一种基于迁移偏好学习的加氢裂化过程多目标决策分析方法

本发明涉及多目标优化技术、复杂工业过程优化，具体但不限于涉及一种用于炼油加氢裂化过程的基于迁移学习的偏好启发式多目标进化算法（tdp-moea），适用于解决昂贵多目标优化问题。

背景技术：

1、加氢裂化作为炼油工业的核心过程，可将重质油馏分（如减压瓦斯油）在高温高压条件下转化为低沸点的高价值产品（如低硫柴油、高烟点喷气燃料），对提升炼油产品质量至关重要。该过程通常采用双床催化反应器，第一反应器用于分解含硫和含氮化合物，第二反应器对处理后的液体馏分进行加氢异构化和加氢裂化。

2、从优化角度看，加氢裂化过程属于典型的多目标优化问题，需优化原料进料流量、反应压力、温度等操作条件，以平衡产品收率、成本等多个目标。然而，该过程存在两大技术痛点：一是评估成本高昂。采用流程模拟软件构建的加氢裂化仿真模型具有高度非线性，对新操作条件的性能评估耗时且成本高，导致传统优化方法难以高效应用；二是搜索效率低下。传统多目标进化算法需求解完整帕累托解集和帕累托前沿，但实际场景中高维目标空间下帕累托支配关系难以区分，且大量评估操作超出工业可接受成本，同时决策者难以从海量解集中筛选出感兴趣区域的最优解。

3、现有偏好驱动型多目标进化算法虽能聚焦感兴趣区域，但存在偏好模型灵活性不足、代理模型泛化能力弱、子问题间信息未有效利用等缺陷，难以满足加氢裂化等复杂工业过程的优化需求。因此，亟需一种能高效整合决策者偏好、降低评估成本、提升优化精度的多目标优化方法。

技术实现思路

1、针对现有技术中评估成本高昂和搜索效率低下痛点问题，本发明提出了一种基于可迁移偏好学习的加氢裂化过程多目标决策分析方法，通过构建m+1个参考向量的新型偏好模型精准界定感兴趣区域，融合kriging代理模型与期望改进填充准则降低昂贵评估成本，创新引入样本+参数双层迁移学习策略提升模型鲁棒性与种群多样性，实现对加氢裂化过程多目标优化的高效求解，为炼油企业提供兼具经济性与实用性的操作优化方案。

2、实现本发明目的的技术解决方案为：

3、一种基于迁移偏好学习的加氢裂化过程多目标决策分析方法，包括：

4、s1、偏好表达与感兴趣区域roi界定：根据决策者给定的偏好向量 及期望区域大小参数 ，生成感兴趣区域roi，并在roi内构造 个参考向量，其中为目标函数个数；

5、s2、代理模型建立：基于拉丁超立方采样生成初始样本集，利用真实目标函数对样本进行评价，并依据参考向量构建多个克里金（kriging）代理模型以近似不同子问题的适应度。

6、s3、模型驱动进化搜索：采用期望改进（expected improvement, ei）准则生成候选解，结合克里金模型的预测值与不确定性进行样本筛选与进化更新；

7、s4、迁移学习机制：在进化过程中引入样本迁移与参数迁移，样本迁移时从不同子问题中选择高性能个体共同用于其他子模型的训练；参数迁移是基于特征重要性分析与自适应权重策略，实现子模型参数间的互信息传递；

8、s5、最优解集确定：通过非支配排序获得roi内的最优非支配解集，形成满足偏好约束的最优决策方案。

9、优选的，所述感兴趣区域roi的边界确定步骤包括：

10、由决策者提供单位化的偏好向量 ，设定区域控制参数，表示决策者对第 m 个目标的偏好权重，计算得到边界向量集：

11、

12、通过线性插值公式 生成roi内均匀分布的参考向量集合，以用于引导算法的搜索方向。该步骤能够根据参数的取值灵活调节感兴趣区域的范围，并在高维目标空间中保持参考向量的等角度分布特性，从而确保搜索过程在满足决策者偏好的同时具备良好的均衡性与代表性。

13、优选的，所述代理模型的建立包括以下步骤：

14、采用拉丁超立方采样lhs在决策空间中生成n个初始样本点；对每个样本点调用真实目标函数计算其多目标响应值f(xi)；依据样本点与各参考向量的夹角关系，将样本划分至对应子问题子群；对每个子群独立构建克里金模型，其相关性函数采用加权高斯核：

15、

16、其中 表示第k个输入变量的相关性参数， 为平滑系数, 与是第k组输入变量的任意两个输入变量。

17、通过最大化对数似然函数求得模型超参数：

18、

19、其中s为样本协方差矩阵，n为输入变量的数量，为样本标准差。

20、优选的，所述采样与进化过程采用期望改进ei采集函数作为搜索准则，其计算方式为：

21、

22、其中为正态累积分布函数，为概率密度函数，为当前种群最小适应度值，和分别为 kriging 模型的预测值与不确定性。该函数在保证探索与开发平衡的同时，优先在高潜在改进区采样，从而提升roi区域收敛速度。

23、优选的，所述迁移学习机制包括两级知识迁移：

24、（1）样本迁移：在每一代进化中，从多个子问题中选取适应度值最优的前11d−1+25个样本个体，作为共享样本池；各子模型在训练时引入共享样本池中的数据，以实现跨子问题的数据迁移，从而提高局部模型的拟合精度与全局探索能力；

25、（2）参数迁移：通过特征筛选算法识别各子模型的关键参数索引集，基于群体比例 与自适应权重，更新参数：

26、

27、其中 为已执行的评价次数， 为最大评价次数， , 表示第个克里金模型的第个参数。

28、6.根据权利要求1所述的方法：

29、

30、其中 为个体与参考向量的夹角， 为参考向量间的固定角度， 表示第个个体的目标向量到原点的距离， 为惩罚函数。

31、该设计在早期促进解集快速靠近帕累托前沿，后期增强解集多样性，保证最终roi区域的均匀分布。

32、本发明的有益效果

33、1. 优化效率与成本优势显著：通过m+1个参考向量精准界定 roi，结合 kriging代理模型与 ei 填充准则，将加氢裂化过程的真实评估次数控制在500 次内，较传统算法减少40%以上，小roi场景下仍能稳定输出有效解，而现有多数算法易出现无解情况，大幅降低工业优化的时间与经济成本。

34、2. 优化性能与工业价值突出：双层迁移学习策略充分挖掘子问题间共性信息，使roi 内非支配解分布更均匀，适配加氢裂化的多目标冲突场景，输出结果能直接指导工业操作，普适性覆盖各类昂贵多目标优化场景。

1.一种基于迁移偏好学习的加氢裂化过程多目标决策分析方法，其特征在于，包括：

2.根据权利要求1所述的多目标决策分析方法，其特征在于，所述感兴趣区域roi的边界确定步骤包括：

3.根据权利要求1所述的方法，其特征在于，所述代理模型的建立包括以下步骤：

4.根据权利要求1所述的方法，其特征在于，所述采样与进化过程采用期望改进ei采集函数作为搜索准则，其计算方式为：

5.根据权利要求1所述的方法，其特征在于，所述迁移学习机制包括两级知识迁移：

6.根据权利要求1所述的方法：