基于遗传算法与神经网络的费托合成负荷优化.pdf

第 37 卷第 4 期 高 校 化 学 工 程 学 报 No.4 Vol.37 2023 年 8 月 Journal of Chemical Engineering of Chinese Universities Aug.2023 文章编号：1003-9015(2023)04-0608-07 基于遗传算法与神经网络的费托合成负荷优化 王瑞航1,丁文瑶2,温润娟2,廖祖维1,李 虎2,郭中山2(1.浙江大学 化学工程与生物工程学院,浙江 杭州 310058;2.国家能源集团宁夏煤业有限责任公司,宁夏 银川 750411)摘 要：生产负荷是大型费托合成流程的重要指标。高负荷运行不仅可以提高产能，还可以降低综合能耗。针对费托合成流程工艺复杂、最佳生产操作条件难以确定的问题，提出了以数据驱动方式破除大型费托合成流程负荷难以提高的瓶颈。以 400 万 ta1费托合成流程为研究对象，建立了负荷预测的神经网络模型，利用遗传算法优化了神经网络的权值和阈值初值，提高了模型预测准确度。再次利用遗传算法对神经网络输入变量进行全局寻优，确定了负荷最大时各项输入变量取值，优化后最大负荷提高了 11.5%。针对 6 个输入变量的灵敏度分析表明，氢气温度与循环气流量对负荷影响较大，这 2 个变量在模型取值区间内变化时负荷分别改变了 13.9%和 13.7%，对负荷的提高提出了指导性建议。关键词：费托合成；神经网络；遗传算法；模型；优化 中图分类号：TQ 021.8 文献标志码：A DOI：10.3969/j.issn.1003-9015.2023.04.012 Loading optimization of Fischer-Tropsch synthesis using artificial neural networks and genetic algorithm WANG Ruihang1,DING Wenyao2,WEN Runjuan2,LIAO Zuwei1,LI Hu2,GUO Zhongshan2(1.College of Chemical Engineering and Biological Engineering,Zhejiang University,Hangzhou 310058,China;2.CHN ENERGY Ningxia Coal Industry Co.Ltd.,Yinchuan 750411,China)Abstract:Production load is an important index of large-scale Fischer-Tropsch synthesis processes.High load operation can improve productivity and reduce comprehensive energy consumption.A data-driven method was used to improve load of large-scale Fischer-Tropsch synthesis processes which have problems of complicated processes and challenging optimization.A neural network model for load prediction was established based on a 4 million tons per year Fischer-Tropsch synthesis process.Genetic algorithm was used to optimize the initial weights and thresholds of the neural network to improve the accuracy of model prediction.It was also used to optimize the input variables of the neural network,and the values were determined when the load was at its maximum.The load was increased by 11.5%after optimization.The sensitivity analysis of the six variables shows that hydrogen temperature and circulating gas flow rate have a great effect on load,and the changes of these two variables within the interval make the load change of 13.9%and 13.7%respectively,which provides suggestions for load increase.Key words:Fischer-Tropsch synthesis;artificial neural network;genetic algorithm;model;optimization 收稿日期：2022-04-15；修订日期：2022-06-29。基金项目：宁夏回族自治区重点研发计划(2019BFH02016)。作者简介：王瑞航(1998-)，男，河北省邯郸市人，浙江大学博士生。通信联系人：廖祖维，E-mail： 引用本文：王瑞航,丁文瑶,温润娟,廖祖维,李虎,郭中山.基于遗传算法与神经网络的费托合成负荷优化 J.