面向造紙生產(chǎn)系統(tǒng)非線性多維度問題的求解器設(shè)計(jì)與應(yīng)用

摘要： 造紙工業(yè)智能化轉(zhuǎn)型過程涉及大量高維數(shù)學(xué)模型的動(dòng)態(tài)、實(shí)時(shí)求解問題。由于造紙生產(chǎn)系統(tǒng)的非線性、多維度和不確定性等特點(diǎn)，導(dǎo)致描述造紙生產(chǎn)的數(shù)學(xué)模型往往由龐大的方程組構(gòu)成，同時(shí)，因造紙過程生產(chǎn)波動(dòng)較大、生產(chǎn)切換頻繁，需對(duì)復(fù)雜模型組進(jìn)行頻繁、高效的求解，以滿足動(dòng)態(tài)生產(chǎn)優(yōu)化的需求。研究面向造紙模型求解問題的求解器，是解決該問題的關(guān)鍵。本研究針對(duì)造紙生產(chǎn)模型非線性多維度求解的特點(diǎn)，基于信賴域內(nèi)點(diǎn)法和TikTak多起點(diǎn)優(yōu)化算法，設(shè)計(jì)了面向非線性多維度造紙生產(chǎn)系統(tǒng)的全局優(yōu)化求解器，實(shí)現(xiàn)了對(duì)復(fù)雜生產(chǎn)約束和不確定初始條件的高效求解。結(jié)果表明，本求解器在造紙干燥部優(yōu)化案例中以100%的成功率找到全局最優(yōu)解，單個(gè)案例平均求解時(shí)間為0. 81 s，表現(xiàn)出高度穩(wěn)健性。此外，在造紙能量系統(tǒng)優(yōu)化案例中成功求解并節(jié)約了59. 7%的計(jì)算資源和9. 29%的計(jì)算時(shí)間。

關(guān)鍵詞：信賴域內(nèi)點(diǎn)法；多起點(diǎn)優(yōu)化算法；求解器；非線性優(yōu)化

中圖分類號(hào)：TS78 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 11980/j. issn. 0254-508X. 2025. 02. 002

在工業(yè)4.0的浪潮中，制造業(yè)正經(jīng)歷著前所未有的數(shù)字化轉(zhuǎn)型。造紙工業(yè)，作為全球基礎(chǔ)工業(yè)的重要組成部分，其生產(chǎn)過程的智能化和高效化尤為關(guān)鍵[1]。然而，造紙生產(chǎn)系統(tǒng)作為流程工業(yè)系統(tǒng)，由于其固有的非線性和多維度特性，使得數(shù)學(xué)模型的構(gòu)建和求解變得異常復(fù)雜[2-3]，其生產(chǎn)調(diào)度的目標(biāo)包括經(jīng)濟(jì)指標(biāo)和性能指標(biāo)，經(jīng)濟(jì)指標(biāo)一般指總體生產(chǎn)費(fèi)用最低、生產(chǎn)利潤最大，性能指標(biāo)主要指制造間隙最小、平均滯留時(shí)間最短，這些模型不僅需要精確描述造紙過程中的物料流動(dòng)、傳質(zhì)傳熱以及物理化學(xué)反應(yīng)，還要能夠適應(yīng)原料質(zhì)量、工藝條件和設(shè)備狀態(tài)的約束變化，從而為生產(chǎn)優(yōu)化提供可靠的決策支持[4-5]。這些因素要求將不同裝置和生產(chǎn)連接成整體，對(duì)尋找最優(yōu)解的過程產(chǎn)生顯著影響，增加了優(yōu)化求解的難度[6-7]。

針對(duì)這一挑戰(zhàn)，本研究提出了一種面向非線性多維度造紙生產(chǎn)系統(tǒng)的全局優(yōu)化求解器。該工具旨在通過高效的求解算法來處理造紙工業(yè)中高維數(shù)學(xué)模型的動(dòng)態(tài)、實(shí)時(shí)求解問題，滿足造紙生產(chǎn)過程中對(duì)動(dòng)態(tài)優(yōu)化的需求?，F(xiàn)有的通用商業(yè)化求解工具如Cplex、Gurobi和Baron雖然在求解大規(guī)模非凸非線性問題上的求解性能較好，但這些求解工具多為商業(yè)場景開發(fā)，求解邏輯與工業(yè)場景存在較大差異?？紤]工業(yè)在求解一致性和穩(wěn)定性上的特殊要求，商業(yè)求解器在工業(yè)場景下的使用受到極大限制，同時(shí)還面臨高昂的使用成本[8]。而開源求解工具如Scipy、Pygmo2和NLopt等，在處理復(fù)雜需求，尤其是全局優(yōu)化和大規(guī)模非線性優(yōu)化問題上，未能有效兼顧非線性模型的兼容性和全局搜索能力，導(dǎo)致在復(fù)雜工業(yè)應(yīng)用中難以完美求得最優(yōu)解，其底層設(shè)計(jì)邏輯限制了基于其進(jìn)行二次開發(fā)的適應(yīng)性[9]。目前，在工業(yè)場景的大規(guī)模估計(jì)和校準(zhǔn)問題中，研究人員通常只使用局部優(yōu)化器，并且需要多次重新啟動(dòng)本地優(yōu)化器，選擇最佳目標(biāo)。雖然這種方法類似于多啟動(dòng)全局算法，但在工業(yè)實(shí)踐中，重新啟動(dòng)的數(shù)量可能相當(dāng)少，而且沒有系統(tǒng)的程序來選擇重啟點(diǎn)[10]。隨著工業(yè)生產(chǎn)動(dòng)態(tài)優(yōu)化和智能化升級(jí)需求的不斷加大，開發(fā)面向造紙工業(yè)生產(chǎn)場景的求解工具，已是勢(shì)在必行。

