遗传算法在环己醇_环己酮硝化氧化反应动力学模型参数估计中的应用_郑启富

　收稿日期:2002-09-23　作者简介:郑启富(1970-),男,讲师、硕士,主要研究方向:化工系统工程和智能信息处理遗传算法在环己醇/环己酮硝化氧化反应动力学模型参数估计中的应用郑启富1,周兆良1,徐明仙2,(1.浙江工业大学浙西分校化工系,浙江衢州324006;2.杭州职业技术学院化工系,浙江杭州310002)　　摘　要:针对传统优化方法易陷入局部最优、全局寻优性能较差等缺点,本文提出了一种改进的遗传算法,并将它应用于环己醇/环己酮硝化氧化反应动力学模型参数估计,取得了满意的效果。　　关键词:遗传算法;环己醇;环己酮;参数估计;优化　　中图分类号:TQ013.2　　　　　文献标识码:A　　　　　文章编号:1671-9905(2002)04-0005-03　　反应动力学模型是反应器设计、生产工艺指标优化的主要依据之一,模型的精确性直接影响到化工实际生产过程。一些传统的模型参数估计方法容易陷入局部最优、全局寻优性能较差,所得结果往往与实际情况偏差较大,在实际使用时常常出现很多困难。　　遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法[1],近年来它的研究一直相当活跃[2～3]。本文提出一种改进的遗传算法(ImprovedGeneticAlgorithm),并应用于环己醇/环己酮硝化氧化的反应动力学模型参数估计,效果显著。1　改进的遗传算法　　本文提出的改进方法包括:改进的自适应交叉率和变异率,空间重组的交叉算子,引入跨世代精英选择(CrossGenerationalElitistSelection,CGES)策略。1.1　改进的自适应交叉率和变异率　　常规遗传算法采用固定的交叉率pc和变异率pm。交叉率、变异率的选择是影响遗传算法行为和性能的关键所在[4]。pc越大,新个体产生的速度就越快,但遗传模式被破坏的可能性也越大;pc太小,会使搜索过程缓慢,以至停滞不前。pm过小,不易产生新的个体;pm过大,遗传算法就变成了纯粹的随机搜索算法。针对这一情况,本文提出一种改进的自适应交叉率和变异率:　pc1=0.95×(1-gen/G)3;pc2=0.5×(1-gen/G)3　pm1=0.3×(1-gen/G)3;pm2=0.05×(1-gen/G)3(1)　pc=pc1-(pc1-pc2)(f′-favg)fmax-favg,f′≥favgpc1　　　　　　　　　　　　f′<favg　pm=pm1-(pm1-pm2)(fmax-f)fmax-favg,f≥favgpm1　　　　　　　　　　　　f<favg(2)　　其中gen为当前繁衍代数;G为一常数(G≥gen);fmax为群体中最大的适应度值;favg为群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为要变异个体的适应度值。　　经改进后,对性能不好的个体采用大的交叉率和变异率;而对于性能优良的个体根据其适应度的大小采用适合的交叉率和变异率;随着繁衍代数的增大,交叉率和变异率的取值趋于变小,有利于算法的收敛。1.2　交叉算子的改进　　实数编码的交叉算子常采用算术交叉(Arith-meticCrossover)[5]:　child1=T×parent1+(1-T)×parent2child2=T×parent2+(1-T)×parent1(3)　　其中T为[0,1]区间的随机数,parent1、parent2为父代的个体,child1、child2为交叉产生的子代个体。这种交叉操作产生的子代个体总位于父代个体的连线上,子代个体的搜索空间将