高校化学工程学报,2023,37(4):608-614.Citation：WANG Ruihang,DING Wenyao,WEN Runjuan,LIAO Zuwei,LI Hu,GUO Zhongshan.Loading optimization of Fischer-Tropsch synthesis using artificial neural networks and genetic algorithm J.Journal of Chemical Engineering of Chinese Universities,2023,37(4):608-614.第 37 卷第 4 期 王瑞航等：基于遗传算法与神经网络的费托合成负荷优化 609 1 引 言 目前传统化工行业发展离不开石油，然而中国能源结构中石油仅占 6.9%，而煤炭占了 68.8%1，2019年我国石油对外依存度突破 70%2。“富煤、贫油、少气”这一不均衡的资源条件使得我国化工自主生产能力受到制约。而费托合成就是一种可以实现“点煤成油”的生产工艺，它以煤气化工艺中产生的合成气为原料，生产出不同碳数的烃类等碳氢化合物3，有效地实现煤炭清洁转化。费托合成工艺对于提高我国油品的自主生产能力、降低石油进口依赖度、应对潜在的石油禁运风险具有重大意义。2016 年，国能宁煤公司采用中科合成油技术建成了 400 万 ta1煤基费托合成装置，其中费托合成单元由 8 台浆态床式反应器构成，具有反应复杂、设备系列多、规模大等特点。经过持续技术改进，目前该装置运行已基本达到设计指标4。但进一步提升运行负荷还存在着一些瓶颈问题，例如，提高合成气进料量会导致循环物料压力高于合成气进料压力，造成合成气进料量难以进一步增大，负荷提升出现瓶颈。近年来，各种新兴建模方法为模型开发开辟了广阔前景，例如人工神经网络，它依靠数据驱动，建立多输入与多输出的黑箱模型，当输入各项参数后，就可预测出所需的输出函数。通过训练，神经网络不断调整自己的权值与阈值，使得预测输出值不断接近真实输出。由于其在不考虑机理的情况下仅凭海量数据就可完成建模，因而在工业界具有很大应用潜力5-8。2005 年，Fabiano 等9以汽油、柴油等产量为目标，以压力、氢碳比、催化剂装填量等为参数，建立了神经网络，确立了不同目标情况下最优操作参数。但是，由于前馈神经网络使用梯度下降方法，很容易陷入局部最优。2021 年，黄方亮等10通过粒子群优化算法得到前馈神经网络的权值和阈值等参数，相比于单一前馈神经网络，预测值与真实数据更接近。传统的神经网络的权值与阈值的初值为随机给定，但初值的选取直接影响神经网络预测的准确性11。为了提高神经网络的预测精度，可考虑使用遗传算法对神经网络权值与阈值的初值进行优化。遗传算法最早由美国的 Holland 在 1975 年提出12，这是一种通过模拟自然界的进化过程全局搜索寻找最优值的方法，由于其不需要函数的导数信息，因而适用于解决复杂的非线性优化问题，在工业界得到广泛应用13-15。2006 年，Whitcombe 等16利用遗传算法对流化床催化裂化过程的催化剂损失进行了优化，确定了催化剂损失最小时的操作条件。2013 年，Adib 等17利用遗传算法耦合神经网络探究了费托合成反应条件对选择性的影响，基于遗传算法-神经网络，利用灵敏度分析考察了各反应条件对多种产物选择性的影响。由于费托合成流程复杂、工艺数据庞大，本研究将 2 层遗传算法与神经网络嵌套，进行模型建立与负荷优化，如图 1 所示。首先利用遗传算法耦合前馈神经网络，建立负荷与工艺参数的关联模型，找到最优神经网络模型，使其预测准确；再次使用遗传算法，将遗传算法、前馈神经网络相耦合，用于负荷优化，找出最大负荷，并确定此时各项输入变量取值，为现场操作提供控制方案指导。图 1 遗传算法耦合神经网络示意图 Fig.1 Schematic diagram of genetic algorithm coupled neural network Weight threshold encodingCreate an initial populationCalculate neural network errorCreate a new populationSatisfy the condition?The optimal initial value Stop the iterationYNOperating parameter encodingCreate an initial populationCalculate loadCreate a new populationSatisfy the condition?The optimal operating parameterStop the iterationYNInitial test weight thresholdGet the optimal weight thresholdNetwork trainingUpdate the weight thresholdSatisfy the condition?Prediction resultsOutput neural networkYNDetermine network structureNeural network Genetic algorithm for load optimizationGenetic algorithm for neural network optimization610 高 校 化 学 工 程 学 报 2023年8月 表 1 神经网络输入变量上、下界 Table1 Upper and lower bounds of neural network input variables Input variable Lower bound Upper bound tS/76 78 pS/MPa 3.0 3.3 tH2/10 25 pH2/MPa 3.1 3.4 qV,H2/(km3h1)0 14 qV,R/(km3h1)884 990 2 遗传算法-前馈神经网络 费托合成流程如图 2 所示4，合成气、循环气与氢气共同进料。