專(zhuān)利名稱(chēng)：一種紙漿間歇蒸煮參數(shù)優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及多目標(biāo)優(yōu)化技術(shù)，尤其涉及一種紙漿間歇蒸煮參數(shù)優(yōu)化方法。
背景技術(shù)：
多目標(biāo)優(yōu)化問(wèn)題的描述如下給定決策向量X = (X1, X2,…，Xn)，它滿(mǎn)足下列約 束gi (X)彡 0(i = 1，2，…，k)^ (X) = 0(i = 1，2，…，1)設(shè)有r個(gè)優(yōu)化目標(biāo)，且這r個(gè)目標(biāo)是相互沖突的，優(yōu)化目標(biāo)可表示為f (X) = (X)，f2 (X)，...，fr (X))尋求Is =(χ:，χ:,···,χ；；)，使f (χ*)在滿(mǎn)足約束的條件下同時(shí)達(dá)到最優(yōu)。許多科學(xué)研究或工程應(yīng)用上的優(yōu)化問(wèn)題都是多目標(biāo)優(yōu)化問(wèn)題，幾個(gè)目標(biāo)之間往往 是相互沖突的，沒(méi)有絕對(duì)的或者說(shuō)唯一的最好解。為了達(dá)到總體目標(biāo)的最優(yōu)化，通常需要 對(duì)相互沖突的子目標(biāo)進(jìn)行綜合考慮。遺傳算法(Geneticalgorithm，GA)是一種模擬自然 選擇和生物進(jìn)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(fù)雜的非 線(xiàn)性問(wèn)題而得到了廣泛應(yīng)用。多目標(biāo)遺傳算法以遺傳算法為基礎(chǔ)，處理多目標(biāo)優(yōu)化問(wèn)題。 NSGA-II (Fast ElitistNon-Dominated Sorting Genetic Algorithm)就是一種典型的多目 標(biāo)遺傳算法，因其良好的收斂性和多樣性而得到越來(lái)越多的重視。NSGA-II的優(yōu)點(diǎn)在于算法 無(wú)參數(shù)，容易實(shí)現(xiàn)，在處理低維問(wèn)題時(shí)，算法的運(yùn)行效率高，解集有良好的分布性。缺點(diǎn)在于 處理高維問(wèn)題上，解集的收斂性和多樣性不是很好。間歇蒸煮參數(shù)優(yōu)化問(wèn)題是一個(gè)多目標(biāo)優(yōu)化問(wèn)題，我們希望紙漿質(zhì)量高、得率高、蒸 煮配方消耗少、蒸汽能耗少。但是，這幾個(gè)目標(biāo)之間是相互影響、相互制約的，怎么對(duì)這些目 標(biāo)進(jìn)行尋優(yōu)和取舍？國(guó)內(nèi)外一些學(xué)者對(duì)這個(gè)課題進(jìn)行了研究，建立的kappa值模型有機(jī)理 模型、回歸模型、神經(jīng)網(wǎng)絡(luò)模型等。支持向量機(jī)(Support Vector Machine, SVM)作為一種 新型的學(xué)習(xí)機(jī)器，拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單，與kappa值機(jī)理模型相比，模型的復(fù)雜度低；與回歸模型 和神經(jīng)網(wǎng)絡(luò)模型相比，模型的泛化能力強(qiáng)、提供全局最優(yōu)解。國(guó)內(nèi)外采用的優(yōu)化方法有非線(xiàn) 性規(guī)劃法、均勻取值法、降維分析法、模糊邏輯決策法、分層優(yōu)化法等等。