[发明专利]一种纸浆间歇蒸煮参数优化方法

说明书

技术领域

本发明涉及多目标优化技术，尤其涉及一种纸浆间歇蒸煮参数优化方法。

背景技术

多目标优化问题的描述如下：给定决策向量X＝(x₁，x₂，…，x_n)，它满足下列约束：

g_i(X)≥0(i＝1，2，…，k)

h_i(X)＝0(i＝1，2，…，l)

设有r个优化目标，且这r个目标是相互冲突的，优化目标可表示为

f(X)＝(f₁(X)，f₂(X)，…，f_r(X))

寻求使f(X^*)在满足约束的条件下同时达到最优。

许多科学研究或工程应用上的优化问题都是多目标优化问题，几个目标之间往往是相互冲突的，没有绝对的或者说唯一的最好解。为了达到总体目标的最优化，通常需要对相互冲突的子目标进行综合考虑。遗传算法(Geneticalgorithm，GA)是一种模拟自然选择和生物进化的一种搜索算法，因其具有较好的通用性，并且适用于求解高度复杂的非线性问题而得到了广泛应用。多目标遗传算法以遗传算法为基础，处理多目标优化问题。NSGA-II(Fast ElitistNon-Dominated Sorting Genetic Algorithm)就是一种典型的多目标遗传算法，因其良好的收敛性和多样性而得到越来越多的重视。NSGA-II的优点在于算法无参数，容易实现，在处理低维问题时，算法的运行效率高，解集有良好的分布性。缺点在于处理高维问题上，解集的收敛性和多样性不是很好。

间歇蒸煮参数优化问题是一个多目标优化问题，我们希望纸浆质量高、得率高、蒸煮配方消耗少、蒸汽能耗少。但是，这几个目标之间是相互影响、相互制约的，怎么对这些目标进行寻优和取舍？国内外一些学者对这个课题进行了研究，建立的kappa值模型有机理模型、回归模型、神经网络模型等。支持向量机(Support Vector Machine，SVM)作为一种新型的学习机器，拓扑结构简单，与kappa值机理模型相比，模型的复杂度低；与回归模型和神经网络模型相比，模型的泛化能力强、提供全局最优解。国内外采用的优化方法有非线性规划法、均匀取值法、降维分析法、模糊逻辑决策法、分层优化法等等。但是没有文献将所有主要可变参数集中起来一起研究，一般是将其中几个参数固定，然后对其他几个参数进行寻优，这样得到的最优解未必是真正的最优解。比如，肖兰等于1998年在浙江大学学报(自然科学版)发表的《基于过程建模与优化技术的清洁生产策略》根据回归化后的模型，用非线性规划的方法对蒸煮时间和有效碱浓度寻优，但是没有考虑蒸煮的其它参数；鄢烈祥等于2000年在中国造纸学报上发表的《神经网络降维分析法用于制浆蒸煮工艺条件的优化》用神经网络降维分析法生成纸浆得率和硬度的等值线，由此确定出控制纸浆硬度在一定范围内而纸浆得率较高的操作区域，但是这种方法比较粗糙；金福江于2001年在华侨大学学报(自然科学版)上发表的《制浆生产蒸煮过程多目标优化控制》对连续蒸煮器和间歇蒸煮器都建立了回归模型，并用模糊逻辑决策等方法对其进行优化，但是没有考虑有效碱浓度、硫化度等，且对模型做了大量简化。

发明内容

本发明的目的在于根据蒸煮的实际情况，建立了一个全面的优化模型，并根据该模型的特点以及NSGA-II的缺点，提供一种纸浆间歇蒸煮参数优化方法，既能保证最优解的多样性，又能保证解的收敛性，从而增强了整个算法的局部寻优和全局搜索能力。

本发明采用的技术方案的方法步骤如下：

1)建立了一个全面的多参数多目标优化模型：

将白液浓度、白液用量、黑液用量、硫化度、蒸煮时间、蒸煮温度六个蒸煮参数集中一起作为寻优变量，考虑了纸浆的质量目标、得率目标、蒸汽能耗目标和白液用量目标；充分利用了现场真实数据，建立了kappa值的SVM模型、得率的回归模型和蒸煮能耗的机理模型，描述了寻优变量和目标函数的关系；

2)运用了改进的NSGA-II对多参数多目标优化模型进行优化：

在NSGA-II的基础上，引进了一种新的适应度评价机制；融入了自适应交叉变异算子；加入外来种群迁入机制；采用了一种简易的约束处理方法，直接将不满足约束条件的个体置于最后一层非支配层，让其在进化中以较大概率被淘汰，节约算法的运行时间。