与反应物相比，费托合成产物中气体组分化学计量数减小，因此，随着反应不断进行，装置操作条件发生波动，从而影响反应，使得未反应的循环气压力升高，最终使得混合气压力升高，导致合成气进料流量下降、装置负荷减小。当前操作条件下负荷平均值为366.2 km3h1(标况)。.而控制人员为提高负荷，多采用调节阀门开度、改变循环气与氢气流量，以改变进料的氢碳比，使得反应回归正常，但是，现场调节操作大多没有一个确定的目标，只能根据调节操作后的结果再进行微调。而且，除了氢碳比外，流股的温度、压力变化也会对装置负荷造成影响，而这些变量的确定无法通过简单的改变阀门开度完成。因此，建立针对当前装置的模型、确定反应负荷达到最优时的操作条件就显得尤为重要。费托合成反应复杂，许多学者对其动力学展开研究，建立了多种动力学模型，但未形成共识。想要从原理上确定合适的操作条件、提高装置负荷，颇有难度。另外，费托合成流程长，由于循环的存在，根据反应动力学建立模型会使方程复杂，难以求解。因此，考虑选用神经网络建立针对负荷的多输入、单输出的模型，为装置负荷的提高提供最优操作条件的控制方案。建立模型所用数据来源于 400 万 ta1费托合成煤制油流程实时数据。为了保证数据选取的随机性，采集数据时间跨度为 6 d，共 289 组。根据费托合成原理与现场控制方案，分析反应负荷的影响因素与现场可调节的工艺参数，选取了进料合成气温度 tS和压力 pS、进料氢气温度 tH2和压力 pH2、进料氢气流量 qV,H2(全文均为标况)和循环气流量 qV,R(全文均为标况)等共 6 个变量作为输入变量，输入变量取值区间的上、下界如表 1 所示，确定进料合成气流量 qV,S(全文均为标况)作为输出变量，表示负荷大小18。模型的建立与优化均采用 Matlab 软件。建立模型的第 1 步是构建数据集。28 9 组数据被分为 2 大组，其中 90%的数据用于建立神经网络，被称为训练集，其余 10%的数据用于检验神经网络的准确性，被称为测试集。为保证神经网络模型的普适性，训练集与测试集的数据随机选择生成，但为了检验遗传算法优化效果，训练集与测试集经 1 次随机选择生成后，后续便不再更改，也就是说，遗传算法优化前后的训练集与测试集是随机产生的，且始终一致。训练集中数据会在训练中再次被分为 3 组，分别用于训练、测试、验证神经网络，每组数据量分别占训练集数据总数的 60%、20%和 20%。在训练开始之前，输入变量与输出变量均进行归一化处理，神经网络由输入层、隐藏层和输出层组成，输入层与隐藏层之间传递函数采用双曲正切“tansig”传递函数；对于输出层，则采用线性传递函数“purelin”19。输入层与输出层神经元个数即输入变量个数与输出变量个数。在本研究中，输入层有 6个神经元，输出层有 1 个神经元。对于隐藏层神经元个数，通常由式(1)给出20：Sioh()NNNN (1)式中：Nh为隐藏层神经元个数；Ni为输入层神经元个数；No为输出层神经元个数；Ns为训练集的样本数；为神经元节点计算参数，通常取 210。SyngasH2Light oilWaterTail gasHeavy oilSteamWaterSteamReactorRecycle gasDecarbonization unitDecarburization tail gasWaxAir cooler SeparatorHeat exchanger separatorSeparatorLight oil and gas图2 费托合成流程示意图 Fig.2 Schematic diagram of the Fischer-Tropsch process 第 37 卷第 4 期 王瑞航等：基于遗传算法与神经网络的费托合成负荷优化 611 通过计算可知，Nh值为 420 为佳。一般而言，神经元个数对神经网络的预测误差影响很大。当神经元个数较少时，会导致欠拟合，无法反映所有数据点所携带的信息；当神经元个数过多时，又可能会导致过拟合、训练集数据无法满足所有的神经元训练要求、或使训练时间不必要的延长21，这些均会使神经网络预测效果变差。因此需要确定最佳神经元个数。神经网络的预测效果用测试集的均方根误差(root-mean-square error,RMSE)表示，它代表了预测值与实际值的偏移程度，计算式如下：21RMSE=NiiiyyN (2)式中：N 为测试集样本数，yi为测试集预测值，iy为测试集实际值。图 3 为不同 Nh下神经网络预测的 RMSE，由于神经网络的随机性，即使所有参数与数据设置一致，得出的神经网络也不尽相同，而其误差也因此不同。因此，本研究在每个确定的Nh下进行 10 次计算，保留 RMSE 最小的神经网络，并记录其RMSE。由图可见，当 Nh达到 20 时，神经网络预测的 RMSE几乎不再变化，因此，最优 Nh确定为 20。此时，神经网络预测效果如图 4 所示，由图可见，测试集预测值与实际值拟合较好，RMSE 为 5.79，平均相对误差为 1.58%，所建立的神经网络模型一定程度上可以反映输入变量变化对 qV,S造成的影响，预测效果较好，但仍有改进空间。神经网络的随机性体现在它每次运行所选取的权值和阈值初值都是随机的，而初值对于最后得到的神经网络又有很大影响，因此，本研究选用遗传算法对神经网络权值和阈值初值进行优化。用于优化神经网络的遗传算法以神经网络预测的RMSE 为适应度、以神经网络的权值和阈值为优化变量，遗传算法各参数设置如表 2 所示。用于神经网络优化的遗传算法运行后得到的平均适应度与最大适应度随代数变化如图 5 所示。由于此次遗传算法中适应度是神经网络的 RMSE，所以 RMSE 越小，适应度反而越大。由图可见，与平均适应度相比，最大适应度更快地收敛到了一定值；而经过 100 次迭代后，平均适应度与最大适应度几乎收敛到了同一值，说明此时种群内部大多数个体已经达到了最优，而无明显差别。