Алгоритм поиска оптимальных начальных концентраций веществ каталитической реакции на основе эволюционных вычислений

Аннотация

Предложен численный алгоритм определения оптимальных начальных концентраций веществ каталитической реакции. В общем виде приведена постановка задачи поиска оптимальных реагентов на основе математического описания реакции. Для решения поставленной задачи сформулирован алгоритм, в основу которого положен метод дифференциальной эволюции. Преимущество метода --- отсутствие чувствительности решения задач к выбору начальной точки, с которой начинается итеративная процедура поиска решения. В алгоритм дифференциальной эволюции внесены модификации с учетом физико-химических ограничений задачи. С использованием программы, реализующей созданный алгоритм, проведен вычислительный эксперимент для каталитической реакции синтеза N-(адамантил)ацетамида. Приведена кинетическая модель реакции синтеза N-(адамантил)ацетамида, на основе которой сформулирована задача определения оптимальных концентраций реагентов. В качестве критерия оптимальности рассмотрено максимальное значение концентрации целевого продукта в конечный момент времени протекания реакции. Определен вектор начальных концентраций реагентов, при котором достигается наибольшее значение концентрации продукта реакции. Показано незначительное отклонение решения задачи поиска оптимальных начальных концентраций веществ, полученного с использованием разработанного алгоритма, от решения, которое найдено методами штрафов и Хука --- Дживса

Работа выполнена в рамках государственного задания Минобрнауки России (код научной темы FZWU-2023-0002)

Просьба ссылаться на эту статью следующим образом:

Антипина Е.В., Мустафина С.А., Антипин А.Ф. Алгоритм поиска оптимальных начальных концентраций веществ каталитической реакции на основе эволюционных вычислений. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки, 2024, № 2 (113), с. 4--21. EDN: HIUULJ

Литература

[1] Biegler L.T. Integrated optimization strategies for dynamic process operations. Theor. Found. Chem. Eng., 2017, vol. 51, no. 6, pp. 910--927. DOI: https://doi.org/10.1134/S004057951706001X

[2] Островский Г.М., Зиятдинов Н.Н., Емельянов И.И. Синтез оптимальных систем простых ректификационных колонн с рекуперацией тепла. ДАН, 2015, т. 461, № 2, с. 189--192. EDN: TLOXAH

[3] Santos L., Villas-Boas F., Oliveira A.R., et al. Optimized choice of parameters in interior-point methods for linear programming. Comput. Optim. Appl., 2019, vol. 73, no. 1, pp. 535--574. DOI: https://doi.org/10.1007/s10589-019-00079-9

[4] Антипина Е.В., Мустафина С.А., Антипин А.Ф. Численный алгоритм идентификации кинетической модели химической реакции. Вестник Технологического университета, 2019, т. 22, № 9, с. 13--17. EDN: AGWATA

[5] Mohamed A.W., Mohamed A.K. Adaptive guided differential evolution algorithm with novel mutation for numerical optimization. Int. J. Mach. Learn. & Cyber., 2019, vol. 10, no. 4, pp. 253--277. DOI: https://doi.org/10.1007/s13042-017-0711-7

[6] Xue B., Yao X. A survey on evolutionary computation approaches to feature selection. IEEE Trans. Evol. Comput., 2016, vol. 20, iss. 4, pp. 606--626. DOI: https://doi.org/10.1109/TEVC.2015.2504420

[7] Рутковская Д., Пилиньский М., Рутковский И. Нейронные сети, генетические алгоритмы и нечеткие системы. М., Горячая линия-Телеком, 2013.

[8] Карпенко А.П. Эволюционные операторы популяционных алгоритмов глобальной оптимизации. Математика и математическое моделирование, 2018, № 1, c. 59--89. DOI: https://doi.org/10.24108/mathm.0118.0000103

[9] Wang Y., Li H.-X., Huang T., et al. Differential evolution based on covariance matrix learning and bimodal distribution parameter setting. Appl. Soft Comput., 2014, vol. 18, pp. 232--247. DOI: https://doi.org/10.1016/j.asoc.2014.01.038

[10] Zhu H., He Y., Tsang E., et al. Discrete differential evolutions for the discounted {0--1} knapsack problem. Int. J. Bio-Inspir. Com., 2017, vol. 10, no. 4, pp. 219--238. DOI: https://doi.org/10.1504/IJBIC.2017.10008802

[11] Storn R., Price K. Differential evolution --- a simple and efficient heuristic for global optimization over continuous spaces. J. Glob. Optim., 1997, vol. 11, no. 4, pp. 341--359. DOI: https://doi.org/10.1023/A:1008202821328

[12] Ковалевич А.А., Якимов А.И., Албкеират Д.М. Исследование стохастических алгоритмов оптимизации для применения в имитационном моделировании систем. Информационные технологии, 2011, № 8, c. 55--60. EDN: NYJFGH

[13] Das S., Suganthan P.N. Differential evolution: a survey of the state-of-the-art. IEEE Trans. Evol. Comput., 2011, vol. 15, iss. 1, pp. 4--31. DOI: https://doi.org/10.1109/TEVC.2010.2059031

[14] Пупков К.А., Феоктистов В.А. Алгоритм дифференциальной эволюции для задач технического проектирования. Информационные технологии, 2004, № 8, c. 25--31.

[15] El-Quliti S.A., Ragab A.H., Abdelaal R., et al. A nonlinear goal programming model for university admission capacity planning with modified differential evolution algorithm. Math. Probl. Eng., 2015, vol. 2015, art. 892937. DOI: https://doi.org/10.1155/2015/892937

[16] Mohamed A.W. A novel differential evolution algorithm for solving constrained engineering optimization problems. J. Intell. Manuf., 2018, vol. 29, no. 4, pp. 659--692. DOI: https://doi.org/10.1007/s10845-017-1294-6

[17] Wang Y, Liu Z.-Z., Li J., et al. On the selection of solutions for mutation in differential evolution. Front. Comput. Sci., 2018, vol. 12, no. 4, pp. 297--315. DOI: https://doi.org/10.1007/s11704-016-5353-5

[18] Mohamed A.W. An improved differential evolution algorithm with triangular mutation for global numerical optimization. Comput. Ind. Eng., 2015, vol. 85, pp. 359--375. DOI: https://doi.org/10.1016/j.cie.2015.04.012

[19] Новичкова А.В. Численный анализ реакционной способности олефинов и алюминийорганических соединений на основе кинетических моделей частных и общих реакций. Дис. ... канд. физ.-мат. наук. Уфа, БашГУ, 2015.

[20] Новичкова А.В., Масков Д.Ф., Бобренева Ю.О. и др. Построение и оптимизация кинетических моделей реакции синтеза N-(адамантил)ацетамида на основе информационно-аналитической автоматизированной системы "Chemkinoptima" (ИААС). Башкирский химический журнал, 2013, т. 20, № 3, с. 63--70.