遗传算法在换热器网络综合中的研究进展

2014-04-29徐菡玲

中国电子商情 2014年6期

徐菡玲

引言：在换热网络综合问题的研究中，近三十年来，众多研究者提出了多种方法来寻优，而1975年Holland出版了遗传算法专著之后,遗传算法吸引了大量研究者和探索者,并在工程中得到了广泛应用。90年代开始，国内多个研究者在换热网络的相关研究中都涉及到了遗传算法，本文回顾一些国内近二十年来遗传算法及其改进算法等在换热器网络综合中的研究进展。

一、遗传算法在国内的早期研究

目前已经开发出多种换热网络综合方法,如启发式经验规则法、夹点技术法、数学规划法等。这些方法各有其优缺点，如启发式经验规则法不能保证一次得到最优解，但可以使系统逐步优化。夹点技术法应用广泛，但也有其弱点：对于给定的HRAT，为满足最小能耗目标，不允许能量跨越夹点，因而最小能耗的初始网络可能有较多单元；为得到最少投资费用的网络，要进行能量松弛，减少单元数，这又造成能量跨越夹点。利用数学规划方法求解,由于算法制约和组合方案太多,模型需要简化,求解过程中要排除大量非可行解,速度慢。

遗传算法(genetic algorithms,简称GA)由J.Holland于1975年受生物进化论启发提出,GA属于一类随机优化算法,但它并非是简单的随机比较搜索,GA通过对染色体的评价和对染色体基因的作用,有效地利用已有信息来指导改善状态。GA有隐含并行性和全局空间搜索的显著特点。通过3个基本算子选择、交叉、变异,GA就能找到最优解,适应度作为个体优劣的唯一评价指标,表示个体对环境的使用能力。

为克服这些方法存在的局限性,1996年王克峰[1]等的论文中采用遗传算法,对无分流换热网络综合问题提出改进的优化模型及优化策略。该方法不仅能够自动、迅速地得到换热网络的结构与参数,而且具有获得全局最优解的能力。文中通过实例，检验了模型以及所用算法的可靠性和有效性。

二、遗传算法与其他方法结合的研究

（一）模拟退火算法与遗传算法

遗传算法和模拟退火算法都是求解大规模组合优化问题的随机性方法。模拟退火算法来源于固体退火原理,将固体加温至充分高,再让其慢慢冷却,加温时,固体内部粒子随温升变为无序状,内能增大,而渐渐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温达到基态,内能减为最小。但目前这些方法都不能很好地解决复杂的换热网络问题。

针对遗传算法与模拟退火算法具有的特征和存在的问题,1998年方海鹏等[2]构造了新的算法——改进的遗传模拟退火算法,它具备两者的优点而克服其缺点。首先,通过对国际上检验数值优化算法性能的著名测试函数的数值计算表明,此算法收敛速度比传统遗传算法和模拟退火算法快得多,有更强的获得全局最优解的能力。其次,对优化变量和约束条件有数千个的大规模换热网络综合问题的计算,也表明了此算法更为有效。最后,还计算了有12000个优化变量、18330个约束条件的实际换热网络综合问题,其中热流股数为50,冷流股数为60。

该方法通过引入相似度和生存期的概念对一般的遗传算法进行了改进,并将改进的遗传算法和模拟退火算法进行了有效的结合。数值计算结果表明,该方法既有较快的收敛速度,又具有更强的获得全局最优解的能力。

多流股换热器网络是一种新型的换热器网络，与双流股换热器相比，多流股换热器以其高效率、结构紧凑及投资低在气体加工和石油化工等一些过程工业中有着广泛的应用，但有关多流股换热器网络综合问题的数学模型及求解技术研究很有限。

传统的基于梯度的搜索方法在处理多流股换热器网络综合问题时由于计算规模庞大，且极易陷于局部最优解而不再适用,而遗传算法却为解决这类问题提供了很有希望的一个方向。2003年魏关锋等[3]][4]对遗传算法求解多流股换热网络综合问题进行了研究，建立了带有多流股换热器的换热网络综合数学模型,介绍了针对该问题的遗传算法算子设计的方法和策略,详细讨论了应用遗传算法求解多流股换热器网络综合问题的过程，并结合工程实例，证明了遗传模拟退火算法进行多流股换热器网络综合的方法是有效的,可以应用于中等规模的生产实践过程中。

2005年方海鹏等[5]建立了改进的遗传算法——遗传模拟退火算法,并通过换热网络综合优化的实例进行了计算验证。在研究遗传算法和模拟退火算法的基础上,对遗传算法的算子进行了改进,有效防止了过早收敛的缺陷,并与模拟退火算法相结合,从而加速了后期的收敛速度。建立了较为完善的数学模型,强化了变量约束,有效减少了换热网络的规模,简化了问题。