為了克服現(xiàn)有求解工具的局限性，本研究提出了結(jié)合2種算法的策略。首先，信賴域內(nèi)點(diǎn)法（trust-re?gion interior point） 作為一種穩(wěn)定的優(yōu)化算法，具有處理大規(guī)模非線性問題的顯著優(yōu)勢(shì)。該方法通過在優(yōu)化過程中動(dòng)態(tài)調(diào)整信賴域的大小，有效控制迭代步長，確保算法的穩(wěn)定性和收斂性[11]。其次，TikTak算法作為一種多起點(diǎn)算法，通過從參數(shù)空間中精心選擇的點(diǎn)進(jìn)行局部搜索，憑借積累的信息逐步聚焦于最具潛力的區(qū)域。TikTak算法的并行化特性和對(duì)參數(shù)選擇的低依賴性，使其在經(jīng)濟(jì)應(yīng)用中表現(xiàn)出色[10]。

本研究的全局優(yōu)化求解器將信賴域內(nèi)點(diǎn)法的穩(wěn)定性與TikTak算法的全局搜索能力相結(jié)合，以實(shí)現(xiàn)對(duì)造紙生產(chǎn)過程中多變因素和不確定性的高效全局優(yōu)化求解。通過模塊化開發(fā)和優(yōu)化算法的集成設(shè)計(jì)，確保了求解器在節(jié)約計(jì)算資源和求解速度上的雙重提升，從而有效應(yīng)對(duì)復(fù)雜的生產(chǎn)約束和實(shí)時(shí)變化的工藝條件。

1 求解器的開發(fā)

1. 1 技術(shù)路線

本研究的技術(shù)路線旨在解決造紙生產(chǎn)系統(tǒng)中的全局優(yōu)化問題，這些問題通常具有高度的非線性和多維度特性。在造紙工業(yè)中，優(yōu)化問題包括但不限于原料配比、工藝參數(shù)調(diào)整、能源消耗最小化以及產(chǎn)品質(zhì)量最優(yōu)化等。這些問題的解決對(duì)于提高生產(chǎn)效率、降低成本以及提升產(chǎn)品質(zhì)量均具有重要意義。針對(duì)這些造紙?zhí)匦詥栴}，本研究提出了一種基于面向?qū)ο蟮那蠼馄骷軜?gòu)，如圖1所示。該架構(gòu)的設(shè)計(jì)充分考慮了造紙過程中的動(dòng)態(tài)變化和不確定性因素，以實(shí)現(xiàn)對(duì)優(yōu)化問題的高效求解。

在前處理階段，對(duì)模型目標(biāo)函數(shù)和約束規(guī)范化處理。通過導(dǎo)數(shù)運(yùn)算和矩陣運(yùn)算模塊，動(dòng)態(tài)計(jì)算和管理與優(yōu)化問題相關(guān)的矩陣，并關(guān)聯(lián)到優(yōu)化問題的維度和變量數(shù)量。進(jìn)一步地，本研究的全局優(yōu)化算法模塊通過執(zhí)行全局搜索，結(jié)合預(yù)測(cè)試和局部最優(yōu)搜索，提高了求解效率，并增強(qiáng)了求解器對(duì)復(fù)雜問題的適應(yīng)性。

求解流程從輸入接口開始，該接口負(fù)責(zé)收集目標(biāo)函數(shù)表達(dá)式、初始猜測(cè)值和約束條件集合等必要信息。隨后，優(yōu)化迭代過程啟動(dòng)，通過局部優(yōu)化算法對(duì)問題進(jìn)行求解。在迭代過程中，算法不斷調(diào)整變量，逼近最優(yōu)解。求解完成后，系統(tǒng)通過輸出接口展示詳細(xì)的解集信息，包括最終的變量值、目標(biāo)函數(shù)值和迭代過程軌跡記錄。本求解框架的設(shè)計(jì)和實(shí)現(xiàn)基于上述技術(shù)路線，其集成了面向?qū)ο蟮募軜?gòu)、全局優(yōu)化算法的求解流程。

