基于演化轨迹特征规划的化学反应过程动态多目标优化方法研究

With the development of evolutionary computation, it provides a powerful solution for solving complex optimization problems. However, there are still some issues to be further studied when applied to solve multi-objective optimization in dynamic environment. This project intends to incorporate intelligent control, multivariate statistics and machine learning technology into differential evolution algorithm and then designs a general approach for dynamic multi-objective optimization. First, an environmental changing detection mechanism is designed according to the local distribution of the Pareto optimal solutions and evolution trajectory of population solutions when time changes. Moreover, environmental changing features are also analyzed. Next, a prediction mechanism and a local search operator are established based on environmental changing features and population evolution trajectories for main population, which improve the adaptability of the algorithm when the environment changes. Then, multivariate statistical analysis is carried on the distribution of the population and the solution qualities, and a self-learning mechanism is established for differential evolution algorithm’s trial vector generation strategies and control parameters, which improve the exploration and exploitation abilities. Last, the proposed approach is applied to solve p-xylene oxidation process operation optimization problem. This project is expected to develop new approaches with self-learning mechanism for dynamic multi-objective optimization and chemical oxidation process operation optimization problems. At the same time, this will help to enrich the theoretical foundation of dynamic multi-objective optimization and also extend the application areas of evolution algorithm.

随着对进化算法研究不断深入，为处理复杂优化问题提供了有力解决方案，但用其求解动态多目标优化问题时，仍存在一定的局限性，有待进一步深入研究。项目拟将智能控制、统计分析、机器学习等技术引入差分进化算法，设计具有较强通用性的动态多目标优化算法。首先根据帕累托最优解局部分布特征和群体过程演化轨迹特征，设计环境变化监测机制，并进一步分析环境变化特征。然后基于环境变化特征和演化轨迹建立最优解潜在位置的预测机制和局部搜索策略，增加算法对新环境变化的适应性。对种群分布和解质量特征进行多元统计分析，建立多目标差分进化算法控制参数和进化策略自学习机制，增强搜索算子的探索和开发性能。最后将设计的动态多目标优化算法用于对二甲苯氧化过程操作优化。本项目有望探索一套求解动态多目标优化问题的差分进化算法，并为化学反应过程操作优化提供一套切实可行的优化方案，同时有助于丰富动态多目标优化的理论基础，扩展进化算法的应用领域。

随着对进化算法研究不断深入，为处理复杂优化问题提供了有力解决方案。在项目的支持下，对动态多目标优化问题求解展开研究。分析了动态优化过程关键环节，并针对各环节，在参数控制、约束优化、多目标优化以及动态优化等方面展开研究，提出了一系列对应的求解方案。此外还积极针对工程优化问题特别是化工过程优化问题，进行了应用探讨，取得了一些研究成果，主要有：.（1）研究了差分进化算法进化策略及其控制参数对算法搜索性能的影响。针对常规单一变异策略，提出了基于演化过程特征信息规划的多进化策略思路和控制参数自适应调整方案。针对传统进化算子存在的问题，提出了概率选择模型，并应用于差分进化算法的变异算子和交叉算子。.（2）研究了进化约束优化过程中进化策略与控制参数对算法性能的影响。针对复杂约束优化问题，提出了基于演化过程信息规划的多进化策略思路和控制参数调整方案。针对传统差分变异算子在求解约束优化问题时存在的局限性，基于历史演化信息和当前群体质量，提出了基于辅助种群和协作等级排序机制的差分变异策略。.（3）研究了多目标优化过程中选择操作对算法性能的影响，提出了基于混合多模式的多目标进化选择操作。针对常规差分变异算子在求解约束多目标优化问题时存在的局限性，对演化过程中部分优秀非可行个体进行存档，并用于指导生成新的个体，进而提出了基于非可行信息引导的变异策略。.（4）研究了基于差分进化算法的动态多目标优化方法，基于主群体个体在历史演化过程解质量变化程度，提出了对应的环境变化监测机制，采用基于权重方向预测与非支配邻域变异相结合的策略应对环境变化，同时采用基于目标分解的多目标搜索框架进行优化求解。.通过项目研究，培养硕士生3名，发表相关论文13篇，这些论文主要发表在进化计算和化学工程领域相关期刊。