得到碳二氫反應器動態優化的最優解。最后，以實際乙烯碳二加氫化工反應過程為例進行實驗驗證，結果證明，通過該方法進行求解的目標函數無論是在收斂性，還是在優化的平均值等方面，都比SADE-eCD和NSGA-II算法具有優勢，說明該算法在反應器動態優化中是切實可行的。

關鍵詞：動態多目標優化;粒子群算法;碳二加氫;骨干粒子群算法

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1001-5922（2021）06-0039-05

Abstract：In view of the dynamic optimization of the reactor in the production of carbon dihydrogen， although there are many algorithms to optimize the production process， most of these algorithms only focus on the optimization of a single objective， and a more flexible method of reactor dynamics is proposed. In this method， the C2H objective function is first constructed， and then the objective function is solved by the combination of multi-objective particle swarm algorithm and piecewise linear function parameter method to improve the overall search ability， and the optimal solution for dynamic optimization of the carbon dihydrogen reactor is obtained. Finally， the actual ethylene carbon two hydrogenation chemical reaction process is used as an example for experimental verification， and the results prove that the objective function solved by this method has advantages over the SADE-eCD and NSGA-II algorithms in terms of convergence and average value of optimization， indicating that the algorithm is feasible in reactor dynamic optimization.

Key words：dynamic multi-objective optimization; particle swarm optimization; C2 hydrogenation; backbone particle swarm optimization algorithm

近年來，隨著化學工業的發展，化工過程的動態模擬越來越受重視，分線性等模型也在化工過程建模中普遍存在。但由于這類模型具有不確定性和高維特性等問題，因此求解難度較大。另外，目前的這類研究算法中，主要關注的是單一目標的動態優化，不符合實際化工過程中多目標動態優化。針對這類問題，本文提出具有靈活有效的約束動態多目標骨干粒子群算法，并通過引入分段線性函數參數化方法，提高了該算法的的局部搜索能力，解決了化工過程中反應器動態多目標優化問題。最后，通過將該算法應用到實際乙烯碳二加氫化工反應過程，結果證明，該算法對目標的優化達到了預期目的，也就是說，該算法在實際化工過程中是切實可行的。

1 問題描述

石油化工中，乙烯是最基本且需求量最大的化學原料之一，它代表著一個國家的石油化工工業水平。其生產過程發雜，具有不確定性、時變性、變量的關聯性等特點，難以實現優化控制。因此，本文針對乙烯生產過程中碳二加氫反應過程如何加快乙烷等產物生成的問題，運用動態多目標優化算法進行研究。

1.1 碳二加氫過程描述

在乙烯裂解的過程中，常以輕質烷烴包括C2、C3、C4等飽和烴或石腦油作為生產原料，這些原料在反應器中完成脫氫等化學反應后，會生成加完、乙烯、等分子量較小的烴類，以及氫氣、一氧化碳、水等產物。若這個過程中，產物未能及時分離，則會導致產物與產物之間發生二次反應，使乙烯產量降低。因此，在生產原料完成分解后需及時分離產物。一般而言，分離產物最常用的方法是急冷。經過急冷處理產物會通過甲烷塔和乙烷塔分離為碳二、碳三等組分。由于碳二組分中含有乙炔，因此需要對其進行加氫處理，具體加氫工藝流程如圖1所示。

圖中，碳二加氫系統由兩臺反應器、四臺換熱器組成。碳二組分在進入系統時，首先是進行預熱，然后進入反應器進料換熱器和加熱器中，最后經低壓蒸汽升溫進行加氫反應。經過加氫處理的碳二組分，其中65%的乙炔會被消耗掉。加氫反應后，由于反應過程會產生大量的熱量，因此需要對中間冷卻器進行冷卻處理。此時，碳二組分中還殘留有其他反應物，需要進行二次加氫處理。二次加氫處理中，由于碳二組分中殘留的乙炔會產生聚合副反應，所以在出料時需要經過綠油洗滌塔洗滌掉綠油。

工業碳二加氫反應根據加熱器不同的位置分為前加氫和后加氫，兩者的進料也各不相同。由于前加氫的進口物料中含有一氧化碳和氫氣，會使碳二組分中乙炔難以去除，因此在現代工業中，常用后加氫反應進行碳二加氫。后加氫通常以碳二烴類為進口物料，其副產物綠油會在脫乙烷塔底排出，因此在進入乙烯精餾塔的碳二組分中綠油含量可以忽略不計。此外，后加氫反應中無需注入氫氣，所以在反應時不用等氫氣產出，從而縮短了乙烯的生產時間。