1. 2 信賴域內(nèi)點(diǎn)算法

信賴域內(nèi)點(diǎn)算法是一種高效的優(yōu)化算法，特別適用于處理造紙行業(yè)中的非線性和復(fù)雜約束問題。該算法通過在迭代過程中保持解的可行性，避免了對(duì)約束條件的精確處理，從而顯著提高了計(jì)算效率。

非線性優(yōu)化問題（NLP） 是一種最大化或最小化非線性表達(dá)式的問題，通常出現(xiàn)在造紙行業(yè)中的過程優(yōu)化。從形式上講，非線性優(yōu)化問題的定義見式（1）。

minf （x）；

s.t. c（x） = 0；

g （x） ≥ 0（1）

式中，f （x） 為目標(biāo)函數(shù)；g （x） 是不等式約束；c （x）是等式約束。

對(duì)于式（1）中不帶g （xk ）不等式約束的非線性優(yōu)化問題，其中xk 為x 的向量形式，該方法在每次迭代中會(huì)代入當(dāng)前迭代點(diǎn)xk 解決以下信賴域序列二次規(guī)劃子問題[12]，以更新步長pk，計(jì)算見式（2）。

式中，?f （xk ）T 是函數(shù)梯度；?2xx L （xk ，λk ）是拉格朗日函數(shù)的黑塞矩陣矩陣（相對(duì)于變量）；A（xk ）是在xk處評(píng)估的約束的雅可比矩陣；Δk 是信賴域半徑。該方法旨在每一步迭代中通過求解1個(gè)局部二次近似問題（2）來逼近原問題的最優(yōu)解[13]。

對(duì)于式（1）中的不等式約束，一般可以引入松弛變量s 使其變?yōu)榈仁郊s束[14]，并添加非負(fù)的對(duì)數(shù)障礙函數(shù)項(xiàng)，可以得到子問題，見式（3）。

式中，μgt;0表示障礙參數(shù)；φμ （x）代表懲罰函數(shù)；s（i）表示xk 向量對(duì)應(yīng)的松弛變量sk 的單個(gè)松弛變量，假設(shè)φμ （x） 在邊界上取正無窮，確保解x 位于可行域內(nèi)。在特定條件下，隨著μ 逐漸趨近于0，x 會(huì)趨向于問題（1）的解，這意味著無需精確解出懲罰函數(shù)，而只需找到1個(gè)近似解，使得誤差εμ gt; 0即可滿足，可以使用信賴域序列二次規(guī)劃法解決該等式約束子問題φμ （x）的解。

解出子問題的解后，定義模型的預(yù)期下降量與實(shí)際下降量的比值為ρk，見式（4）。

ρk = f （x ） k - f （x ） k + sk／φk （0） - φk （s ） k（4）

ρk 越大則下降越多，取xk + 1 = xk + sk，信賴域半徑Δk 按照迭代結(jié)果調(diào)整。由于松弛變量不應(yīng)該過早接近0，因此引入尺度矩陣S-1 k 懲罰可行區(qū)域邊界附近的步長，第2個(gè)目標(biāo)是確保松弛變量保持為正[15]。每次迭代后的解代入約束項(xiàng)與目標(biāo)函數(shù)改進(jìn)的容差f （x + s） - f （x） 作為迭代終止的條件，求出結(jié)果后更新懲罰參數(shù)μ 與容差，可迭代得出原問題的解[16]。

1. 3 多起點(diǎn)算法

在面對(duì)造紙工業(yè)中的優(yōu)化問題時(shí)，多起點(diǎn)算法因其能夠適應(yīng)復(fù)雜和不確定的環(huán)境而顯得尤為重要。TikTak算法，作為多起點(diǎn)算法的一種，通過在參數(shù)空間中選擇多個(gè)初始點(diǎn)并執(zhí)行局部優(yōu)化，以期找到全局最優(yōu)解。算法通過選擇新的起點(diǎn)和利用歷史搜索信息，逐步縮小搜索范圍，提高優(yōu)化效率。本算法使用“Sobol”序列[10]，該序列具有幾個(gè)理想的性質(zhì)，并且在高維度中表現(xiàn)較好。

TikTak算法分為2個(gè)主要階段。第1階段是預(yù)測(cè)試，包括繪制和評(píng)估N 個(gè)“Sobol”點(diǎn)，并從中選擇N? （? N） 個(gè)函數(shù)值最低（最優(yōu)） 的“種子”點(diǎn)。在實(shí)際操作中，N 會(huì)根據(jù)問題的維度大幅增加，而N?為10％N。這些種子點(diǎn)按升序排列為（s1，…，sN*），其中f （s1 ） ≤ … ≤ f （sN* ）。剩余的“Sobol”點(diǎn)將被丟棄，因?yàn)槠涓浇目臻g優(yōu)化趨勢(shì)不佳。

