[发明专利]一种变种群规模DNA遗传算法的催化裂化主分馏塔建模方法

说明书

技术领域

本发明涉及一种变种群规模DNA遗传算法的催化裂化主分馏塔建模方法。

背景技术

催化裂化过程是将重质原料转化为轻质产品的生产过程，是炼油工业中重要的一个二次加工过程，其效率的高低直接影响着炼油厂的经济效益。该过程使用的催化裂化分馏塔是实现二次加工中产品分离的关键单元，建立催化裂化分馏塔的精确模型对于降低催化裂化装置的能耗，提高产品收率和经济效益具有重要的意义。

传统的机理建模方法需要凭借先验知识来建立过程的微分方程组模型。由于催化裂化分馏塔是一个具有延迟和耦合的非线性系统，传统的机理建模方法很难对其进行有效的建模。近年来，随着智能控制理论研究的发展，神经网络、遗传算法等被应用于系统辨识中，为催化裂化分馏塔的模型建立开辟了一条崭新的途径。其中，神经网络因其具有逼近任意非线性函数的能力，是具有潜力的化工过程建模新方法。但神经网络本身存在一些缺陷，如网络存在过学习、局部极小、收敛速度慢等问题。

支持向量机的出现，以其良好的理论背景，打破了经验风险最小化原则的局限思维，从结构风险最小化原理出发为复杂过程建模提供了一条新的途径。本发明提出一种变种群规模DNA遗传算法的支持向量机方法，用于催化裂化主分馏塔的建模。其中变种群规模DNA遗传算法用于优化支持向量机参数，得到支持向量机的最优参数，支持向量机用于逼近过程的非线性特性。本发明具有良好的建模精度，可克服传统机理建模方法存在的局限性。

发明内容

本发明的目的是针对现有技术的不足，提出一种变种群规模DNA遗传算法的催化裂化主分馏塔建模方法。

变种群规模DNA遗传算法的催化裂化主分馏塔建模方法的步骤如下：

1)通过现场操作或实验采样获得催化裂化主分馏塔的输入输出数据作为建模数据，输入数据包括顶循流量Q₁、一中流量Q₂和二中流量Q₃，输出数据包括塔顶温度t₁、粗汽油干点t₂和轻柴油倾点t₃；

2)设定变种群规模DNA遗传算法运行的参数：最大进化代数G_max，初始种群规模N，置换交叉概率p_c1，转位交叉概率p_c2，普通变异概率p_m以及菌群耐药性启发的变异操作概率p_ms，支持向量机参数(C，σ，ε)的取值范围和编码长度l，其中C为支持向量机的惩罚系数，σ为RBF核参数，ε为不敏感函数宽度；

3)设定变种群规模DNA遗传算法的终止准则为：变种群规模DNA遗传算法运行代数达到最大进化代数G_max；

4)使用建模数据训练支持向量机，将建模数据随机分为数量相等的A和B两部分，使用A部分数据训练支持向量机，B部分数据作为测试样本得到均方差Ma，再用B部分数据训练支持向量机，B部分数据作为测试样本得到均方差Mb，将均方差M＝Ma+Mb作为变种群规模DNA遗传算法的目标函数，运行变种群规模DNA遗传算法，最小化目标函数，优化支持向量机参数(C，σ，ε)；

5)变种群规模DNA遗传算法运行到最大代数，对最优解进行解码，得到支持向量机的最优参数，将该最优参数代入并用建模训练支持向量机，获得催化裂化主分馏塔的非参数模型。

所述步骤4)为：

(1)随机生成包含N个长度为L的DNA序列的初始种群，每一个DNA序列代表支持向量机的一组参数(C，σ，ε)的可能解，每个参数均由字符集{0，1，2，3}编码为一个长度为l的DNA子序列，支持向量机参数个数为3，因此一个DNA序列的编码长度为L＝3×l，设置种群最优解连续无更新代数β＝0；

(2)将种群中的DNA序列解码为支持向量机参数，将该参数代入支持向量机，并且用建模数据训练支持向量机，以均方差M作为目标函数；

(3)计算种群中每个个体的适应度值，并按照适应度值的大小对种群进行划分，适应度值大的N/2个体组成优势群体，适应度值小的N/2个体构成劣势群体，设Ncnew为经交叉操作产生的新个体数目，其初始值为0；

(4)对种群中个体执行交叉操作直至Ncnew＞0.5N；

(5)对种群中个体执行受菌群耐药性启发的变异操作和普通操变异操作；

(6)对种群中个体执行选择操作，同时将当代最优个体与上代最优个体进行比较，如果两者相同，β＝β+1，否则β＝0；

(7)根据β的值判断是否增加种群规模；