兩次加氫反應中，反應器的作用也不同。第一次加氫時，反應器的主要作用是去除組分中絕大部分的乙炔;第二次加氫時，反應器的主要作用是控制出料中乙炔的濃度，使乙炔濃度在經過二次加氫后低于4.9mg/L。其中，第一次加氫反應是第二次加氫反應的基礎。

1.2 碳二加氫目標函數構建

碳二加氫反應即通過含有氫的催化劑作用，將碳二組分中的乙炔成分與催化劑中的氫生成乙烯。由于加氫反應屬于強放熱過程，因此會產生平行反應、競爭反應等副反應。為提高目標產物乙烯的產量、減少副產物產量，本文針對影響乙烯產量的兩個主要因素，反應器溫度和催化劑活性對加氫反應進行優化，故本研究從這兩個方面進行優化，實現最大化乙烯產量。

根據以上優化目標，可建立如下數學模型：

1）動力學模型：

其反應速率可分別表示為：

式（2）中，K_A_C2H2、K_E_C2H2分別表示乙炔在A、E兩個位點的吸附常數，K_E_C2H2表示乙烯在E位點的吸附常數，其單位均為k/pa;Pmx表示反應產生的混合物X的分壓，單位為Pa;k1、k2、k3、k4分別表示溫度T的函數，其值可用以下公式計算：

式（3）中，A1、A2、A3、A4、E1、E2、E3、E4表示需要擬合的參數，R表示反應器半徑（單位：m），T表示測量點溫度（單位：K）。

2）物料平衡和熱平衡：

式（4）中，dmx表示反應產生的混合物X的摩爾流速，kmol/h;rhoB為催化劑密度，kg/m3，S表示反應器橫截面面積m2;z表示反應器高度，m;dz為X的的反應器高度的導數;T為反應組分溫度（單位：k）;dTdz表示溫度沿反應器高度的導數;H1、H2、H3為反應過程1、2、3的反應熱，J/mol;TotalMol為反應組分摩爾總流量，kmol/s;Cp為混合氣體總熱熔系數，kJ/kmol/K。

3）初始化設置

4）目標函數

由于溫度是影響加氫反應的重要，且是控制反應器的唯一手段，因此通過控制反應器溫度可以實現最大化乙烯產物。

式（6）中，Cc2H4（li）j1分別表示乙烯的初始值和增量;Cc2H6（li）j2分別表示乙烷的初始值和增量。

2 目標函數求解

2.1 多目標骨干粒子群算法

多目標骨干粒子群算法是在標準粒子群算法的基礎上，引入多目標骨干粒子搜索法，提出的一種性能更加優良的算法。該算法避免了標準粒子群算法中的復雜參數設置，提高了搜索的效率，適合于多維度的復雜問題求解。

化工過程中，問題模型較為復雜且參數眾多，因此要求算法具有計算量小和收斂速度快的特點。多目標骨干粒子群算法作為優化后的粒子群算法，不僅具有計算量小、收斂速度快等優點，同時還可以保留種群的多樣性。因此，多目標骨干粒子群算法適用于本文的化工過程動態多目標優化。

2.2 分段線性函數優化

針對化工過程中多目標動態優化方法，目前最常用的方法是分段常數法。但由于該優化方法的優化結果準確度低，難以達到化工過程對結果精準度的要求，故本文選用分段線性函數參數化替代該方法。

分段線性函數參數化方法，顧名思義，即將時間劃分為多段，用函數表示每個時間段上的控制變量，將優化問題的目標函數轉化為了優化時間的連續函數。

2.3 求解步驟

具體優化求解步驟如下：

步驟1：將時間區間劃分為N段，每個時間區間表示為u（t），每個時間區間上的控制變量表示為ui（t），第i段區間可表示為ti-1，ti，其中t0=t0，tn=tf;

步驟2：通過線性近似策略，計算出兩個相鄰時間點的值，其值表示相鄰離散點的斜率。由此可得每個控制策略中含有n+1個離散點;

步驟3：計算出在i區間段內控制變量ui（t），具體計算方法可由如下公式得到：

步驟4：通過多目標骨干粒子群算法搜索最優值，得到最優控制方式。其具體實現方式為：首先由MOPSO產生初始種群u，運用龍格-庫塔法計算出控制變量u（t）的變化軌跡以及迭代后各個狀態變量x（t）的常微方程組，求得各個目標函數值。然后更新種群中粒子的速度和位置，得到新的種群，直至滿足終止條件。最后，輸出最優解集。

應用分段線性函數參數優化方法可以實現化工過程進行多目標動態優化。一般來說，該優化方法的優化結果與時間區間分段的多少有很大關系，分段越多，則優化過程越復雜，對問題的分解維數越多，計算量也越大，優化結果也更明顯;反之，分段越少，優化過程越簡單，問題的維數越少，計算量也越小，但優化效果相對較差。

