种群分布式并行遗传算法解化工多目标优化问题

doi:10.16085/j.issn.1000-6613.2015.05.009

化工进展 ›› 2015, Vol. 34 ›› Issue (05): 1236-1240.DOI: 10.16085/j.issn.1000-6613.2015.05.009

种群分布式并行遗传算法解化工多目标优化问题

潘欣, 刘海燕, 廖安, 鄢烈祥, 史彬

武汉理工大学化学化工与生命科学学院, 湖北武汉 430070

收稿日期:2014-09-26 修回日期:2014-11-18 出版日期:2015-05-05 发布日期:2015-05-05
通讯作者: 鄢烈祥,教授.E-mailhgxtgc@163.com.
作者简介:潘欣(1989—),男,硕士研究生.
基金资助:
国家自然科学基金(21376185)及国家高技术研究发展计划项目(2011AA02A206).

Solving multi-objective optimization in chemical engineering by using populations distributed parallel genetic algorithm

PAN Xin, LIU Haiyan, LIAO An, YAN Liexiang, SHI Bin

School of Chemistry, Chemical Engineering and Life Sciences, Wuhan University of Technology, Wuhan 430070, Hubei, China

Received:2014-09-26 Revised:2014-11-18 Online:2015-05-05 Published:2015-05-05

摘要/Abstract

摘要： 带精英策略的非支配排序遗传算法(NSGA-II)在与流程模拟软件Aspen Plus结合求解化工多目标优化问题方面耗时较高.为了解决这一问题,本文提出了一种种群分布式的并行遗传算法(populations distributed parallel genetic algorithm,PDPGA),将模拟计算任务分配给局域网的多台子节点计算机并行执行.以氯乙烯精制的多目标优化过程为研究对象,选取氯乙烯采出量最大化和系统总能耗最小化为两个目标,低沸塔和高沸塔的质量回流比、塔顶馏出率和塔压6个操作参数为优化变量.分别应用PDPGA和NSGA-II对上述过程进行优化求解,二者的种群规模均设为70,进化代数均设为70,PDPGA使用1主节点和2子节点共3台计算机.结果表明,与直接应用NSGA-II进行串行优化相比,PDPGA优化方法能充分利用闲置的计算机资源、有效提高解得质量和大幅降低优化计算的时间.

关键词: 算法, 多目标, 优化, 模拟, 并行计算

Abstract: The optimizing method of non dominated sorting genetic algorithm with elitist strategy(NSGA-Ⅱ)combined with process simulation software Aspen Plus has high time consumption in solving multi-objective optimization in chemical engineering. This paper presented a populations distributed parallel genetic algorithm(PDPGA),and assigned the simulated computation tasks to multiple computers in local area network(LAN),in order to optimize a vinyl chloride distillation process. The two optimization objects were the maximum production of vinyl chloride and the minimum total energy,and the six optimization parameters were mass reflux ratio,distillation rate and pressure of the low boiling tower and high boiling tower. The PDPGA and NSGA-Ⅱ were used to solve the problem. The populations and generations of both systems were 70. The results showed that PDPGA was able to fully use idle computers and improve optimizing efficiency and the quality of solutions.

Key words: algorithm, multi-objective, optimization, simulation, parallel computing

中图分类号:

TQ021.8

潘欣, 刘海燕, 廖安, 鄢烈祥, 史彬. 种群分布式并行遗传算法解化工多目标优化问题[J]. 化工进展, 2015, 34(05): 1236-1240.

PAN Xin, LIU Haiyan, LIAO An, YAN Liexiang, SHI Bin. Solving multi-objective optimization in chemical engineering by using populations distributed parallel genetic algorithm[J]. Chemical Industry and Engineering Progree, 2015, 34(05): 1236-1240.

参考文献

[1] 赵博,袁希钢,罗祎青. 考虑环境影响的间歇过程多目标最优化设计[J]. 化工进展,2007,26(2):113-118.

[2] 公茂果,焦李成,杨咚咚,等. 进化多目标优化算法研究[J]. 软件学报,2009,20(2):271-289.

[3] Fonseca C M,Fleming P J. Genetic algorithms for multi-objective optimization:Formulation discussion and generalization[J]. ICGA,1993,93:416-423.

[4] Srinivas N,Deb K. Mutiobjective optimization using non-dominated sorting in genetic algorithms[J]. Evolutionary Computation,1994,2(3):221-248.

[5] Zitzler E,Thiele L. Multi-objective evolutionary algorithms:A comparative case study and the strength Pareto approach[J]. Evolutionary Computation,1999,3(4):257-271.

[6] Knowles J D,Corne D W. Approximating the non-dominated front using the Pareto achived evolution strategy[J]. Evolutionary Computation,2000,8(2):149-172.

[7] Konak A,Coit D W,Smith A E. Multi-objective optimization using genetic algorithms:A tutorial[J]. Reliability Engineering & System Safety,2006,91(9):992-1007.

[8] Deb K,Pratap A,Agarwal S,et al. A fast and elitist multi objective genetic algorithm:NSGA-II[J]. Evolutionary Computation,2002,6(2):182-197.

