文章导读

元启发式算法常被用于复杂精馏过程的优化，但算法迭代中会产生大量不可行解，阻碍算法高效搜索可行域内的优质解。重庆大学申威峰团队在ENG. Chem. Eng. 发表论文，提出一种面向不可行解的数据驱动识别与自适应定向校正策略，并在此基础上构建了适用于复杂精馏过程的多目标高效优化框架（MO-DIDC）。该框架可识别出临近帕累托解的不可行解，并对其进行修正，以加快算法收敛至最优设计方案。研究首先训练代理模型区分优劣解，从不可行解集中筛选出具备优化潜力的候选解；再通过相似度距离分析确定偏差度最大的变量并进行校正，生成新的优质候选解。该策略减少了算法对无效不可行区域的搜索，将计算资源集中于可行优质解的寻优过程。将本框架应用于双塔侧线萃取精馏与四塔萃取精馏体系开展验证，结果表明，相较于传统遗传算法，MO-DIDC框架优化效率显著提升。

文章亮点

提出不可行解的数据驱动识别与自适应定向修正策略

利用高斯过程代理模型，区分帕累托最优解与普通支配解，实现对不可行解集内高潜力候选解的自动筛选；通过设计变量相似度距离分析，选择帕累托解所在区域作为参考方向；最后限定修正区间为全部帕累托最优解的变量取值范围，通过均匀突变策略完成变量定向修正，生成兼具高可行性与优化潜力的全新个体。该策略将具有潜力的无效解转化为优质候选解，减少算法对无效不可行区域的重复遍历，将计算资源集中于高质量可行解，修正生成的新样本能为后续迭代提供有效先验信息，加速算法向最优工艺区间收敛。

开发融合数据驱动与自适应定向修正策略的高效多目标优化框架

将数据驱动识别与自适应定向修正策略嵌入经典多目标优化算法的迭代流程，搭建面向复杂精馏流程的高效多目标优化框架，形成了一套完整且可落地的流程优化体系。框架保留了 NSGA-II 的全局搜索能力，同时对种群实行差异化处理。对筛选得到的潜力不可行解执行定向修正操作生成全新候选个体，剩余正常个体沿用传统选择、交叉、变异机制协同进化，两种进化路径互补提升了寻优性能。

亮图解读

图1.展示了MO-DIDC优化框架，整体基于NSGA-II算法搭建，融合了不可行解识别与定向修正算法。

图2. (a) 考虑变量约束与模拟结果的候选解分类；(b) 目标函数与决策变量双空间内的候选解分布。对优化过程生成的解进行分类，区分出不同类型的不可行解，明确研究目标。

图3.采用数据驱动识别与自适应定向修正策略基本流程示意图。

（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fcse/EN/10.1007/s11705-026-2670-6