基于偏好预测的多目标演化优化在汽油调和调度中的应用

2025-02-05 Wed
基于偏好预测的进化式多目标优化用于汽油调和调度背景介绍随着全球能源市场的不断变化，汽油的生产和调和工艺面临着越来越多的挑战。汽油作为石油工业的重要产品，其调和和调度过程直接影响产品的质量和生产效率。汽油调和需要根据产品规格和性能要求，将多种组分按不同比例混合，以生产不同等级的汽油。在此过程中，必须满足多项性能指标，例如辛烷值（Octane Number, ON）、里德蒸气压（Reid Vapor Pressure, RVP）、铅含量、硫含量及闪点等。这不仅要求严格的质量控制，还需符合日益严苛的环保法规。
汽油调和和调度本质上是一个多目标优化问题。此类问题具有多个相互冲突的目标，例如提高产品质量、最大化生产效率、减少设备占用率、以及尽量降低生产成本。此外，这一问题还涉及复杂的约束条件和非线性部分，传统的数学规划方法如松弛法、分支定界法及切割平面法均难以全面处理。同时，传统依赖操作员经验的调度方法效率较低且不可靠，迫切需要更智能、更自动化的解决方案。
在这一背景下，基于进化算法的多目标优化（Multiobjective Evolutionary Algorithms, MOEAs）因其强大的复杂问题求解能力成为潜在解决方案。然而，MOEAs在汽油调和调度中的应用仍然面临关键挑战，包括高计算复杂度和决策偏好的有效整合问题。为此，研究团队提出了一种名为“基于偏好预测的进化式多目标优化”（Preference Prediction-Based Evolutionary Multiobjective Optimization, PP-EMO）的新框架。
研究来源这篇论文标题为《Preference Prediction-Based Evolutionary Multiobjective Optimization for Gasoline Blending Scheduling》，由Wenxuan Fang、Wei Du、Guo Yu、Renchu He、Yang Tang和Yaochu Jin等研究者完成。这些作者分别隶属于中国的多所高校和研究机构，包括华东理工大学、南京工业大学、中国石油大学以及西湖大学。论文发表于2025年1月的IEEE Transactions on Artificial Intelligence（Volume 6, Issue 1）。
研究工作流程研究团队对汽油调和调度问题进行了全面的建模和优化，并提出了一套全新的算法框架。以下是论文详细的工作流程及其研究亮点：
1. 建立汽油调和调度模型研究团队首先对汽油调和调度问题进行了建模，提出了基于时间离散的模型。模型假设调和任务在每个固定的时间段开始和结束，将实际的操作划分为多个时间阶段。具体的数学模型包括以下要素：
集合与决策变量：定义了组件罐和产品罐的数量、各自的容量限制及流量限制，设定二元变量以表示组件罐与产品罐在特定时间段的操作状态。
约束条件：包括操作约束（如一个组件罐在同一时间只能向一个产品罐输送油）、需求约束（确保所有产品罐符合需求数量）、容量约束、以及流速约束等。
优化目标：
*最小化调和误差*：通过平方差计算汽油性能属性的偏差，以确保产品质量目标的实现。
*最小化操作成本*：包括管道开启关闭次数及持续运行时间，操作成本模型中还设定了权重参数使结果更符合实际。
模型的构建为后续优化算法的设计提供了理论基础。
2. 提出PP-EMO框架PP-EMO框架主要包含两大操作：基于机器学习的偏好预测和基于偏好的多目标优化算法（Preference-Based Multiobjective Evolutionary Algorithm, PBMOEA）。
偏好预测模型研究团队利用高斯过程（Gaussian Process, GP）模型作为偏好预测工具。GP模型因其非参数性、低计算复杂度及对不确定性的建模能力，成为偏好预测的最佳选择。具体而言，GP模型从历史数据中学习环境变量和参考点之间的映射关系，并结合数值化的不确定性估计，为PBMOEA提供优化参考点。
GP模型的性能通过交叉验证进行了评估，研究结果表明GP模型在映射性能上优于传统的线性回归和支持向量机模型。
优化算法PBMOEA部分基于改进的R-NSGA-II（Reference-Based Nondominated Sorting Genetic Algorithm II）算法。新设计的偏好引导机制通过参考点控制搜索方向，并通过ε参数控制偏好强度。此外，为应对不准确偏好对优化效率的影响，研究者设计了一个基于GP预测不确定性的动态ε调整机制。
3. 仿真实验与验证研究团队从实际中型炼油厂收集数据，以验证PP-EMO的性能。实验任务分为简单、中等和困难三类，涵盖了设备占用率、产品需求以及性能差异的不同复杂程度。以下是实验结果的主要发现：
优化效率：PP-EMO在复杂任务中的表现显著优于传统MOEAs，如NSGA-II和基于深度强化学习的MOEA/D-DQN，尤其是在具备挑战性的任务中。
结果稳健性：相比其他算法，PP-EMO在不同难度任务中的收敛性能和解的可行性表现更为稳定。
运行时间：PP-EMO框架仅比基础NSGA-II算法增加了极少的计算成本，却大幅降低了复杂算法如GMOEA和MOEA/D-DQN的计算时间。
通过对比实验，研究人员表明PP-EMO不仅提高了汽油调和调度的优化能力，还显著缩短了计算时间，展示了其在工业实际应用中的潜力。
研究结论及意义研究结论PP-EMO框架成功地解决了汽油调和调度中的多目标优化挑战。通过机器学习模型预测操作员偏好并转化为优化参数，该框架实现了在约束条件多且优化目标冲突的情况下的高效调度。
实验结果表明，该方法相比没有偏好的传统算法，降低了约25%的操作成本，并减少了约50%的调和误差，尤其是在复杂操作环境中的表现尤为显著。
学术与应用价值学术意义：PP-EMO框架设计了一种低耦合度的进化算法与机器学习方法的结合方式，为优化算法在工业问题中的推广应用提供了新的思路。
应用价值：在汽油需求下降及石油市场竞争日益激烈的背景下，该框架为石油工业提供了一种低成本而高效的生产优化途径。
研究亮点创新性地将GP模型应用于偏好预测，并结合进化算法优化，实现了高效、智能的调度优化。
算法鲁棒性高，在多种生产复杂性场景下均取得了优异表现。
大幅减少了操作成本，为炼油厂的调和调度决策提供了直接支持。
潜在改进与未来方向尽管PP-EMO展示了巨大的潜力，但其在更大规模问题中的表现有待进一步优化。此外，目前方法仅依赖历史数据，未来可以结合优化过程中生成的数据进一步改进偏好预测模型。研究团队还将尝试将此框架推广至其他类似的实际调度优化问题中，从而进一步扩大其适用范围和影响力。