但是沒(méi)有文獻(xiàn)將所 有主要可變參數(shù)集中起來(lái)一起研究，一般是將其中幾個(gè)參數(shù)固定，然后對(duì)其他幾個(gè)參數(shù)進(jìn) 行尋優(yōu)，這樣得到的最優(yōu)解未必是真正的最優(yōu)解。比如，肖蘭等于1998年在浙江大學(xué)學(xué)報(bào) (自然科學(xué)版)發(fā)表的《基于過(guò)程建模與優(yōu)化技術(shù)的清潔生產(chǎn)策略》根據(jù)回歸化后的模型， 用非線(xiàn)性規(guī)劃的方法對(duì)蒸煮時(shí)間和有效堿濃度尋優(yōu)，但是沒(méi)有考慮蒸煮的其它參數(shù)；鄢烈 祥等于2000年在中國(guó)造紙學(xué)報(bào)上發(fā)表的《神經(jīng)網(wǎng)絡(luò)降維分析法用于制漿蒸煮工藝條件的 優(yōu)化》用神經(jīng)網(wǎng)絡(luò)降維分析法生成紙漿得率和硬度的等值線(xiàn)，由此確定出控制紙漿硬度在 一定范圍內(nèi)而紙漿得率較高的操作區(qū)域，但是這種方法比較粗糙；金福江于2001年在華僑 大學(xué)學(xué)報(bào)(自然科學(xué)版)上發(fā)表的《制漿生產(chǎn)蒸煮過(guò)程多目標(biāo)優(yōu)化控制》對(duì)連續(xù)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(duì)其進(jìn)行優(yōu)化，但是沒(méi)有考慮有效堿濃度、硫化度等，且對(duì)模型做了大量簡(jiǎn)化。

發(fā)明內(nèi)容
本發(fā)明的目的在于根據(jù)蒸煮的實(shí)際情況，建立了一個(gè)全面的優(yōu)化模型，并根據(jù)該 模型的特點(diǎn)以及NSGA-II的缺點(diǎn)，提供一種紙漿間歇蒸煮參數(shù)優(yōu)化方法，既能保證最優(yōu)解 的多樣性，又能保證解的收斂性，從而增強(qiáng)了整個(gè)算法的局部尋優(yōu)和全局搜索能力。本發(fā)明采用的技術(shù)方案的方法步驟如下1)建立了一個(gè)全面的多參數(shù)多目標(biāo)優(yōu)化模型將白液濃度、白液用量、黑液用量、硫化度、蒸煮時(shí)間、蒸煮溫度六個(gè)蒸煮參數(shù)集中 一起作為尋優(yōu)變量，考慮了紙漿的質(zhì)量目標(biāo)、得率目標(biāo)、蒸汽能耗目標(biāo)和白液用量目標(biāo)；充 分利用了現(xiàn)場(chǎng)真實(shí)數(shù)據(jù)，建立了 kappa值的SVM模型、得率的回歸模型和蒸煮能耗的機(jī)理模 型，描述了尋優(yōu)變量和目標(biāo)函數(shù)的關(guān)系；2)運(yùn)用了改進(jìn)的NSGA-II對(duì)多參數(shù)多目標(biāo)優(yōu)化模型進(jìn)行優(yōu)化在NSGA-II的基礎(chǔ)上，引進(jìn)了一種新的適應(yīng)度評(píng)價(jià)機(jī)制；融入了自適應(yīng)交叉變異 算子；加入外來(lái)種群遷入機(jī)制；采用了一種簡(jiǎn)易的約束處理方法，直接將不滿(mǎn)足約束條件 的個(gè)體置于最后一層非支配層，讓其在進(jìn)化中以較大概率被淘汰，節(jié)約算法的運(yùn)行時(shí)間。