（二）专家系统与遗传算法

换热网络同步最优综合设计涉及到物流的分流及超结构，有代表性的主要有YEE等[6]提出的换热网络分级超结构形式及Floudas等[7]提出的超结构形式。由于工业上实际的换热网络问题相当复杂,需要考虑的因素很多,而一般换热网络综合方法基本没有考虑对网络优化合成有很大影响的各种工程因素,也没有同时考虑匹配单元的优化;另外所提出的网络超结构形式很复杂,不利于大规模换热网络的最优综合。求解超结构模型必然要求解有关混合整数非线性规划问题,其算法的计算量与问题规模呈指数增长,对于非凸、多峰问题也不能保证获得全局最优解，在换热网络同步合成过程中只能解决无分流的或物流数目较少的问题,使其实际应用受到了限制。

针对上述情形,1996年李志红等[8]提出了一种基于专家系统的网络有分流的超结构模型及换热网络同步最优综合设计方法,并通过遗传算法求解混合整数非线性规划的超结构模型。研究中先通过专家系统确定物流的分流及匹配禁止情况,在此基础上建立了网络有分流的超结构模型;再用遗传算法对上述模型进行求解;最后用分解协调法对网络结构和匹配单元同时进行优化。该法不仅能自动地合成有分流的换热网络的最优流程结构,且能同时满足网络的各种工艺限制条件,并通过某个换热网络的最优合成设计,说明该方法的有效性和应用前景。

（三）双层优化方法与遗传算法

传统的遗传算法只进行个体的优化而忽略了对基因的优化，变异算子也只是在基因的一位或某几位上进行随机的变异，这使得变异算子的效率不高，搜索缺乏很好的导向性匹配优化问题中,一个染色体中必然会有良好的基因,也会有较差的基因,若不加区别地进行变异和杂交，则很容易在下一代中丢失原本良好的匹配,增大搜索到局部最优解的难度。另一方面,一种精密的局部搜索策略虽然具有增大整体算法、发现更好解的能力,但这是以增加算法运行时间为代价的。

为优化设计目标,2005年徐文艳[9]等采用双层优化策略,对换热网络进行了优化设计，提出了一种改进遗传算法与传统数学规划相结合的双层优化方法。该方法针对匹配优化问题的受控变异方法进行局部寻优,即在算法流程中自动识别优良染色体中的优良基因片断并加以保护,以消除原始变异操作的破坏作用,增大局部搜索的方向性。由于设计算法时,受控变异只受限于局部搜索过程,参加局部搜索的染色体最终还要回到大的遗传算法运算中进行演化,所以这种局部寻优不会使整体种群丧失多样性而导致过早收敛。

（四）隔代强制进化遗传算法

针对普通遗传算法及其它优化算法无法保证网络优化质量和效率的缺点,2006年张勤等[10]对遗传算法进行了改进,提出了换热网络隔代强制进化遗传算法。

该方法将换热网络结构信息转化为种群中染色体信息,利用种群的进化实现网络结构的优化,在进化过程中使用隔代强制策略,使种群向更优方向稳步进化,保证各代优化结果的有效性,降低最优群体的生成代数,并利用最优个体保存技术记录优化过程中最佳换热网络结构。

采用此方法对具体换热网络实例进行了优化综合,结果表明:隔代强制进化遗传算法能在网络优化过程中避免早熟收敛而陷入局部最小点的现象,使搜索质量和效率得到有效提高。用隔代强制进化遗传算法对有分流和无分流换热网络进行优化综合,均能获得综合性能良好的网络结构。

参考文献

[1]王克峰,尹洪超.遗传算法最优同步综合换热网络[J].大连理工大学学报,1997,37(1):54-58.

[2]方海鹏,冯恩民,俞红梅,等.改进的遗传模拟退火算法及在换热网络综合中的应用[J].应用基础与工程科学学报,1998,6(1):1-6.

[3]魏关锋.用遗传/模拟退火算法进行具有多流股换热器的换热网络综合[D][D].大连:大连理工大学,2003.

[4]魏关锋,姚平经,罗行.用遗传算法进行多流股换热器网络综合的研究[J].高校化学工程学报,2003,17(4):425-430.

[5]苏文杰,尹洪超,赵亮,张漱荣,孟凡威,周吉利.改进的遗传算法在换热网络综合优化中的应用研究[J].节能技术.2005(05).

[6]Yee T F,GrossmannⅠEetal.Comput Chem Engng,1990,14∶1151.

[7]Floudas C A,Ciric A Retal.AIChE J,1986,32(2):276.