摘  要： 針對柴油生產(chǎn)過程中的加氫精制與調(diào)合優(yōu)化問題，建立加工和庫存成本優(yōu)化模型，采用改進(jìn)粒子群算法進(jìn)行計算。通過對某煉油廠一個月的柴油生產(chǎn)數(shù)據(jù)進(jìn)行測試，結(jié)果表明該算法有較好的應(yīng)用效果，對柴油排產(chǎn)有一定的指導(dǎo)作用。
關(guān)鍵詞： 粒子群；混沌；混沌粒子群優(yōu)化算法

    加氫精制是煉油廠廣泛采用的加工過程，主要用于柴油的精制等。油品調(diào)合則是將各種柴油組分油以一定的比例混合，使油品質(zhì)量符合國家標(biāo)準(zhǔn)。參與調(diào)合的柴油組分以及各組分的比例，需要根據(jù)各組分的性質(zhì)、產(chǎn)品質(zhì)量要求以及具體生產(chǎn)實(shí)際而定。在追求最低生產(chǎn)成本方面，產(chǎn)品性質(zhì)與生產(chǎn)成本相互制約，通過加氫精制與調(diào)合優(yōu)化可以解決這一問題。但油品調(diào)合存在著組分油種類多、目標(biāo)多樣化以及過程不可終止等限制條件，采用傳統(tǒng)的計算方法如一些常規(guī)線性算法會出現(xiàn)計算量巨大、結(jié)果失真等問題[1-2]。近年來已有了一些新的方法和手段用于柴油的精制與調(diào)合。其中，使用計算智能優(yōu)化算法和技術(shù)，可以在求解時間和求解精度上取得平衡，較好地解決這些問題。
    粒子群優(yōu)化算法PSO（Particle Swarm Optimization）是由Kennedy和Eberhart等人于1995年提出的一種全局搜索算法，同時也是一種模擬自然界的生物活動以及群體智能的隨機(jī)搜索算法，具有容易實(shí)現(xiàn)、應(yīng)用領(lǐng)域廣泛等優(yōu)點(diǎn)。利用混沌獨(dú)特的性質(zhì)，將其引入到粒子群中，可有效提高現(xiàn)有粒子群算法的優(yōu)化性能，解決粒子群算法易陷入局部極值的不足問題。目前已有不少混沌粒子群優(yōu)化算法的成功應(yīng)用[2-4]。本文根據(jù)某煉油廠柴油生產(chǎn)需求，建立了加工成本和庫存成本優(yōu)化模型，并使用設(shè)計的混沌粒子群算法進(jìn)行實(shí)例計算，得到了較優(yōu)的結(jié)果。
1 模型建立
    柴油生產(chǎn)過程中降低成本的主要手段是在出廠柴油滿足含硫量等質(zhì)量指標(biāo)要求的前提下降低高成本組分（包括調(diào)合和加氫柴油）的比例。同時，還要考慮原油的庫存成本，降低高庫存成本率組分油的庫存。

    約束條件中，式（2）限制出廠柴油含硫率不得超過0.2%，式（3）將調(diào)合柴油第i組分流量限制在該組分流量的上下限Qui和Qli之間，式（4）將加氫精制柴油總流量限制在加氫精制能力的上下限Qhu和Qhl之間。式（1）~式（6）表明，加工和庫存成本優(yōu)化即為在約束條件下，通過求解調(diào)合柴油各組分比例ri和組分中加氫精制的比例λi，使J取最小值。
2 粒子群優(yōu)化算法簡述
    粒子群優(yōu)化算法是一種群體智能SI（Swarm Intelligence）算法，它結(jié)合了動物的群體行為特性以及人類社會的認(rèn)知特性[5]。在該算法中，每個個體被視為在n維搜索空間中的一個不同的粒子，都具有速度和位置；速度決定了其運(yùn)動的方向和速率，位置則體現(xiàn)了粒子所代表的解在解空間的位置，為評估該解質(zhì)量的基礎(chǔ)。算法要求粒子在進(jìn)化過程中維護(hù)這兩個向量。位置的維護(hù)，體現(xiàn)在每個粒子各自維護(hù)一個自身的歷史最優(yōu)位置向量，群體維護(hù)一個全局最優(yōu)位置向量。假設(shè)在一個D維的搜索空間中，有m個粒子組成一個群體。其中第i個粒子在D維的搜索空間中的位置xi=（xi1，xi2，…，xiD），i=1，2，…，m。將xi代入目標(biāo)函數(shù)可計算出其適應(yīng)值，根據(jù)此值的大小衡量xi的優(yōu)劣；對于最小化問題，目標(biāo)函數(shù)值越小，對應(yīng)的適應(yīng)值越好。第i個粒子的歷史最優(yōu)位置記為pi=（pi1，pi2，…，piD），群體最優(yōu)位置向量記為pg=（pg1，pg2，…，pgD）。速度則是由個體的飛行經(jīng)驗(yàn)和群體的飛行經(jīng)驗(yàn)進(jìn)行動態(tài)調(diào)整；第i個粒子的速度vi=（vi1，vi2，…，viD），其第d維的速度和位置按如下方程進(jìn)行迭代更新：