取此时种群中适应度最大的个体，即 RMSE 最小的神经网络作为初始神经网络，为之后神经网络训练提供权值和阈值初值。优化后的神经网络预测效果如图 6 所示，由图可见，测试集预测值与实际值拟合良好，RMSE 仅为 3.70，平均相对误差也仅为 1.01%，所建立的神经网络模型可以反映输入变量变化对 qV,S造成的影响，预测效果良好。说明利用遗传算法对神经网络的权值和阈值初值进行优化，对于降低神经网络预测误差、提高预测精度，效果显著，为之后的负荷优化奠定了可信的基础。表 2 遗传算法参数 Table 2 Parameters of genetic algorithm Parameter ValuePopulation size 20Maximum iteration 100Crossover probability 0.4Mutation probability 0.1图4 初始神经网络预测结果 Fig.4 Initial neural network prediction results 340350360370380340350360370380 training set test set Predicted valueActual value5%-5%图3 不同神经元个数下神经网络预测 的RMSE Fig.3 RMSE of network prediction with different number of neurons 510152025300246810RMSENh0204060801003456789RMSE average fitness best fitnessGeneration图5 神经网络优化遗传算法适应度变化 Fig.5 Fitness variation of genetic algorithm for neural network optimization 612 高 校 化 学 工 程 学 报 2023年8月 图6 改进后的神经网络预测结果 Fig.6 Prediction results of improved neural network 340350360370380340350360370380-5%training set test setPredicted valueActual value5%340350360370380340350360370380-5%validation setPredicted valueActual value5%图7 验证数据集神经网络预测结果 Fig.7 Prediction results of neural network of the validation set 实际生产环境的不确定性较多，对于算法研究的现实意义更大22-23。为了进一步验证神经网络模型的可靠性，从费托合成工厂采集了新的数据集进行预测。验证数据集采集时间跨度为 2 d，共有 96 组。神经网络的预测结果如图 7 所示。由图可见，优化后的神经网络预测的 RMSE 为 6.10，平均相对误差为1.70%。预测结果表明，对于新的验证数据集，神经网络仍有较好的预测效果，说明所建立的神经网络模型可以反映实际生产条件变化时的负荷变化，对于实际生产控制具有指导意义。这里需要说明的是，对于验证集的数据，神经网络预测误差比上述测试集的大，主要是由于新的验证数据集与训练集测试集数据相隔时间较长、装置运行状况出现差异造成的，一定程度上可以说明所建立的神经网络模型的可靠性，后面考虑将现场最新数据实时输入模型以改进神经网络，增强其对装置运行状况变化的预测能力。3 遗传算法负荷优化 本节将基于上述负荷预测神经网络，通过遗传算法调节神经网络的 6 个输入变量，实现生产负荷即适应度的最大化。遗传算法参数设置仍如表 2 所示。用于负荷优化的遗传算法运行后得到平均适应度与最大适应度随代数变化如图 8 所示，由于此次遗传算法中适应度是 qV,S的预测值，所以 qV,S越大，适应度越大。由图可见，与平均适应度相比，最大适应度更快地收敛到了一定值；而当经过 100 次迭代后，平均适应度与最大适应度几乎收敛到了同一值，说明此时种群内部大多数个体已经达到了最优，无明显差别。6 个输入变量的最佳操作参数取值如表 3 所示，归一化取值如图 9 所示。归一化之后，可以更好地看出 6 个输入变量对费托合成负荷的影响：当 pS、tH2、qV,R分别为 3.0 MPa、10.2、884 km3h1，为取值区间内较小值时(见表 1)，且 tS、qV,H2、pH2分别为 77.2、9.0 km3h1、3.2 MPa，为取值区间内中间值时(见表 1)，费托合成负荷 qV,S达到最大。负荷最大值如图表 3 输入变量最佳操作参数 Table 3 Optimal operating parameters for input variables Input variable ValuetS/77.2pS/MPa 3.0qV,H2/(km3h1)9.0tH2/10.2 pH2/MPa 3.2 qV,R/(km3h1)884图8 负荷优化遗传算法适应度变化Fig.8 Fitness variation of genetic algorithm for load optimization 020406080100370380390400410Generation average fitness best fitnessqV,S/(km3h1)图9 最佳操作参数归一化取值 Fig.9 Normalized values of optimal operating parameters 0.00.20.40.60.81.0Normalized value tS pS qV,H2 tH2 pH2 qV,R 第 37 卷第 4 期 王瑞航等：基于遗传算法与神经网络的费托合成负荷优化 613 8 所示，为 408.4 km3h1，比原负荷平均值 366.2 km3h1提高了 11.5%。