基于自适应采样算法的芳烃异构化代理模型

发布时间：2021-10-12 17:12

　　异构化是芳烃生产中的重要环节,提高异构化环节的建模和优化效率对工业生产有着重要意义。但是,直接使用机理模型的优化过程耗时较长,优化效率低。代理模型可以有效地对机理模型进行近似,而代理模型采样方法对模型精度有很大影响。提出了一种新的基于稀疏度和最邻近期望的自适应采样算法,该方法可以平衡全局搜索和局部搜索,通过求解优化问题找到反映函数关键信息的新采样点,再加入原始样本集中,使得代理模型精度不断提高。多个测试函数结果表明,相比于其他自适应采样算法,该算法能有效提升代理模型精度和建模效率。该算法在芳烃异构化环节代理模型中也得到了有效验证,与本文中其他算法对比,该算法模型误差减少5%以上,建模时间缩短30%以上。 

【文章来源】：化工学报. 2020,71(02)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

稀疏度计算流程图

整个流程的关键就是步骤（3）中如何找到反映原始函数关键信息的采样点。在搜索新采样点过程中代理模型应与原始适应度函数一起使用[30]。新采样点一方面要考虑全局信息，即新采样点应该在采样点稀疏的空间内，以保证代理模型在整个搜索空间的泛化性，同时要考虑响应值的局部信息，即波动较大的区域应该有较多的采样点以保证代理模型在此区域的准确性，本文根据稀疏度和最邻近期望的乘积最大来寻找新采样点。稀疏度Sparsity负责控制全局搜索，最邻近期望NNE负责局部关键信息搜索。R为采样空间定义域。初始样本点通过拉丁超立方采样获得，终止条件为新增采样点个数达到设定值。使用模式搜索法[31]求解式(9)。考虑到搜索过程中需要计算欧式距离，但是实际应用中，很多情况下不同维的数据的量纲不同时，欧式距离可能会有较大误差，所以在构建代理模型前，将所有数据根据采样空间的上下限进行归一化，这样保证欧式距离的计算不会受到量纲的影响。具体流程如图3所示。

初始采样点20，新增采样点80，通过ASSA-SNN得到的样本点分布如图4 PK函数采样点分布情况所示，可以看出在新增的采样点主要集中在上下两个极值点附近，而其余较为平坦的区域采样点较少。使用均方根误差（root mean square error,RMSE）来对算法的精度进行评估，RMSE表达式为图4 PK函数采样点分布情况

【参考文献】：
期刊论文
[1]基于新型自适应采样算法的催化重整过程代理模型[J]. 张剑超,杜文莉,覃水.  华东理工大学学报(自然科学版). 2019(06)
[2]Kriging模型及代理优化算法研究进展[J]. 韩忠华.  航空学报. 2016(11)
[3]基于bootstrap GEI算法的碳二加氢反应器代理模型[J]. 段星辰,杜文莉.  化工学报. 2015(12)
[4]基于Kriging的差分进化算法及其在苯乙烯流程优化中的应用[J]. 王晓强,罗娜,叶贞成,钱锋.  化工学报. 2013(12)
[5]工业异构化反应器建模及仿真[J]. 徐欧官,傅永峰,陈祥华.  化工学报. 2011(08)

硕士论文
[1]二甲苯异构化反应器的模拟研究[D]. 刘祥荣.北京化工大学 2010



本文编号：3432984