在第2階段，算法依次從N?個(gè)起點(diǎn)（s?1，…，s?N*）開始進(jìn)行局部搜索。令z*j 表示從s*j 開始的局部搜索所找到的最小值。下一個(gè)局部搜索的起點(diǎn)被選擇為下一個(gè)“Sobol”種子點(diǎn)sj + 1 與之前j 次局部搜索中找到的最佳最小值Z *j = min（z*1， z*2，…， z*j ）的凸組合，見式（5）。

s?j + 1 = （1 - θj ）sj + 1 + θj Z *j （5）

式中，θj ∈ （0，1]是混合權(quán)重；Z *j 是最小解的坐標(biāo)。在第2階段的早期，θj 被選為非常小的值，以便算法有時(shí)間在參數(shù)空間中進(jìn)行廣泛搜索。隨著算法的進(jìn)展以及從過去局部搜索中累積的信息增多，θj 會(huì)逐漸增加，以便集中局部搜索包含最佳局部最小值的區(qū)域，從而更徹底地探索參數(shù)空間中最有前景的部分。最后，當(dāng)z*j 的最后2個(gè)不同值之間的絕對(duì)差異足夠小時(shí)，停止算法。

2 案例研究

2. 1 案例1：造紙干燥部優(yōu)化

在工業(yè)生產(chǎn)領(lǐng)域，生活用紙的干燥工段流程頗為繁雜，涵蓋了多個(gè)操作參數(shù)。在確保紙張干燥品質(zhì)達(dá)標(biāo)的基礎(chǔ)上，不同操作參數(shù)的組合方式，會(huì)產(chǎn)生不一樣的干燥能耗水平。為驗(yàn)證求解器的效用，本案例以陳曉彬[17]所構(gòu)建的紙張干燥過程模擬模型為基礎(chǔ)，設(shè)計(jì)了一個(gè)簡化的近似能效優(yōu)化模型來驗(yàn)證本求解器。本研究的測(cè)試環(huán)境采用了11th Gen Intel（R） Core（TM）i5-11300H @ 3.10GHz 處理器，具有4 個(gè)物理核心和8個(gè)邏輯處理器，最多可利用8個(gè)線程。

2. 1. 1 決策變量

決策變量包括主蒸汽壓力（Pms，kPa），還有干燥一二段蒸汽壓差、干燥二三段蒸汽壓差、三段端壓差（dp1/dp2/dp3， kPa）， 以及送風(fēng)機(jī)電機(jī)負(fù)載（Φ1，％）、排風(fēng)機(jī)電機(jī)負(fù)載（Φ2，%），共計(jì)6個(gè)決策變量。為契合實(shí)際生產(chǎn)情形，在敲定模型決策變量的可行取值范圍時(shí)，本研究依據(jù)歷史工況數(shù)據(jù)，在其范圍基礎(chǔ)上拓展10％并取整來明確各決策變量的可行域。

2. 1. 2 約束條件

約束條件關(guān)聯(lián)著系統(tǒng)狀態(tài)變量與決策變量。針對(duì)生活用紙紙張干燥過程中的能效優(yōu)化問題，模型約束條件主要涵蓋以下4個(gè)層面[17]。

（1） 紙張干度約束。干燥部主要功能在于促使紙張內(nèi)水分蒸發(fā)。正常狀況下，對(duì)于紙張脫離干燥部時(shí)的干度設(shè)有既定要求。

（2） 露點(diǎn)約束。為了防止氣罩滴水，排風(fēng)溫度必須高于露點(diǎn)溫度?？紤]到氣罩內(nèi)部溫度分布的不均勻性，排風(fēng)溫度必須保持在露點(diǎn)溫度以上，以避免局部溫度低于露點(diǎn)。

（3） 氣罩平衡約束。氣罩平衡約束與氣罩零位控制相關(guān)，一般送排風(fēng)比要在70%～80%范圍內(nèi)。

（4） 濕端汽水分離器的真空度有一定限制，受到系統(tǒng)配置的影響。

對(duì)于以上復(fù)雜工藝約束，為了便于求解可將其轉(zhuǎn)化為9個(gè)不等式約束，見表1。

2. 1. 3 目標(biāo)函數(shù)

為了實(shí)現(xiàn)節(jié)能降耗，將能源收益作為目標(biāo)函數(shù)，主要包括蒸汽消耗和電機(jī)功耗[17]，見式（6）。

式中，mtot 是蒸汽總消耗量，kg/s，與主蒸汽壓力、壓差等變量通過質(zhì)量平衡和焓值差間接相關(guān)；p 是風(fēng)機(jī)電機(jī)功耗，kW，與電機(jī)負(fù)載呈線性關(guān)系。

