工业过程,从严格意义上来讲,是一个动态的过程。就是说,描述过程的状态变量(诸如物料浓度、温度、压力、流量、液位等)随时间的演进、空间的转移而发生改变。动态过程由微分方程或差分方程描述,称为动态模型,其中微分方程用来描述系统的动态特性,如质量和能量的守恒关系等等,而代数方程用来确保系统的物理和热力学平衡关系等等。 在过去的十年里,随着过程性能指标以及规格限制越来越严格,运营公司面临越来越强大的市场竞争,过程工业的动态仿真也得到越来越广泛的应用。此外,随着ASPEN Custom Modeler和gPROMS等强大动态仿真商业软件的开发,动态仿真伴随着稳态部分一同被引入工业生产中。在动态仿真中,动态优化占有重要的地位,国内外对于动态仿真领域有不少的研究,然而,直接应用于动态优化仍然受限制。 动态优化算法是实现动态优化的关键因素之一,本文就工业过程的动态优化算法进行了分析和研究。主要内容及贡献如下: 1.对动态优化的基本概念及其在工业过程中的重要作用,动态优化算法及其当前的发展和应用情况进行了综述性研究,分析了这些算法各自的优缺点。 2.实现了传统的控制变量参数化方法,并对典型的工业实例进行了研究,通过分析相关的结果,得到了传统的控制变量参数化方法的缺陷。基于这一缺陷分析,进一步提出了改进的控制变量参数化方法,在保证算法精度的前提下,可以减少运算时间和迭代次数,实例研究表明了所提出的改进的控制变量参数化方法的有效性。 3.基于对控制变量参数化方法的分析,提出了将变分法和两点梯度法相结合的两点梯度动态优化算法,并进行了实例验证。为了改进两点梯度法精度和求解效率,进一步提出自适应变步长两点梯度算法。实例研究表明了所提出的自适应变步长方法在求解效率和结果精度上都有明显提高。 4.针对于边值固定的问题,在分析罚函数的缺陷的基础上,深入研究了目标优先的动态优化算法,实例研究表明了该算法的有效性。