基于交叉驗證和Voronoi圖的煤氣化過程優(yōu)化

張志華,白金鋒,周 洋,李紹軍

(1.遼寧科技大學 化學工程學院,遼寧 鞍山114051;2.遼寧科技大學 電子與信息工程學院,遼寧 鞍山114051;3.華東理工大學 信息科學與工程學院,上海200237)

1 前 言

煤氣化技術是實現(xiàn)煤炭清潔高效利用的重要途徑。對煤氣化過程的優(yōu)化，可以挖掘和提升氣化裝置生產潛能，對工業(yè)實際應用具有重要意義。Aspen Plus[1-2]和Fluent 等仿真軟件[3-4]常用于煤氣化反應過程研究，但其高精度尋優(yōu)過程卻是計算昂貴的問題。目前，代理模型輔助進化算法(surrogate-assisted evolutionary algorithms，SAEAs)已經廣泛用于昂貴問題優(yōu)化中，在化工過程仿真模擬優(yōu)化中逐漸被研究者關注[5]。基于代理模型的優(yōu)化，訓練樣本點選取是一個關鍵因素。因此，在有限計算成本下采樣策略的構建成為SAEAs的研究重點。

最簡單、直接的采樣策略是選擇當前代理模型預測的最好解加入訓練數(shù)據(jù)集[6]，改善當前最優(yōu)解的精度，也就是局部開發(fā)[7]。局部開發(fā)的采樣準則更多集中在局部區(qū)域尋找最優(yōu)解，如采用信賴域法[8]、序列二次規(guī)劃法[9]等。另一種采樣策略是全局探索，通過搜尋未探索區(qū)域選擇當前代理模型的最不確定點，跳出局部最優(yōu)，有效提高代理模型精度[7]。在最不確定的樣本點選擇中，常以均方誤差(mean squared error,MSE)[10-11]、采樣點和已知點之間距離函數(shù)[12-15]最大為目標選擇采樣點。Xu 等[16]基于Voronoi 圖，根據(jù)誤差和距離選擇樣本點，對低維度(維度d≤10)問題獲得較好的最優(yōu)解。Wang 等[17]基于委員會的主動學習方法，以不同代理模型之間預測偏差最大的樣本點作為最不確定的點，有效地解決了復雜高維問題(d=20，30)，但在低維度問題(d=10)上不具優(yōu)勢。……