由于其與變量之間存在的對(duì)數(shù)與線性關(guān)系[17]，本研究將其轉(zhuǎn)化為非線性目標(biāo)函數(shù)，見式（7）。

為闡釋目標(biāo)函數(shù)的特性，本研究聚焦于立方體域x ∈ [0，50 ]n，繪制了三維圖與等線圖。圖2展示了該目標(biāo)函數(shù)二階情況下的三維圖與等線圖，其中三維圖的半透明區(qū)域表示不滿足約束的區(qū)域，等線圖的陰影區(qū)域表示滿足約束的區(qū)域，全局最小值位于約束邊界處。整體來看，因其二次項(xiàng)和約束的影響，函數(shù)呈現(xiàn)出1個(gè)明顯的山峰狀，每個(gè)最小值藏在山谷底部。然而，由于余弦項(xiàng)的乘積，函數(shù)還表現(xiàn)出大量小“波紋”，導(dǎo)致域內(nèi)分布著大量局部最小值。這些波紋在圖2（b）函數(shù)等高線圖中更為清晰。等高線圖中的每個(gè)閉合圓圈內(nèi)至少包含1個(gè)局部最小值，且數(shù)量眾多。這些挑戰(zhàn)在二維情況下已經(jīng)很明顯；而在三維或更高維度中，函數(shù)的形態(tài)和可能出現(xiàn)的復(fù)雜情況更是難以可視化。

本案例在變量范圍（104，128）（30，37）（80，98）（30，37）（25，31）（35，43）內(nèi)優(yōu)化，使用3個(gè)求解工具經(jīng)過多次迭代可求得精確解為： x1 = 106.81， x2 =35.53， x3 = 97.92， x4 = 31.39， x5 = 28.08， x6 = 38.44。目標(biāo)函數(shù)為7.46，相較于原始的目標(biāo)函數(shù)值8.47減少了1.01。為驗(yàn)證求解穩(wěn)定性，本研究從100個(gè)隨機(jī)抽取的初始點(diǎn)位（每個(gè)求解工具都是相同的） 中實(shí)現(xiàn)最優(yōu)化求解，設(shè)置成功的公差水平為10?4。Matlab使用了fmincon 函數(shù)默認(rèn)的內(nèi)點(diǎn)法（interior-point），Scipy則使用了minimize函數(shù)的信賴域約束優(yōu)化算法（trustconstr）分別并行差分進(jìn)化算法（differential evolu?tion） 以及模擬退火算法（dual annealing），本求解框架使用了信賴域內(nèi)點(diǎn)法和TikTak多起點(diǎn)全局優(yōu)化算法。在建模中，只有Scipy中的差分進(jìn)化算法與本求解框架支持非線性約束，其他全局算法則通過將約束轉(zhuǎn)換為懲罰項(xiàng)添加到目標(biāo)函數(shù)中來進(jìn)行求解。

圖3為求解效果對(duì)比。根據(jù)圖3（a）中的成功率曲線，隨著最大迭代次數(shù)設(shè)置的上升，Scipy和Matlab在干燥部優(yōu)化中均未能穩(wěn)定找到解決方案，差分進(jìn)化算法的求解成功率最終為87％左右，類似的效果也出現(xiàn)在了模擬退火算法中。內(nèi)點(diǎn)法在不使用全局優(yōu)化算法的情況下的求解成功率為10％左右。這意味著差分優(yōu)化算法和模擬退火算法均可跳出絕大部分小型局部優(yōu)化陷阱，但仍然會(huì)陷入更為明顯的局部優(yōu)化陷阱，且不能保證求解的穩(wěn)定性。相比之下，本求解器在不同類型的非線性優(yōu)化問題上表現(xiàn)出色。在最大迭代次數(shù)100及以上的情況下，本求解框架都以成功率100％解決了問題。圖3（b）展示了在最大迭代次數(shù)1 000下統(tǒng)計(jì)各求解器計(jì)算時(shí)間，其中每種求解器進(jìn)行了100次獨(dú)立求解（n=100），以統(tǒng)計(jì)其計(jì)算時(shí)間分布。由圖3（b）可知，本求解器的平均求解時(shí)間為0.81 s，相較于差分進(jìn)化法的0.96 s和模擬退火算法的2.08 s，有所提升。

綜合來看，本求解器在全局優(yōu)化能力、約束處理以及初始點(diǎn)兼容性方面均表現(xiàn)較好。與一般啟發(fā)式優(yōu)化方法相比，其不僅能夠有效提升求解成功率，還減少了計(jì)算時(shí)間。

