化工过程在严格意义上是状态变量随时间的演进、空间的转移而发生改变的动态过程。动态过程由微分方程或差分方程描述,称为动态模型。动态优化就是对动态模型中的操作变量实施控制,使得过程的性能指标达到最优。对于稍许复杂动态优化问题,一般不能得到解析解,通常是在庞特里亚金极大值原理或贝尔曼最佳原理的基础上采用数值方法以分段阶梯函数来逼进最优控制轨线,包括最速下降法、共轭梯度法、动态规划方法等。新型的智能仿生算法在动态优化问题中的应用也逐渐增多。动态规划与智能仿生算法尤其适用于梯度信息不可得的情况。单一的优化方法用于不同情况下的化工动态优化问题未必可行有效,为此本文针对具体情况,提出了多种解法的集成策略。集成策略的基本思想是把原问题分解为一系列的子问题,并采用合适的方法优化之。针对边值无约束且系统的梯度信息不可得的情况,在分析迭代动态规划方法(IDP)和连续仿生算法优劣的基础上提出将迭代思想与遗传操作或蚁群寻优操作相结合,构建迭代遗传算法(IGA)或迭代蚁群算法(IACA)。IGA与IACA将一个连续的问题转化为一系列的离散问题,同时具备IDP和连续仿生算法的优点,无需离散化状态变量,且仅在有限个离散值中寻优,克服了前二者的不足。已成功地将IGA与IACA应用于Lee-Ramirez生物反应器补料流率的优化,运算结果均优于文献值,且收敛更快。针对边值固定的动态优化问题,在分析了罚函数策略不足的基础上提出了分级优化策略。分级优化策略将原问题转化为一系列的边值无约束的问题,包括约束优先的分级优化策略与目标优先的分级优化策略。约束优先的分级优化策略是首先置目标函数于不顾,寻找满足边值固定约束的控制策略,而后在这些策略中控制筛选出最优的。该分级优化策略也能用于有等式约束的静态优化问题。目标优先的分级优化策略是首先置边值固定约束于不顾并在一定条件下寻找此时的最优控制策略,而后再考虑如何满足边值固定约束。这两种分级优化策略均能避免罚函数策略的缺陷。在系统的梯度信息可得的情况下给出了实浙江大学博卜论文--一一一一一一一一一.一一现算法,实例测试表明分级优化策略能以足够的精度满足边值约束。 针对时间不定的动态优化问题,分析同时优化不足的基础上提出两步优化__策略。两步优化将一个时间不定的复杂问题转化为一系列的时间给定的简单问题。首先在给定终端时间的条件下计算最优的控制策略,据而不断调整终端时刻,并最终得到最优的终端时间。在系统的梯度信息可得的情况下给出了实现算法。实例研究表明两步优化策略是可行的,稳定性好于同步优化。与目标优先的分级优化策略相集合,可解决边值固定的时间不定的动态优化问题。 中和过程pH的控制是一个特殊的动态优化问题。本文引入了反S形pH变换,并与线性PI控制相结合,实现了紧密的pH的跟踪控制。 化工动态优化需在动态模型己知的情况下实施。若动态模型中的参数未知,则需在实验数据的基础上加以估计,这实际上是静态优化的问题。本文在分析确定性优化方法与进化算法特性的基础上,提出了一种由优进策略支持的进化规划方法(EEP)。EEP具有前二者的优点,具有良好的全局寻优性能。将EEP方法应用于2一氯苯酚在超临界水中氧化反应动力学参数的估计,效果良好,结果还有所改进。若动态模型也很难得到,采用人工神经网络建立全局或平衡模型是一种较好的选择。通用回归神经网络(GRNN)具有明确的概率意义,结构和连接权均完全确定,克服了一般RBF网络设计和训练上的困难。本文采用GRNN为渣油裂解装置建立了准确的经验模型。GRNN的预报精度和稳定性比RBF一PLS等方法均有所提高。关键词:化工动态优化,集成策略,迭代遗传算法,迭代蚁群算法,分级优化策略,优进策略,通用回归神经网络石