所述新的適應(yīng)度評(píng)價(jià)機(jī)制在NSGA-II的基礎(chǔ)上，用一個(gè)參數(shù)描述了個(gè)體的非支 配關(guān)系和偏序關(guān)系兩個(gè)量，它將個(gè)體的適應(yīng)度用一個(gè)帶小數(shù)點(diǎn)的實(shí)數(shù)來(lái)表示，整數(shù)部分表 示個(gè)體的非支配關(guān)系，小數(shù)部分表示個(gè)體的擁擠度關(guān)系，即fitness (χ) = rank (χ)+Q (χ)其中，fitness (χ)是個(gè)體的χ的適應(yīng)度，rank (χ)是個(gè)體的χ的非支配排序?qū)訑?shù)， Q (χ)是描述其擁擠度的量，Q (χ) = e"aXdsi tance(x)dis tan ce (χ)是個(gè)體χ的擁擠度，Q(x)將dis tan ce (χ)的范圍從
縮 小到W，l]區(qū)間，a是一個(gè)常數(shù)，a的選取和目標(biāo)函數(shù)的范圍及擁擠度有關(guān)；所述融入自適應(yīng)交叉變異算子=NSGA-II的基礎(chǔ)上，采用Srinvivas提出的自適應(yīng) 交叉變異算子；所述加入外來(lái)種群遷入機(jī)制=NSGA-II的算法框架中，加入外來(lái)種群遷入這一環(huán) 節(jié)，每隔一定的進(jìn)化代數(shù)，加進(jìn)一批新的外來(lái)種群參加進(jìn)化，避免陷入局部最優(yōu)解。本發(fā)明的有益效果是建立了一個(gè)比較全面的蒸煮參數(shù)優(yōu)化模型，考慮了紙漿質(zhì)量、紙漿得率、蒸汽能 耗、白液用量四個(gè)優(yōu)化目標(biāo)，以及影響這四個(gè)目標(biāo)的六大主要因素。采用的改進(jìn)的NSGA-II 優(yōu)化方法在處理高維優(yōu)化問(wèn)題上，提高了算法的收斂性和全局最優(yōu)性。本方法應(yīng)用于間歇 蒸煮多參數(shù)多目標(biāo)優(yōu)化問(wèn)題上，能夠達(dá)到節(jié)能降耗的目的。


圖1是間歇蒸煮的工藝流程圖。圖2是改進(jìn)的NSGA-II的方法流程圖。
具體實(shí)施例方式下面詳細(xì)述說(shuō)本發(fā)明的實(shí)施方式。一、建立間歇蒸煮多參數(shù)多目標(biāo)優(yōu)化模型將白液濃度、白液用量、黑液用量、硫化度、蒸煮時(shí)間、蒸煮溫度六個(gè)蒸煮參數(shù)集中 一起作為尋優(yōu)變量，考慮了紙漿的質(zhì)量目標(biāo)、得率目標(biāo)、蒸汽能耗目標(biāo)和白液用量目標(biāo)；充 分利用了現(xiàn)場(chǎng)真實(shí)數(shù)據(jù)，建立了 kappa值的SVM模型、得率的回歸模型和蒸煮能耗的機(jī)理模 型，描述了尋優(yōu)變量和目標(biāo)函數(shù)的關(guān)系。間歇蒸煮參數(shù)優(yōu)化問(wèn)題是一個(gè)多目標(biāo)優(yōu)化問(wèn)題，希望在保證紙漿質(zhì)量的同時(shí)，盡 量提高得漿率、降低蒸汽能耗、節(jié)約白液用量。圖1是間歇蒸煮的工藝流程圖，蒸煮開(kāi)始前， 木片從蒸煮鍋的頂部加入，蒸煮藥液從蒸煮鍋的底部送入，然后對(duì)蒸煮鍋通入蒸汽進(jìn)行加 熱，蒸煮期間蒸煮藥液一直循環(huán)通入和輸出蒸煮鍋，直到蒸煮完畢，最后，紙漿從蒸煮鍋的 底部噴出。影響蒸煮紙漿質(zhì)量、得漿率、蒸汽能耗的因素有很多，比如原料的品種和質(zhì)量、白 液濃度、白液用量、黑液用量、硫化度、蒸煮時(shí)間、蒸煮溫度等等。我們考慮后六個(gè)蒸煮參數(shù) 作為主要的蒸煮參數(shù)，建立起一個(gè)全面的蒸煮優(yōu)化模型。