[9] 俞辉,王超,李丽娟,等. 基于非支配排序遗传算法的乙苯脱氢工艺条件优化[J]. 化工学报,2012,63(9):2771-2776.

[10] 林子雄,鄢烈祥,李骁淳,等. 基于流程模拟器和列队竞争算法的精馏操作优化[J]. 化工进展,2013,32(1):54-58.

[11] Wang D,Feng X. Simulation and multi-objective optimization of an integrated process for hydrogen production from refinery off-gas[J]. International Journal of Hydrogen Energy,2013,38(29): 12968-12976.

[12] Luque G,Alba E. Natural Language Tagging with Parallel Genetic Algorithms[M]. Berlin Heidelberg:Springer,2011:75-89.

[13] 卢海,鄢烈祥,史彬,等. 并行多家族遗传算法解多目标优化问题[J]. 化工学报,2013,64(12):3985-3990.

[14] 谢克家,刘昕,王成良,等. 多核计算环境下改进的主从式并行遗传算法[J]. 微计算机信息,2011,27(3):164-166.

[15] 陈静,侯春阳,金炜阳,等. 乙炔法生产氯乙烯工业反应技术研究进展[J]. 化工进展,2010,29(9):1603-1608.

[16] 张军. 氯乙烯生产工艺中操作参数优化研究[D]. 上海:华东理工大学,2013.

[17] 李群生,于颖,郭增昌. 氯乙烯精馏工艺流程的模拟计算及技术改造[J]. 石油化工,2012(7):820-824.

编辑推荐 0

Metrics

阅读次数

全文

1257

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	1257

来源	本网站	其他网站

次数	190	1067
比例	15%	85%

摘要

1008

最新录用	在线预览	正式出版

0	0	1008

来源	本网站	其他网站

次数	132	876
比例	13%	87%

种群分布式并行遗传算法解化工多目标优化问题

Solving multi-objective optimization in chemical engineering by using populations distributed parallel genetic algorithm

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐 0

Metrics

本文评价

[1]	崔守成, 徐洪波, 彭楠. 两种MOFs材料用于O₂/He吸附分离的模拟分析[J]. 化工进展, 2023, 42(S1): 382-390.
[2]	王正坤, 黎四芳. 双子表面活性剂癸炔二醇的绿色合成[J]. 化工进展, 2023, 42(S1): 400-410.
[3]	徐若思, 谭蔚. C形管池沸腾两相流流场模拟与流固耦合分析[J]. 化工进展, 2023, 42(S1): 47-55.
[4]	张凤岐, 崔成东, 鲍学伟, 朱炜玄, 董宏光. 胺液吸收-分步解吸脱硫工艺的设计与评价[J]. 化工进展, 2023, 42(S1): 518-528.
[5]	孙玉玉, 蔡鑫磊, 汤吉海, 黄晶晶, 黄益平, 刘杰. 反应精馏合成甲基丙烯酸甲酯工艺优化及节能[J]. 化工进展, 2023, 42(S1): 56-63.
[6]	郭强, 赵文凯, 肖永厚. 增强流体扰动强化变压吸附甲硫醚/氮气分离的数值模拟[J]. 化工进展, 2023, 42(S1): 64-72.
[7]	邵博识, 谭宏博. 锯齿波纹板对挥发性有机物低温脱除过程强化模拟分析[J]. 化工进展, 2023, 42(S1): 84-93.
[8]	李梦圆, 郭凡, 李群生. 聚乙烯醇生产中回收工段第三、第四精馏塔的模拟与优化[J]. 化工进展, 2023, 42(S1): 113-123.
[9]	张瑞杰, 刘志林, 王俊文, 张玮, 韩德求, 李婷, 邹雄. 水冷式复叠制冷系统的在线动态模拟与优化[J]. 化工进展, 2023, 42(S1): 124-132.
[10]	王太, 苏硕, 李晟瑞, 马小龙, 刘春涛. 交流电场中贴壁气泡的动力学行为[J]. 化工进展, 2023, 42(S1): 133-141.
[11]	孙继鹏, 韩靖, 唐杨超, 闫汉博, 张杰瑶, 肖苹, 吴峰. 硫黄湿法成型过程数值模拟与操作参数优化[J]. 化工进展, 2023, 42(S1): 189-196.
[12]	王福安. 300kt/a环氧丙烷工艺反应器降耗减排分析[J]. 化工进展, 2023, 42(S1): 213-218.
[13]	陈匡胤, 李蕊兰, 童杨, 沈建华. 质子交换膜燃料电池气体扩散层结构与设计研究进展[J]. 化工进展, 2023, 42(S1): 246-259.
[14]	许友好, 王维, 鲁波娜, 徐惠, 何鸣元. 中国炼油创新技术MIP的开发策略及启示[J]. 化工进展, 2023, 42(9): 4465-4470.
[15]	李春利, 韩晓光, 刘加朋, 王亚涛, 王晨希, 王洪海, 彭胜. 填料塔液体分布器的研究进展[J]. 化工进展, 2023, 42(9): 4479-4495.