2. 2 案例2：造紙企業(yè)能量系統(tǒng)操作優(yōu)化

熱電聯(lián)產(chǎn)是造紙工業(yè)節(jié)能的一個(gè)重要方面，也是造紙企業(yè)提高效益的另一個(gè)重要途徑[18]，但存在明顯的非線性特性，當(dāng)制漿、造紙生產(chǎn)局部改變或異常時(shí)，熱電廠的被動(dòng)調(diào)節(jié)會(huì)使熱電聯(lián)產(chǎn)系統(tǒng)運(yùn)行狀態(tài)改變，這種調(diào)節(jié)與系統(tǒng)響應(yīng)并非簡單的線性關(guān)系[19]。如制漿環(huán)節(jié)的微小波動(dòng)可能導(dǎo)致熱電廠蒸汽供應(yīng)需求的非比例變化，而且這種變化在不同工況下具有不確定性，體現(xiàn)出多因素相互作用的復(fù)雜非線性。同時(shí)，多個(gè)鍋爐和汽輪機(jī)組之間的協(xié)同工作也呈現(xiàn)出非線性特點(diǎn)，這些設(shè)備的運(yùn)行狀態(tài)相互影響，一個(gè)機(jī)組參數(shù)的改變對(duì)整個(gè)熱電聯(lián)產(chǎn)系統(tǒng)的影響不是簡單的加和關(guān)系。

基于此，本研究參考了周艷明等[20]的研究，該研究提出了一個(gè)包含多個(gè)能耗模塊和汽輪機(jī)的造紙企業(yè)熱電聯(lián)產(chǎn)優(yōu)化模型，目的是使能耗系統(tǒng)的效益和效率最大化。因熱電聯(lián)產(chǎn)涉及多個(gè)鍋爐和汽輪機(jī)組，且二者存在線性和非線性約束，所以其運(yùn)行優(yōu)化可采用自然語言處理（NLP） 方法。該研究將工藝模型分解為單元（設(shè)備） 模型的組合，并在此基礎(chǔ)上建立相應(yīng)數(shù)學(xué)規(guī)劃模型并求解。以廣州造紙集團(tuán)有限公司（以下簡稱“廣紙”） 的熱電聯(lián)產(chǎn)項(xiàng)目為例，此模型目標(biāo)是在給定約束條件下，讓煤、蒸汽和電的消耗達(dá)到最優(yōu)平衡，實(shí)現(xiàn)能源利用和經(jīng)濟(jì)效益的最大化。

該熱電聯(lián)產(chǎn)工藝由3臺(tái)后置汽輪機(jī)，3個(gè)耗能模塊，2臺(tái)前置汽輪機(jī)組成。共32個(gè)變量，48個(gè)約束，其中3個(gè)非線性約束，變量為各物料流量，詳見廣紙熱電聯(lián)產(chǎn)建模[20]。在廣紙熱電聯(lián)產(chǎn)系統(tǒng)的優(yōu)化中，本研究使用了不同的求解工具M(jìn)atlab、Scipy和本求解工具來解決復(fù)雜的優(yōu)化問題。3種求解工具的方法選擇同案例1。固定產(chǎn)汽量為295.43 t/h，在同樣初始點(diǎn)情況下進(jìn)行計(jì)算。

表2為各求解器優(yōu)化結(jié)果。由表2可知，Matlab、Scipy和本求解器這3種求解工具在不同工段的耗能模塊耗煤量和產(chǎn)汽量方面存在一些差異。Matlab在第3工段的耗能模塊耗煤量為1.85 t/h，這可能是由于該求解器在迭代過程中遇到了疑似駐點(diǎn)導(dǎo)致提前停止迭代的情況。相比之下，Scipy和本求解器在該工段的結(jié)果相對(duì)穩(wěn)定且在10?6精度下保持一致。Matlab可能遇到了迭代到疑似駐點(diǎn)而停止的情況，但Scipy和本求解器在該問題上表現(xiàn)出更好的迭代穩(wěn)定性和一致性，產(chǎn)生了相同的最優(yōu)解。

在研究過程中，記錄下3 種求解器的目標(biāo)函數(shù)迭代曲線如圖4 所示。由圖4 可知，Matlab 的求解結(jié)果會(huì)停止在滿足公差的范圍內(nèi)，即迭代到疑似駐點(diǎn)停止，而其他2種求解方法則能夠持續(xù)迭代并得到相同的結(jié)果。這表明本求解器在不同求解器之間具有更好的初始點(diǎn)兼容性，迭代結(jié)果更為穩(wěn)健。

另外，在已找到合適初始值的前提下，通過各關(guān)鍵參數(shù)迭代曲線的分析，可以發(fā)現(xiàn)本求解器的收斂速度明顯快于Scipy求解器。圖5展示了耗能模塊1、2、3的產(chǎn)汽量與耗煤量的迭代曲線。由圖5可知，在目標(biāo)函數(shù)與參數(shù)的迭代過程中，本求解器的迭代速度明顯快于Scipy求解器。

進(jìn)一步比較2種求解器的迭代信息如表3所示。由表3可知，本求解器的總迭代次數(shù)明顯少于Scipy求解器，減少了59.7％，且優(yōu)化時(shí)間相比之下也更少，減少了9.29％。此外，在總目標(biāo)函數(shù)評(píng)估次數(shù)和矩陣評(píng)估的總次數(shù)方面，本求解器也表現(xiàn)更為出色。