下面針對(duì)硫酸鹽法間歇蒸煮，對(duì)每 個(gè)優(yōu)化目標(biāo)一一進(jìn)行闡述。l.kappa 值最小紙漿的kappa是反映紙漿質(zhì)量的一個(gè)物理量，生產(chǎn)不同的紙張需要有不同的 kappa值。kappa值和紙漿的得率是一對(duì)相互影響的量，kappa值越大，則得率越高，但紙漿 質(zhì)量越差，反過(guò)來(lái)，kappa值越小，紙漿質(zhì)量越好，而得率卻變差。我們將紙漿質(zhì)量要求作為 優(yōu)先考慮的目標(biāo)，所以我們將kappa值限定在kappajower到kappa_upper之間，以滿(mǎn)足特 定樹(shù)種特定紙張的紙漿質(zhì)量要求。當(dāng)kappa值在這個(gè)范圍外時(shí)，就直接將該kappa值對(duì)應(yīng) 的解放于最后一個(gè)Pareto層，讓其在進(jìn)化中盡快被淘汰，以減小算法的尋優(yōu)空間，從而減 小算法運(yùn)行時(shí)間。對(duì)于kappa值在kappa_lower到kappa_upper之間的解，也希望能從中 找到最小的kappa值，以提高紙漿質(zhì)量。所以第一個(gè)優(yōu)化目標(biāo)是希望kappa值在規(guī)定范圍 內(nèi)最小，即fj = min (kappa)kappa_lower ^ kappa ^ kappa_upper影響kappa值的因素有白液濃度、硫化度、白液用量、黑液用量、蒸煮時(shí)間和蒸煮 溫度。因此，可應(yīng)用支持向量機(jī)原理，采用日常生產(chǎn)數(shù)據(jù)，對(duì)kappa值建立一個(gè)準(zhǔn)確的非線(xiàn) 性模型。kappa = svm(fflc, S, ffld, Bid, td, Td)其中，Wlc為白液濃度(White Liquid Concentration)，S為硫化度，Wld為白液 用量(White Liquid dosage)，Bla 為黑液用量(Black Liquid dosage)，td 為蒸煮時(shí)間，Td 為蒸煮溫度。2.紙漿得率高根據(jù)1986年中國(guó)林業(yè)出版社出版的《木材制漿工藝學(xué)》，紙漿得率可由下式得到Y(jié) = A-Blg(H) (EA)n其中，Y是紙漿得率；Α、Β和η是常數(shù)，不同的樹(shù)種有不同的系數(shù)，可以用現(xiàn)場(chǎng)數(shù)據(jù) 回歸得到；EA是有效堿濃度(％ ) ；H是H因子，可由下式得到
權(quán)利要求
一種紙漿間歇蒸煮參數(shù)優(yōu)化方法，其特征在于該方法的步驟如下1)建立了一個(gè)全面的多參數(shù)多目標(biāo)優(yōu)化模型將白液濃度、白液用量、黑液用量、硫化度、蒸煮時(shí)間、蒸煮溫度六個(gè)蒸煮參數(shù)集中一起作為尋優(yōu)變量，考慮了紙漿的質(zhì)量目標(biāo)、得率目標(biāo)、蒸汽能耗目標(biāo)和白液用量目標(biāo)；充分利用了現(xiàn)場(chǎng)真實(shí)數(shù)據(jù)，建立了kappa值的SVM模型、得率的回歸模型和蒸煮能耗的機(jī)理模型，描述了尋優(yōu)變量和目標(biāo)函數(shù)的關(guān)系；2)運(yùn)用了改進(jìn)的NSGA II對(duì)多參數(shù)多目標(biāo)優(yōu)化模型進(jìn)行優(yōu)化在NSGA II的基礎(chǔ)上，引進(jìn)了一種新的適應(yīng)度評(píng)價(jià)機(jī)制；融入了自適應(yīng)交叉變異算子；加入外來(lái)種群遷入機(jī)制；采用了一種簡(jiǎn)易的約束處理方法，直接將不滿(mǎn)足約束條件的個(gè)體置于最后一層非支配層，讓其在進(jìn)化中以較大概率被淘汰，節(jié)約算法的運(yùn)行時(shí)間。
