Поиск оптимального управления каталитическим процессом на основе метода искусственных иммунных систем

Аннотация

Предложен подход к поиску численного решения задачи оптимального управления каталитическим процессом. В общем виде сформулирована задача оптимального управления с ограничениями на параметр управления и фазовыми ограничениями. Для ее решения рассмотрен комбинированный способ на основе метода штрафов и искусственных иммунных систем, который применим для процессов с нелинейной динамикой и не зависит от выбора начального приближения. Управление ищется в классе кусочно-постоянных функций. На основе этого подхода проведены численные эксперименты для каталитического процесса димеризации альфа-метилстирола. Приведена математическая модель процесса, протекающего в реакторе идеального смешения. На ее основе сформулированы задачи определения оптимального температурного режима хладоагента при наличии ограничений на конверсию исходного вещества и выход побочных продуктов реакции. В качестве критерия оптимальности задан максимальный выход целевых продуктов реакции --- линейных димеров. Для поиска решения построены вспомогательные функционалы метода штрафов. В результате расчетов для каждой задачи определен субоптимальный температурный режим, при котором выполняются ограничения и достигается наибольший выход целевых продуктов реакции, рассчитана динамика концентраций веществ

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. Поиск оптимального управления каталитическим процессом на основе метода искусственных иммунных систем. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки, 2024, № 4 (115), с. 4--20. EDN: WOVHZD

Литература

[1] Горнов А.Ю. Алгоритмы решения задач оптимального управления с терминальными ограничениями. Вычислительные технологии, 2008, т. 13, № 4, с. 44--50. EDN: KASBMN

[2] Sahinidis N.V., Grossmann I.E. Reformulation of the multiperiod MILP model for capacity expansion of chemical processes. Oper. Res., 1992, vol. 40, no. 1-1, pp. 127--144. DOI: https://doi.org/10.1287/opre.40.1.S127

[3] Royce N.J. Linear programming applied to production planning and operation of a chemical process. Oper. Res. Q., 1970, vol. 21, no. 1, pp. 61--80. DOI: https://doi.org/10.2307/3007719

[4] 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. 2, pp. 535--574. DOI: https://doi.org/10.1007/s10589-019-00079-9

[5] 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

[6] Dadebo S.A., Mcauley K.B. Dynamic optimization of constrained chemical engineering problems using dynamic programming. Comput. Chem. Eng., 1995, vol. 19, iss. 5, pp. 513--525. DOI: https://doi.org/10.1016/0098-1354(94)00086-4

[7] Pan Y., Fei Z.-S., Zhao L., et al. Dynamic optimization for chemical process based on improved iterative dynamic programming algorithm. East China Univ. Sci. Technol., 2013, vol. 39, no. 1, pp. 61--65.

[8] Михерский Р.М. Применение искусственной иммунной системы для распознавания зрительных образов. Компьютерная оптика, 2018, т. 42, № 1, с. 113--117. DOI: https://doi.org/10.18287/2412-6179-2018-42-1-113-117

[9] Самигулина Г.А. Разработка интеллектуальных экспертных систем прогнозирования и управления на основе искусственных иммунных систем. Проблемы информатики, 2010, № 1, с. 15--22. EDN: NBRZMV

[10] Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М., Изд-во МГТУ им. Н.Э. Баумана, 2014.

[11] Астахова И.Ф., Ушаков С.А. Модель и алгоритм искусственной иммунной системы. Математическое моделирование, 2016, т. 28, № 12, с. 63--73. EDN: XRIPOR

[12] Антипина Е.В., Мустафина С.А., Антипин А.Ф. Сравнительный анализ эволюционных методов решения задач оптимального управления. Вестник технологического университета, 2022, т. 25, № 11, с. 128--133. EDN: SDWWSR. DOI: https://doi.org/10.55421/1998-7072_2022_25_11_128

[13] Gao X.Z., Ovaska S.J., Wang X., et al. Clonal optimization-based negative selection algorithm with applications in motor fault detection. Neural Comput. & Applic., 2009, vol. 18, no. 7, pp. 719--729. DOI: https://doi.org/10.1007/s00521-009-0276-9

[14] Wei Y., Wang J. An artificial immune system approach to business process mining. Adv. Mat. Res., 2012, vol. 472-475, pp. 35--38. DOI: https://doi.org/10.4028/www.scientific.net/AMR.472-475.35

[15] Alonso F.R., Oliveira D.Q., Zambroni de Souza A.C. Artificial immune systems optimization approach for multiobjective distribution system reconfiguration. IEEE Trans. Power Syst., 2015, vol. 30, iss. 2, pp. 840--847. DOI: https://doi.org/10.1109/TPWRS.2014.2330628

[16] Lenin K., Ravindranath Reddy B., Surya Kalavathi M. An artificial immune system algorithm for solving optimal reactive power dispatch problem. CAC2S, 2013, pp. 51--59.

[17] Navarro-Caceres M., Herath P., Villarrubia G., et al. An evaluation of a metaheuristic artificial immune system for household energy optimization. Complexity, 2018, vol. 2018, art. 9597158. DOI: https://doi.org/10.1155/2018/9597158

[18] Gao X.Z., Ovaska S.J., Wang X., et al. Clonal optimization-based negative selection algorithm with applications in motor fault detection. Neural Comput. Appl., 2009, vol. 18, no. 7, pp. 719--729. DOI: https://doi.org/10.1007/s00521-009-0276-9

[19] de Castro L.N., Timmis J. An artificial immune network for multimodal function optimization. CEC’02, 2002, pp. 699--704. DOI: https://doi.org/10.1109/CEC.2002.1007011

[20] Bernardino H.S., Barbosa H.J.C. Artificial immune systems for optimization. In: Chiong R. (eds). Nature-Inspired Algorithms for Optimization. Studies in Computational Intelligence, vol. 193. Berlin, Heidelberg, Springer, 2009, pp. 389--411. DOI: https://doi.org/10.1007/978-3-642-00267-0_14

[21] Пантелеев А.В., Метлицкая Д.В. Применение метода искусственных иммунных систем в задачах поиска субоптимального программного управления детерминированными системами. Автоматика и телемеханика, 2014, № 11, с. 38--54. EDN: TDYGWF

[22] Ле К.Х., Суркова Н.Е., Остроух А.В. Генетические алгоритмы в задачах рациональной организации информационно-вычислительных процессов. Автоматизация и управление в технических системах, 2014, № 4, с. 82--99. DOI: https://doi.org/10.12731/2306-1561-2014-4-9

[23] Antipina E.V., Mustafina S.A., Antipin A.F. Search for the optimal regime parameters of a catalytic process based on evolutionary computations. Theor. Found. Chem. Eng., 2022, vol. 56, no. 2, pp. 162--169. DOI: https://doi.org/10.1134/S0040579522020038