3 改進(jìn)的粒子群優(yōu)化算法
    粒子群優(yōu)化算法雖然容易實(shí)現(xiàn)、應(yīng)用廣泛，但也存在著早熟收斂、收斂精度不高的缺點(diǎn)，在求解多極值優(yōu)化問題時難以獲得真實(shí)的全局最優(yōu)解。自該算法提出以來，研究者就不斷地通過將其與其他搜索算法或者思想技術(shù)相結(jié)合來進(jìn)行算法的改進(jìn)。混沌優(yōu)化算法作為一種較新的搜索算法，其基本思想是把變量從混沌空間變換到解空間，利用混沌變量在一定范圍內(nèi)具有隨機(jī)性、遍歷性和規(guī)律性的特點(diǎn)進(jìn)行優(yōu)化搜索，能使算法跳出局部最優(yōu)，保持群體的多樣性，具有全局漸進(jìn)收斂和收斂速度快的搜索性能。本文嘗試將這兩種算法相結(jié)合，即使用一種新的混沌粒子群優(yōu)化算法，將混沌融入到粒子的運(yùn)動過程中，為粒子提供遍歷參考點(diǎn)，增強(qiáng)其主動搜索性，以達(dá)到更好的效果。
    算法步驟如下：
 

4 改進(jìn)的粒子群算法在柴油排產(chǎn)中的應(yīng)用
    算法采用Java語言編程實(shí)現(xiàn)，開發(fā)工具為Eclipse IDE for Java Developers（Version：Juno Service Release 2），運(yùn)行環(huán)境為Java（TM）SE Runtime Environment（build 1.7.0_11-b21）。測試以某煉油廠一個月的柴油生產(chǎn)數(shù)據(jù)為例[6]，25種不同源地（種類）的原油經(jīng)過蒸餾、焦化、催化等裝置處理所生成的8種柴油將參與加氫精制與調(diào)合。將這些原油按其所生成的柴油的硫含量從高到低加以排序并用編號表示。粒子維數(shù)設(shè)為組分油的個數(shù)25，各粒子的初始位置和速度通過隨機(jī)函數(shù)生成（定義隨機(jī)函數(shù)時以使粒子的初始位置為各組分油的量附近的隨機(jī)值、速度參數(shù)生成值稍小為宜），設(shè)定粒子群規(guī)模為80，最大迭代次數(shù)為10 000。算法運(yùn)行20次，所得最優(yōu)解可使編號前12種組分油進(jìn)行加氫，所有組分油經(jīng)調(diào)合后平均硫含量為0.194%，相比參考文獻(xiàn)[6]的預(yù)測排產(chǎn)方案（編號前11種組分油進(jìn)行加氫，所有組分油經(jīng)調(diào)合后平均硫含量為0.191%）要稍優(yōu)，并使庫存成本處于較低的水平。具體數(shù)據(jù)見表1。

    本文針對柴油生產(chǎn)過程中的加氫精制與調(diào)合優(yōu)化問題，建立了加工和庫存成本優(yōu)化模型，并采用改進(jìn)粒子群算法進(jìn)行實(shí)驗(yàn)。測試所得最佳結(jié)果可使產(chǎn)品質(zhì)量更加逼近臨界合格標(biāo)準(zhǔn)從而降低柴油生產(chǎn)成本，同時也降低庫存成本，對柴油排產(chǎn)具有一定的指導(dǎo)作用。此算法對于更多的組分油以及更多的質(zhì)量指標(biāo)的排產(chǎn)也具有一定的參考價值。
參考文獻(xiàn)
[1] 蔡智，黃維秋，李偉民，等.油品調(diào)合技術(shù)[M].北京：中國石化出版社，2005.
[2] 寧建華，趙英凱，李麗娟.基于改進(jìn)粒子群算法的柴油調(diào)合配方優(yōu)化[J].化工自動化及儀表，2010，37（10）：22-25.
[3] 黃平.粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D].廣州：華南理工大學(xué)，2012.
[4] 徐文星．混沌粒子群優(yōu)化算法及應(yīng)用研究[D]．北京：北京化工大學(xué)，2012.
[5] 張軍，詹志輝.計算智能[M].北京：清華大學(xué)出版社，2009.
[6] 陳曉龍，吳世逵，梁朝林.柴油加氫精制工藝的線性規(guī)劃優(yōu)化[J].茂名學(xué)院學(xué)報，2003，13（4）：18-22.