2.根據(jù)權(quán)利要求1所述的一種紙漿間歇蒸煮參數(shù)優(yōu)化方法，其特征在于所述新的適應(yīng)度評(píng)價(jià)機(jī)制在NSGA-II的基礎(chǔ)上，用一個(gè)參數(shù)描述了個(gè)體的非支配關(guān) 系和偏序關(guān)系兩個(gè)量，它將個(gè)體的適應(yīng)度用一個(gè)帶小數(shù)點(diǎn)的實(shí)數(shù)來(lái)表示，整數(shù)部分表示個(gè) 體的非支配關(guān)系，小數(shù)部分表示個(gè)體的擁擠度關(guān)系，即fitness(χ) = rank(χ)+Q(χ)其中，fitness (χ)是個(gè)體的χ的適應(yīng)度，rank (χ)是個(gè)體的χ的非支配排序?qū)訑?shù)，Q (χ) 是描述其擁擠度的量，q(X) __dis tan ce(χ)dis tance (χ)是個(gè)體χ的擁擠度，Q (χ)將dis tan ce (χ)的范圍從
縮小到
區(qū)間，a是一個(gè)常數(shù)，a的選取和目標(biāo)函數(shù)的范圍及擁擠度有關(guān)；所述融入自適應(yīng)交叉變異算子=NSGA-II的基礎(chǔ)上，采用Srinvivas提出的自適應(yīng)交叉 變異算子；所述加入外來(lái)種群遷入機(jī)制=NSGA-II的算法框架中，加入外來(lái)種群遷入這一環(huán)節(jié)，每 隔一定的進(jìn)化代數(shù)，加進(jìn)一批新的外來(lái)種群參加進(jìn)化，避免陷入局部最優(yōu)解。
全文摘要
本發(fā)明公開(kāi)了一種紙漿間歇蒸煮參數(shù)優(yōu)化方法，該方法的步驟如下建立了一個(gè)全面的多參數(shù)多目標(biāo)優(yōu)化模型將白液濃度、白液用量、黑液用量、硫化度、蒸煮時(shí)間、蒸煮溫度六個(gè)蒸煮參數(shù)集中一起作為尋優(yōu)變量，考慮了紙漿的質(zhì)量目標(biāo)、得率目標(biāo)、蒸汽能耗目標(biāo)和白液用量目標(biāo)；運(yùn)用了改進(jìn)的NSGA-II對(duì)多參數(shù)多目標(biāo)優(yōu)化模型進(jìn)行優(yōu)化在NSGA-II的基礎(chǔ)上，引進(jìn)了新的適應(yīng)度評(píng)價(jià)機(jī)制，融入了自適應(yīng)交叉變異算子，加入外來(lái)種群遷入機(jī)制，采用了一種簡(jiǎn)易的約束處理方法。本發(fā)明應(yīng)用于間歇蒸煮多參數(shù)多目標(biāo)優(yōu)化問(wèn)題上，全面考慮了蒸煮參數(shù)影響，在處理高維優(yōu)化問(wèn)題上，提高了算法的收斂性和全局最優(yōu)性，能夠達(dá)到節(jié)能降耗的目的。
文檔編號(hào)D21C7/12GK101949104SQ20101029533
公開(kāi)日2011年1月19日 申請(qǐng)日期2010年9月27日 優(yōu)先權(quán)日2010年9月27日
發(fā)明者楊春節(jié), 沈正華 申請(qǐng)人:浙江大學(xué)