基于偏好的原油移动路径多目标优化
2025-02-06 14:29阅读：
引用本文
王舒涵,
堵威, 唐漾, 钟伟民. 基于偏好的原油移动路径多目标优化.
自动化学报, 2024, 50(12):
2380−2391 doi:
10.16383/j.aas.c240259
Wang Shu-Han, Du Wei, Tang Yang, Zhong
Wei-Min. A preference-based multi-objective optimization for crude
oil movement path. Acta Automatica Sinica, 2024, 50(12):
2380−2391 doi:
10.16383/j.aas.c240259
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240259
图 1 原油调度流程示意图
目前, 原油移动路径规划面临着诸多挑战:
首先, 原油移动路径安排过程中需要考虑途经阀门的个数与所分配泵机的功耗, 途经阀门数量的增多会直接影响维护管道运输的成本,
而泵机需要在满足任务扬程、流量的前提下, 选择适当功率的油泵执行任务, 避免功耗与运力的浪费. 由于罐区并非全连通结构, 这两个子目标往往不能同时达到最优,
因此原油移动路径规划是一个典型的多目标优化问题. 此外, 与经典路径规划问题, 如旅行商问题 (Traveling salesman problem, TSP)、车辆路径规划问题 (Vehicle routing
problem, VRP) 等相比, 解决原油移动路径规划问题需要面对更复杂的工艺流程,
必须综合考虑阀门、储罐、泵、调合头、原油蒸馏装置 (Crude distillation unit, CDU)等多种设备因素, 按照固定的线路顺序进行排产, 同时需严格满足工业实际生产条件下的诸多约束条件,
并考量原油进入不同管道时造成的切换成本, 这些因素使得问题的求解更加困难,
也导致目前原油在罐区的路径规划方案仍高度依赖于调度人员的人工经验[5]. 然而, 以国内某大型炼化企业为例, 随着企业规模的不断扩大, 当需要在近千个设备或管道节点下,
同时考虑数十个储罐,
将原油通过合适进泵线运输到不同调合区的多个规划任务时, 依靠人工排产的方式愈显费时费力,
且难以在满足复杂约束的条件下,
兼顾途径阀门数量和泵机功耗,
不利于降低原油作业的成本.
此外, 问题的大规模性也对复杂工艺流程的精细建模提出了更高的要求, 进一步提升了求解该问题的挑战性.
目前, 在采用精确算法解决原油移动这类大规模复杂约束下的路径规划问题时, 如基于数学规划的优化方法等, 算法复杂度与问题规模呈指数关系上升[3],
并极易陷入局部最优,
导致其求解效率低下,
且难以处理多个相互冲突的优化目标. 近年来, 随着复杂工程优化问题的涌现, 多目标进化算法 (Multi-objective evolutionary algorithm, MOEA)
展现出了巨大的应用前景[6−7]. 借助 MOEA 并行性、智能性、自适应性和自组织性的特点[8],
多目标、多约束的大规模现实问题得以有效求解[9]. Zhu等[10]提出了一种基于遗传算法的无人机全局路径规划模型,
从而更好地实现避障功能和全局路径优化;
Suresh等[11]借助多目标遗传算法来解决机器人的路径规划问题,
同时考虑安全性、距离、平滑度、行驶时间和无碰撞路径五个目标, 通过适当地调整参数和编码方式来优化结果.
由于 MOEA 在解决实际复杂优化问题上表现出较强的鲁棒性和适应性[12], 目前也已被广泛应用于炼油过程调度优化领域[13−15].
Ramteke等[13]在解决原油调度多目标优化问题时,
综合了图论和遗传算法的相关理论,
提出了一种基于结构自适应的遗传算法 (Structure adapted genetic algorithm, SAGA).
相比于常规的数学方法,
该算法能够大幅减少所需决策向量的维度和约束函数个数, 在求解该类问题时, 在寻优能力和计算性能方面都有良好的表现.
基于这个结果,
Panda等[14]针对沿海炼油厂, 采用 SAGA 搜索原油调度的单目标或多目标优化方案,
在保证进料的条件下,
能够进一步降低调度成本,
从而提高企业整体利润.
此外,
Hou等[15]在解决如何最小化调合罐中原油类型和进料罐个数的多目标优化问题时, 将该问题降解成两个子问题进行分步优化.
同时, 由于受到工业复杂生产要求限制, 通过 MOEA求解原油移动问题有很大的局限性,
进化算子的随机性会导致大量计算资源被消耗在违反约束的不可行决策空间内,
进而导致种群多样性差且收敛速度慢. 而在实际排产过程中, 调度员可以根据他们的经验针对生产需求制定规划方案.
这些人工解可能不是帕累托最优的,
但它们满足了MOEA通常无法有效获得的实际需求. 因此, 从决策者经验中学习偏好并将其集成到优化中是可行的,
这样不仅可以获得贴合实际需求的近似最优解, 同时能减小计算负担[16]. 近年来, 有许多研究集中在基于偏好的多目标进化算法
(Preference-based multi-objective evolutionary
algorithm, PBMOEA) 上,
