1、隨著計(jì)算智能方法的發(fā)展，將計(jì)算智能方法用于解決工程問(wèn)題己成為其研究的首要任務(wù)。而流程工業(yè)中建模與優(yōu)化技術(shù)對(duì)于石化企業(yè)具有重要的現(xiàn)實(shí)意義，它的不斷完善和應(yīng)用可以帶來(lái)十分可觀的經(jīng)濟(jì)效益。對(duì)于具有多樣的信息模型、多變量和強(qiáng)耦合特性，以及龐大計(jì)算量的復(fù)雜流程工業(yè)過(guò)程，采用單一過(guò)程建模與優(yōu)化手段的作法顯然無(wú)法滿足生產(chǎn)要求。隨著多學(xué)科相互交叉和滲透，將高效的建模與優(yōu)化技術(shù)和計(jì)算智能相結(jié)合已成為必然的趨勢(shì)。鑒于實(shí)際流程工業(yè)建模與優(yōu)化問(wèn)題的復(fù)雜性、約束

2、性、非線性、多極小、建模困難等特點(diǎn)，尋求合適的建模與優(yōu)化方法已成為計(jì)算智能學(xué)科的一個(gè)主要研究目標(biāo)。因此本文針對(duì)流程工業(yè)的建模與優(yōu)化問(wèn)題，結(jié)合計(jì)算智能方法中粒子群算法和蟻群算法，并借助于神經(jīng)網(wǎng)絡(luò)和模糊分析工具，進(jìn)行了如下探討：
　　 針對(duì)流程工業(yè)神經(jīng)網(wǎng)絡(luò)建模時(shí)，算法的局部收斂問(wèn)題，采用模糊粒子群算法改進(jìn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)問(wèn)題。該算法將模糊粒子群引入神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，將網(wǎng)絡(luò)輸出誤差和當(dāng)前的初始權(quán)重作為模糊輸入變量，粒子的權(quán)重變化值作為模糊

3、輸出，使得粒子群的權(quán)重自適應(yīng)更新，同時(shí)模糊粒子群自適應(yīng)調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)，保證了網(wǎng)絡(luò)的收斂性。將模糊粒子群神經(jīng)網(wǎng)絡(luò)算法，用于建立乙烯裂解工業(yè)中裂解爐出口溫度(COT)、裂解產(chǎn)品收率及工業(yè)PTA溶劑脫水系統(tǒng)中醋酸含量等軟測(cè)量模型，取得了較好的應(yīng)用效果。
　　 針對(duì)復(fù)雜工業(yè)對(duì)象的多個(gè)優(yōu)化目標(biāo)問(wèn)題存在相互沖突、難以協(xié)調(diào)一致的問(wèn)題，研究了基于Pareto機(jī)制的多目標(biāo)粒子群算法(Multi objectiveParticle swarm

4、 optimization，簡(jiǎn)稱MOPSO)。提出基于Pareto機(jī)制的模糊多目標(biāo)粒子群算法，新算法在Pareto排序基礎(chǔ)上引入子目標(biāo)的最優(yōu)解來(lái)擴(kuò)展非劣解集的范圍，使非劣解集對(duì)于每個(gè)單目標(biāo)而言都有較廣的覆蓋范圍，確保非劣解集均勻分布，并逼近非劣前沿，改進(jìn)了非劣解集的質(zhì)量；同時(shí)對(duì)非劣解引入目標(biāo)偏好信息，通過(guò)后驗(yàn)的模糊評(píng)價(jià)，來(lái)確定非劣解的滿意解，為決策者提供了明確的決策范圍。將模糊多目標(biāo)粒子群算法用于解決乙烯裂解過(guò)程中乙烯和丙烯收率多目標(biāo)優(yōu)

5、化問(wèn)題，較好地平衡了兩種目標(biāo)之間的沖突，為流程工業(yè)多目標(biāo)優(yōu)化問(wèn)題提供了理論指導(dǎo)。
　　 針對(duì)蟻群算法中影響算法性能的參數(shù)確定問(wèn)題，研究了基于進(jìn)化機(jī)制的蟻群算法參數(shù)確定方法。該方法將蟻群算法中的參數(shù)作為每只螞蟻的屬性，利用進(jìn)化機(jī)制對(duì)螞蟻的種群進(jìn)行自然選擇，螞蟻的參數(shù)在求解問(wèn)題的動(dòng)態(tài)過(guò)程中收斂到合理的范圍內(nèi)。驗(yàn)證結(jié)果表明，該算法改進(jìn)了解的性能。
　　 針對(duì)工業(yè)PTA醋酸消耗問(wèn)題，分析了工業(yè)PTA溶劑脫水塔共沸精餾過(guò)程，建立了