神经网络预测在边界处难免会产生较大误差，因此，下一节将利用建好的神经网络对负荷与各输入变量相关灵敏度进行分析，进一步探究各输入变量对负荷的影响程度与趋势。4 灵敏度分析 灵敏度分析是一种研究模型输出对输入敏感程度的方法。通过灵敏度分析，可以验证模型中输出与输入的相关性，对于解释、评价模型具有重要作用21。因此，考虑基于已建立的神经网络模型，采用灵敏度分析方法研究各输入变量对输出的影响程度与趋势，进一步验证所建立的神经网络的可靠性。为方便比较 6 个输入变量对负荷的影响程度与趋势，可将 6 个输入变量归一化，灵敏度分析的输入变量变化范围为建立神经网络时各输入变量的取值区间。选取第 3 节优化得到的 6 个输入变量值作为基值，将各输入变量取值区间分成 10 份，这样每个输入变量对应 11 份数据，将 6 组共 66 份数据输入优化后的神经网络，便可计算得到不同输入变量对应的负荷值。6 个输入变量对负荷归一化影响的灵敏度分析如图 10所示。由图可见，所有变量的灵敏度分析、负荷最大时所对应的输入变量的取值均与图 9 中最佳操作参数的归一化取值相对应，最大负荷(标况)也为 408.4 km3h1。在模型取值区间内，tS、qV,H2、pH2增大，qV,S先升高后降低；pS、tH2、qV,R增大，qV,S则逐渐降低。其中，对 qV,S影响最大的输入变量为 tH2和 qV,R，这 2 个变量在模型取值区间内变化时，导致 qV,S分别变化了 13.9%与 13.7%，而其余 4 个变量对qV,S影响相对较小。因此，若要达到提高 qV,S的目的，可先将 pH2、qV,H2和 tS控制在最佳值，然后再降低 tH2和 qV,R。5 结 论 本研究利用神经网络建立了费托合成负荷与 6 个输入变量的关联模型，并利用遗传算法优化了神经网络的权值和阈值初值，得到了拟合效果良好的神经网络模型。然后利用现场数据验证了模型的准确性；再次利用遗传算法与建立的神经网络对费托合成负荷进行了优化，确定了负荷最大时的各项输入变量取值。利用灵敏度分析探究了各输入变量对负荷的影响程度，结果发现，改变 tH2和 qV,R，对 qV,S影响最大，而其余 4 个变量则影响较小。因此，想要达到提高 qV,S的目的，可考虑从降低 tH2和 qV,R。本研究构建了一种针对费托合成负荷的 2 层遗传算法耦合神经网络模型，但模型尚未应用于现场调控，而且实际上影响费托合成效益因素还有油品选择。本研究下一步重点将在以下两方面：一是将目前得到的最优操作条件的控制方案应用于工业现场，以验证模型的准确性，并将现场最新数据实时输入模型，改进神经网络，增强其应对装置运行状况变化的能力；二是建立针对费托合成负荷与选择性的多目标优化模型，得到负荷与选择性的帕累托前沿，从而为现场调控提供多种操作方案。参考文献：1 SUN J S,LI G,WANG Z H.Optimizing Chinas energy consumption structure under energy and carbon constraints J.Structural Change and Economic Dynamics,2018,47:57-72.2 LIN B Q,ZHOU Y C.Does energy efficiency make sense in China?Based on the perspective of economic growth quality J.Science of The Total Environment,2022,804:149895.3 STEYNBERG A,DRY M,Fischer-Tropsch technology J.Studies in Surface Science and Catalysis,2004,152:441.Normalized value 图10 各输入变量对负荷归一化灵敏度分析 Fig.10 Normalized sensitivity analysis of each input variable on load The upper and lower bounds of each normalized input variable are:tS(76-78),pS(3.0-3.3 MPa),qV,H2(0-14 km3h1),tH2(10-25),pH2(3.1-3.4MPa),qV,R(884-990 km3h1)0.00.20.40.60.81.0350360370380390400410 qV,S/(km3h1)tS pS qV,H2 tH2 pH2 qV,R 614 高 校 化 学 工 程 学 报 2023年8月 4 郭中山,王峰,杨占奇,等.400万t/a煤基费托合成装置运行和优化 J.煤炭学报,2020,45(4):1259-1266.GUO Z S,WANG F,YANG Z Q,et al.Operation and optimization of 4 Mt/a industrial plant of coal-based Fischer-Tropsch synthesis J.Journal of China Coal Society,2020,45(4):1259-1266.5 NANDI S,MUKHERJEE P,TAMBE S S,et al.Reaction modeling and optimization using neural networks and genetic algorithms:Case study involving TS-1 catalyzed hydroxylation of benzene J.Industrial and Engineering Chemistry Research,2002,41(9):2159-2169.6 GYUROVA L