考虑不确定性的过程优化-综述

快，关注这个公众号，一起涨姿势~

Process Optimization with Consideration of Uncertainties—An Overview

陈莹，袁志宏，陈丙珍

（清华大学）

内容简介

参数不确定条件下的过程优化一直以来是过程系统工程领域一个十分具有挑战性的难题，其具有重要的实际应用价值。由于优化问题的解通常对于参数的波动表现出高度的敏感性，因此忽略了参数不确定性的确定性优化模型在实际的生产过程中并不适用。不确定性存在于实际化工生产中的各个环节，从过程设计与合成到操作计划、生产调度、供应链优化再到过程控制领域，参数不确定性的存在可能会导致方案不可行，不利的生产波动以及额外的投资和操作费用。本文综述了近十年来不确定条件下过程优化领域的重要成就和最新进展，并详尽讨论了不确定条件下各优化方法的优势和局限性。这篇文章重点关注了三个重要的考虑不确定性的过程优化研究方法，即鲁棒优化，随机规划和机会约束规划，并且基于这三种方法系统地分析了它们各自的应用范围，改进发展以及未来的发展方向。本文针对鲁棒优化的过度保守性，随机规划和机会约束规划求解困难等问题提出了一系列的解决方案，并综述了这三种优化方法最近十年来的发展历程和应用实践。鲁棒优化适用于解决短周期的调度问题，但是过度保守性成为限制其应用和发展的瓶颈。通过引入预算参数，逐步利用概率分布信息和融入补偿（自适应鲁棒优化）等方式可以调节和控制鲁棒优化的保守程度。随机规划更适用于应对长周期的生产计划和战略设计问题，但是大规模的随机规划问题通常难以求解。场景减少策略与分解算法有助于有效地求解同时包含内在和外在不确定性的多阶段随机规划问题。近年来该领域的发展趋势之一是集成不同的优化方法，旨在发挥它们各自的优势并弥补它们固有的局限。嵌套随机鲁棒优化可以处理多规模的不确定性以反映决策者对于不同层面的不确定性所持有的不同的保守程度，随机规划用于处理战略层面的不确定性，而鲁棒优化则针对于操作层面的不确定性。另一个重要的发展方向是数据驱动优化，先进的机器学习算法与传统的数学规划模型无缝集成，通过机器学习算法可以从海量的历史数据中提取关于不确定性的有效的特征和信息。数据驱动自适应鲁棒优化充分利用工业大数据抓取不确定信息的本质，其不仅对参数波动鲁棒，而且能够有效地辨识异常测量。在随机规划中，通过匹配统计学性质，利用数据驱动的方式可以系统而合理地生成情景树。因此，基于历史数据的预测极大地推动了不确定优化领域的发展，数据驱动的方式也为传统的优化领域注入了新的活力。另外，由于建模者对于风险具有不同的厌恶和容忍程度,向优化模型中融入有效的风险管理机制也是未来的一大发展方向。

图表导读

Table 1 Comparison among three optimization methods

Table 2 Recent advances of robust optimization applications in Process Systems Engineering

通讯作者及团队介绍

通讯作者简介

陈丙珍，清华大学化学工程系教授，中国工程院院士。

现任国际学术期刊“Computers & Chemical Engineering”编委，“中国化学工程学报（英文）”顾问编委等职。曾担任第8届过程系统工程会议（2003）国际组委会主席。自70年代后期即致力于化工系统工程新学科的建设和工业应用，创建了教学科研基地。围绕石化企业能源和资源的优化利用, 在化工系统综合、在线数据校正及在线优化、人工智能应用、产业链优化、面向本质安全的化工过程设计等前沿领域中开展研究，不少创新性成果在工业实践中得到了重要应用。

团队介绍

目前该团队主要从事流程工业智能优化制造和清洁能源生产的研究工作，主要包括过程系统工程和能源系统工程领域的产品/材料-过程集成设计与合成、大数据驱动模型、全流程优化控制与操作、不确定条件下鲁棒优化等研究内容。

全文链接(doi 号):

http://www.sciencedirect.com/science/article/pii/S1004954117311667

声明

本文为原创作品，所涉及文字及图片版权归属《中国化学工程学报》编辑部所有，根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编我编辑部作品，务必提前联系我编辑部。个人请按本微信原文转发分享。