平均迭代次數(shù)較當(dāng)前信賴域求解器更少，這表明本求解器能更快地收斂到約束邊界條件下，為系統(tǒng)的優(yōu)化提供了更高效的求解方法，減少計(jì)算成本。優(yōu)化時(shí)間方面，本求解器同樣表現(xiàn)出更短的優(yōu)化時(shí)間，進(jìn)一步說明了其在迭代速度和效率方面的優(yōu)勢(shì)。

綜上所述，以上模型以經(jīng)濟(jì)指標(biāo)為目標(biāo)函數(shù)，多個(gè)模塊構(gòu)成離散決策變量與約束，可根據(jù)當(dāng)前環(huán)境與任務(wù)（目標(biāo)耗煤量或發(fā)電量） 進(jìn)行動(dòng)態(tài)調(diào)整求解為不確定性生產(chǎn)的單目標(biāo)優(yōu)化問題，針對(duì)這一類問題，本求解器能夠很好地求解。結(jié)合案例 1 中所展現(xiàn)出的非線性優(yōu)化性能，對(duì)于具有線性與非線性約束，性能指標(biāo)為目標(biāo)函數(shù)的造紙生產(chǎn)優(yōu)化模型，本求解器也能實(shí)現(xiàn)良好的求解。

3 結(jié) 論

本研究開發(fā)了一個(gè)面向造紙生產(chǎn)系統(tǒng)的全局優(yōu)化求解器，以應(yīng)對(duì)該領(lǐng)域的復(fù)雜性挑戰(zhàn)。造紙生產(chǎn)系統(tǒng)由于其非線性、多維度以及不確定性等特征，需要一種有效的全局優(yōu)化方法。為解決這些問題，提出的優(yōu)化框架結(jié)合了信賴域內(nèi)點(diǎn)法和多起點(diǎn)全局優(yōu)化算法。在此工具的支持下，針對(duì)造紙干燥部優(yōu)化案例，該求解器以100%的成功率找到了全局最優(yōu)解，相比其他求解工具表現(xiàn)更加穩(wěn)健，且單個(gè)案例平均求解時(shí)間為0.81 s。其次，在造紙企業(yè)能量系統(tǒng)操作優(yōu)化案例中，該求解器不僅在迭代次數(shù)上減少了59.7%， 而且優(yōu)化時(shí)間縮短了9.29%，提高了優(yōu)化效率，并使計(jì)算成本降低。結(jié)果表明，本求解器具備較強(qiáng)的全局優(yōu)化能力和初始點(diǎn)兼容性，確保了其在面對(duì)具備線性與非線性約束的造紙優(yōu)化問題時(shí)，依然能夠?qū)崿F(xiàn)高效、穩(wěn)定的全局優(yōu)化求解，為造紙工業(yè)的數(shù)字化轉(zhuǎn)型提供了有力支持。

參考文獻(xiàn)

［1］ KUMAR R， MAURYA A， RAJ A. Emerging technological solutionsfor the management of paper mill wastewater： Treatment， nutrientrecovery and fourth industrial revolution （IR 4. 0）［J］. Journal ofWater Process Engineering， DOI： 10. 1016/j. jwpe. 2023. 103715.

［2］ 張 夢(mèng)， 郭大亮， 童 欣， 等. 現(xiàn)代造紙企業(yè)數(shù)字化過程控制系統(tǒng)的研究進(jìn)展［J］. 中國造紙， 2022，41（S1）：16-22.

ZHANG M， GUO D L， TONG X， et al. Research Progress on theDigital Process Control System of Modern Paper Enterprises［J］. Chi?na Pulp amp; Paper， 2022， 41（S1）： 16-22.

［3］ 馬亞運(yùn)， 洪蒙納， 李繼庚， 等. 基于RF-SEGA組合算法的熱分散系統(tǒng)運(yùn)行優(yōu)化模型［J］. 中國造紙學(xué)報(bào)， 2024，39（3）：151-159.

MA Y Y， HONG M N， LI J G， et al. Optimization Model for ThermalDispersion System Operation Based on RF-SEGA Hybrid Algorithm［J］.Transactions of China Pulp and Paper， 2024，39（3）：151-159.

［4］ NIU G， YI X， CHEN C， et al. A novel effluent quality predicting modelbased on genetic-deep belief network algorithm for cleaner production ina full-scale paper-making wastewater treatment［J］. Journal of CleanerProduction， DOI： 10. 1016/j. jclepro. 2020. 121787.

［5］ 張一水， 滿 奕， 何正磊. 造紙工業(yè)過程數(shù)字孿生模型的構(gòu)建與應(yīng)用［J］. 造紙科學(xué)與技術(shù)， 2023，42（5）：1-7.

ZHANG Y S， MAN Y， HE Z L. Construction and Application of Dig?ital Twin Models for the Papermaking Industry Process［J］. PaperScience and Technology， 2023，42（5）：1-7.