A,MINIO-JUSTEL P,SCHLARB A K.Modeling the sliding wear and friction properties of polyphenylene sulfide composites using artificial neural networks J.Wear,2010,268(5/6):708-714.7 RICHARD M G.Exploring the diversity of artificial neural network architectures.review of neural networks:A comprehensive foundation,by Simon Haykin J.Journal of Mathematical Psychology,1997,41(3):287-292.8 SCHOOLING J M,BROWN M,REED P A S.An example of the use of neural computing techniques in materials science:The modeling of fatigue thresholds in Ni-base super alloys J.Materials Science and Engineering A,1999,260(1/2):222-239.9 FABIANO A N,FERNANDES S R.Optimization of panose production by enzymatic synthesis using neural networks J.Process Biochemistry,2005,41(5):1090-1096.10 黄方亮,沈同平,釐力.改进的AlexNet卷积神经网络用于中草药叶片分类 J.安庆师范大学学报(自然科学版),2020,26(3):70-75.HUANG F L,SHEN T P,LI L.Classification of Chinese herbal image based on improved AlexNet convolutional neural network J.Journal of Anqing Normal University(Nature Science Edition),2020,26(3):70-75.11 SONG B,XU L,LI X,NIE S,et al.Method for diagnosing open circuit fault of Z-source inverter transistor,involves optimizing initial weight value and threshold value of network structure by genetic algorithm,and obtaining initial weight value and threshold value:CN,112 213 665-A P.2021-01-12.12 HOLLAND J H.Adaptation in natural and artificial systems:An introductory analysis with application to biology J.Control&Artificial Intelligence,1975.13 KARR C L,WECK B,MASSART D L,et al.Least median squares curve fitting using genetic algorithm J.Engineering Applications of Artificial Intelligence,1995,8(2):177-189.14 POTTS J C.GIDDENS T D.The development and evaluation of an improved genetic algorithm based on migration and artificial selection J.IEEE Transactions on Systems,Man,and Cybernetics,1994,24(1):73-86.15 葛继科,邱玉辉,吴春明,等.遗传算法研究综述 J.计算机应用研究,2008,25(10):2911-2916.GE J K,QIU Y H,WU C M,et al.Summary of genetic algorithms research J.Application Research of Computers,2008,25(10):2911-2916.16 WHITCOMBE J M,CROPP R A,BRADDOCK R D,et al.The use of sensitivity analysis and genetic algorithms for the management of catalyst emissions from oil refineries J.Mathematical and Computer Modelling An International Journal,2006,44(5/6):430-438.17 ADIB H,HAGHBAKHSH R,SAIDI M,et al.Modeling and optimization of FischerTropsch synthesis in the presence of Co(III)/Al2O3 catalyst using artificial neural networks and genetic algorithm J.Journal of Natural Gas Science and Eng