3 試驗驗證

應用無約束骨干粒子群算法和分段線性函數參數化方法求解化工過程中多目標動態優化問題，具體參數設置如下：。由算法求得的乙烯產量、乙烷產量如圖2所示。

由圖2可知，優化后得到的乙烯為2107.8kmol/hr，乙烷產量為388.0kmol/hr;未經優化得到的乙烯產量為2103.4kmol/hr，乙烷產量為393.5941kmol/hr，可見經過優化的乙烯產量大大增加。通過對比實驗數據發現，乙烯增量由23.0kmol/hr增加到27.4kmol/hr，也就是說乙烯的增量增加了19.32%;乙烷從9.534kmol/hr減少到3.84kmol/hr即乙烷增量減少了61.02%。優化過程中對溫度的控制策略如圖3所示。

由圖3可知，當滿足一定條件時，乙烯的增量和乙烷的增量具有一定的線性關系。在右邊點集時，乙烯的產量雖然增量較多，但其與乙烷產量增量卻呈反比，此時分離兩者的代價較高，不適合選取該點集內的。當兩者分離代價較小時，乙烯增量較大的點作為控制策略點，即B點、C點。B點和C點相應的溫度控制策略如圖4、5所示。

4 結果分析

設最大迭代次數為500代，外部檔案集容量為100。為驗證提出的約束多目標骨干粒子群算法在化工過程中的性能，本文選取常見的CTP和OSY7個優化問題作為多目標測試函數。應用約束多目標骨干粒子群算法進行求解，并將其求解結果與經典約束NSGA-11算法和自適應差分進化算法SADE-eCD求解結果進行對比，得到如表1和表2所示的算法收斂性和分布性數據。

由表1和表2可知，相較于經典約束NSGA-II算法和自適應差分進化算法SADE-?CD，約束多目標骨干粒子群算法的收斂性和求解的分布性更好。

OSY函數求解是所有函數求解中最復雜的問題，其原因在于它的pareto邊界由5個不同的線段組成，如圖6所示，因此尋找起來十分困難。

圖7是約束多目標骨干粒子群算法、經典約束NSGA-II算 法和自適應差分進化算法SADE-?CD3種算法在分別進行30次求解OSY問題時的曲線段次數。

由圖可知，相較于經典約束NSGA-II算法和自適應差分進化算法SADE-?CD，約束多目標骨干粒子群算法在求解OSY問題時更具有優勢。同時，該算法更好地保持了粒子的多樣性和有效性。

綜上所述，本文提出的基于約束多目標骨干粒子群算法在對多目標進行優化時，具有一定的優勢，是一種切實可行的方法。

5 結語

化工過程是一個含有多個目標的動態過程，對化工過程的動態優化有利與提高化工產品生產效率。目前，雖然很多算法應用于化工過程動態優化求解，但這些算法無法實現實際化工應用的多目標優化。針對該問題，本文提出約束動態多目標骨干粒子群算法對多個目標進行優化。然后引入分段線性函數參數化方法，提高了算法的局部搜索能力。最后，本文以實際乙烯碳二加氫為例，將該算法應用到實際化工反應過程。實驗結果證明，該算法對優化目標的優化達到了預期目的，也就是說，該算法在實際化工過程中是切實可行的。

參考文獻

[1]賈會群，魏仲慧，何昕，等.基于改進粒子群算法的路徑規劃[J].農業機械學報，2018，49（12）：371-377.

[2]黃洋，魯海燕，許凱波，等.基于S型函數的自適應粒子群優化算法[J].計算機科學，2019，46（01）：245-250.

[3]劉洪銘，曾鴻雁，周偉，等.基于改進粒子群算法作業車間調度問題的優化[J].山東大學學報（工學版），2019，49（01）：75-82.

[4]宋宇，王志明.面向無人機三維航跡規劃的改進粒子群優化算法[J].傳感器與微系統，2019，38（03）：144-146.

[5]黃巖.基于粒子群算法的電網經濟調度的研究[D].哈爾濱：東北農業大學，2018.

[6]王福星.基于粒子群優化算法的多無人機自組織控制[D].南京：南京郵電大學，2019.

[7]張曉莉，王秦飛，冀汶莉.一種改進的自適應慣性權重的粒子群算法[J].微電子學與計算機，2019，36（03）：66-70.

[8]陳雪.基于改進粒子群算法的A集團自動化立體倉庫的優化研究[D].北京：北京交通大學，2018.

[9]龔凱.基于粒子群算法的車載Ad hoc網絡路由協議優化[D].南京：南京郵電大學，2018.

[10]宋彬.結合粒子群算法和改進蟻群算法的機器人混合路徑規劃[D].徐州：中國礦業大學，2018.