［6］ LIANG S， YIN M， SUN G， et al. An enhanced sparrow searchswarm optimizer via multi-strategies for high-dimensionaloptimization problems［J］. Swarm and Evolutionary Computation，DOI： 10. 1016/j. swevo. 2024. 101603.

［7］ 鄭鴻澤， 何正磊， 洪蒙納， 等. 造紙廢水處理過程溫室氣體排放代理模型研究［J］. 中國造紙學(xué)報(bào)， 2023，38（2）：59-68.

ZHENG H Z， HE Z L， HONG M N， et al. Study on Surrogate Modelsfor Greenhouse Gas Emissions in Papermaking Wastewater TreatmentProcesses［J］. Transactions of China Pulp and Paper， 2023，38（2）：59-68.

［8］ 程培澄， 程培聰， 王 萌， 等. 非線性方程組求解器全局優(yōu)化求解能力對(duì)比研究［J］. 計(jì)算機(jī)應(yīng)用與軟件， 2022，39（10）：1-10.

CHENG P C， CHENG P C， WANG M， et al. Comparative Study onGlobal Optimization Capabilities of Nonlinear Equation Solvers［J］.Computer Applications and Software， 2022，39（10）：1-10.

［9］ CASTILLO P A C， CASTRO P M， MAHALEC V. Global Optimizationof Nonlinear Blend-scheduling Problems［J］. Engineering， 2017，3（2）：188-201.

［10］ ARNOUD A， GUVENEN F， KLEINEBER T. Benchmarking GlobalOptimizers［J］. National Bureau of Economic Research Working PaperSeries， DOI： 10. 3386/w26340.

［11］ LAI Z， YOSHISE A. Riemannian Interior Point Methods forConstrained Optimization on Manifolds［J］. Journal of OptimizationTheory and Applications， 2024，201（1）：433-469.

［12］ ALAMDARI M S， FATEMI M， GHAFFARI A. A modified sequentialquadratic programming method for sparse signal recovery problems［J］.Signal Processing， DOI： 10. 1016/j. sigpro. 2023. 108955.

［13］ SONG X C， WANG J T， WANG J， et al. Sequential quadraticprogramming-based non-cooperative target distributed hybridprocessing optimization method［J］. Journal of Systems Engineering andElectronics， 2023，34（1）：129-140.

［14］ MONTANEZ-BARRERA J A， WILLSCH D， MALDONADOROMOA， et al. Unbalanced penalization： A new approach toencode inequality constraints of combinatorial problems for quantumoptimization algorithms［J］. Quantum Science and Technology，DOI： 10. 1088/2058-9565/ad35e4.

［15］ JIA Z， WANG F. The Convergence of the Generalized LanczosTrust-region Method for the Trust-region Subproblem［J］. SIAMJournal on Optimization， 2021，31（1）：887-914.

［16］ CURTIS F E， SCHENK O， WACHTER A. An Interior-pointAlgorithm for Large-scale Nonlinear Optimization with Inexact StepComputations［J］. SIAM Journal on Scientific Computing， 2011，32（6）：3447-3475.

［17］ 陳曉彬. 紙頁干燥過程建模與能效模擬優(yōu)化研究［D］. 廣州：華南理工大學(xué)， 2016.

CHEN X B. Modeling and Energy Efficiency Simulation Optimiza?tion of Papermaking Drying Process［D］. Guangzhou：South ChinaUniversity of Technology， 2016.

［18］ 三部委聯(lián)合印發(fā)《工業(yè)領(lǐng)域碳達(dá)峰實(shí)施方案》造紙行業(yè)熱電聯(lián)產(chǎn)占比到2030年達(dá)90%以上［J］. 紙和造紙， 2022，41（5）：44-45.

Three Ministries Jointly Issued the“ Carbon Peaking Action Plan forthe Industrial Sector”： Combined Heat and Power in the Papermak?ing Industry to Exceed 90% by 2030［J］. Paper and Papermaking，2022，41（5）：44-45.

［19］ 李長斌. 造紙供熱機(jī)組特性數(shù)學(xué)分析與建模［J］. 造紙科學(xué)與技術(shù)， 2022，41（6）：49-52.

LI C B. Mathematical Analysis and Modeling of Characteristics ofPapermaking Heating Units［J］. Paper Science and Technology，2022，41（6）：49-52.

［20］ 周艷明， 劉煥彬， 李繼庚. 造紙過程用能優(yōu)化方法及應(yīng)用案例［J］. 中國造紙學(xué)報(bào)， 2014，29（2）：43-54.

ZHOU Y M， LIU H B， LI J G. Energy Optimization Methods andApplication Cases in the Papermaking Process［J］. Transactions ofChina Pulp and Paper， 2014，29（2）：43-54.

（責(zé)任編輯：宋佳翼）

基金項(xiàng)目：中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資（2023ZYGXZR100）；國家自然科學(xué)基金（22478141）。