第６３卷第９期 化工 学报 Ｖｏ１．６３ Ｎｏ．９ Ｓｅｐｔｅｍｂｅｒ ２０１２ ２０１２年９月 ＣＩＥＳＣ ＪｏｕｒｎａＩ 水煤浆气化装置操作优化技术及其应用 孙 漾，顾幸生 （华东理工大学化工过程先进控制和优化技术教育部重点实验室，上海２００２３７） 摘要：针对水煤浆气化装置操作优化问题，提出了一种多种群竞争型协同文化差分进化算法（ＭＣＣＤＥ），算法 中建立了基于差分进化算法的竞争型协同策略及竞争适应度评判方法，并引入了文化算法的部分思想。同时， 建立了德士古气化炉操作优化模型，将ＭＣＣＤＥ算法用于优化模型的求解。采用某化工厂气化系统实际运行数 据进行仿真，经过操作优化计算，能够获得优化的控制参数，并提高气化炉有效气产率。最后，开发了水煤浆 气化操作优化系统应用软件，能够实现将建模、控制、优化技术应用于实际生产中，以提高装置的经济效益。 关键词：水煤浆气化；操作优化；智能优化算法；软件开发 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０４３８—１１５７．２０１２．０９．０２０ 中图分类号：ＴＰ ２７３ 文献标志码：Ａ 文章编号：０４３８～１１５７（２０１２）０９—２７９９—０６ Ｃｏａｌ ｗａｔｅｒ ｓｌｕｒｒｙ ｇａｓｉｆｉｃａｔｉｏｎ ｕｎｉｔ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ＳＵＮ Ｙａｎｇ。ＧＵ Ｘｉｎｇｓｈｅｎｇ （Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ａｄｖａｎｃｅｄ Ｃｏｎｔｒｏｌ ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ Ｃｈｅｍｉｃａｌ Ｐｒｏｃｅｓｓｅｓ，Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ， Ｅａｓｔ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２００２３７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｏｒ ｃｏａｌ ｇａｓｉｆｉｃａｔｉｏｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ，ａ ｍｕｌｔｉ—ｐｏｐｕｌａｔｉｏｎ ｃｏｍｐｅｔｉｔｉｖｅ ＣＯ— ｅｖｏｌｕｔｉｏｎａｒｙ ｃｕｌｔｕｒａｌ ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ（ＭＣＣＤＥ）ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｎ ＭＣＣＤＥ，ａ ｃｏｍｐｅｔｉｔｉｖｅ ＣＯ—ｅｖｏｌｕｔｉｏｎａｒｙ ｓｔｒａｔｅｇｙ ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔｉａ１ ｅｖｏｌｕｔｉｏｎ ａｎｄ ａ ｆｉｔｎｅｓｓ ｖａｌｕｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ａｒｅ ｄｅｓｉｇｎｅｄ．Ａｎｄ ｓｏｍｅ ｉｄｅａｓ ｆｒｏｍ ｃｕｌｔｕｒａ１ ａｌｇｏｒｉｔｈｍ ａｒｅ ａｌｓｏ ｉｎｔｒｏｄｕｃｅｄ ｉｎｔｏ ＭＣＣＤＥ．Ｍｅａｎｗｈｉｌｅ，ａｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ｉｓ ｃｏｎｓｔｒｕｃｔｅｄ．ＭＣＣＤＥ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅ１．Ｓｉｍｕｌａｔｉｏｎｓ ｗｉｔｈ ａ Ｔｅｘａｃｏ ｇａｓｉｆｉｃａｔｉｏｎ ｕｎｉｔ ｆｏｒ ｅｘａｍｐｌｅ ｔｅｓｔｉｆｉｅｄ ｔｈａｔ ｏｐｔｉｍｉｚｅｄ ｏｐｅｒａｔｉｏｎ ｖａｒｉａｂｌｅｓ ｃａｎ ｂｅ ｆｏｕｎｄ ａｎｄ ｔｈｅ ｅｆｆｅｃｔｉｖｅ ｇａｓ ｒａｔｅ ｃａｎ ｂｅ ｉｎｃｒｅａｓｅｄ ｂｙ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ａｌｇｏｒｉｔｈｍ．Ｆｉｎａｌｌｙ，ａ ｃｏａｌ ｇａｓｉｆｉｃａｔｉｏｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｓｙｓｔｅｍ ｓｏｆｔｗａｒｅ ｉｓ ｄｅｓｉｇｎｅｄ ａｎｄ ｄｅｖｅｌｏｐｅｄ， ｍｏｄｅｌｉｎｇ，ｃｏｎｔｒｏｌ ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｃａｎ ｂｅ ｕｓｅｄ ｉｎ ｐｒａｃｔｉｃａｌ ｐｒｏｄｕｃｔｉｏｎ ｔｏ ｇａｉｎ ｍｏｒｅ ｅｃｏｎｏｍｉｃ ｂｅｎｅｆｉｔｓ ｔｈｒｏｕｇｈ ｔｈｅ ｕｓｅ ｏｆ ｔｈｅ ｃｏａｌ ｇａｓｉｆｉｃａｔｉｏｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｓｙｓｔｅｍ ｓｏｆｔｗａｒｅ． Ｋｅｙ ｗｏｒｄｓ：ｃｏａｌ ｗａｔｅｒ ｓｌｕｒｒｙ ｇａｓｉｆｉｃａｔｉｏｎ；ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ；ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ； ｓｏｆｔｗａｒｅ ｄｅｖｅｌｏｐｍｅｎｔ 引 士 丘 我国是以煤炭为基础能源和主要工业原料的国 家，每年有近４亿吨煤用于化学工业Ⅲ。煤炭气化 过程是对煤炭进行化学加工的一个重要方法，是很 多重要工业过程的共同基础和龙头。水煤浆加压气 ２０１２—０６一Ｉ７收到初稿，２０１２ Ｏ６—２４收到修改稿。 Ｒｅｃｅｉｖｅｄ ｄａｔｅ：２０１２一Ｏ６一ｌ７． 联系人：顾幸生。第一作者： 孙漾（１９８４一），男，博士研 究生。 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：ＧＵ Ｘ ｎｇｓｈｅｎｇ，ｘｓｇｕ＠ｅｃｕｓｔ．ｅｄｕ．ｃｎ Ｆｏｕｎｄａｔｉｏｎ ｉｔｅｍ：ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ（６１１７４０４０），ｔｈｅ Ｈｉｇｈ－ｔｅｅｈ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ Ｐｒｏｇｒａｍ ｏｆ Ｃｈｉｎａ（２００９ＡＡ０４ＺＩ４１）ａｎｄ Ｓｈａｎｇｈａｉ Ｃｏｍｍｉｓｓｉｏｎ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（１１ＺＲ１４０９８００）． 基金项目：国家自然科学基金项目（６１１７４０４０）；国家高技术 研究发展计划项目（２００９ＡＡ０４Ｚ１４１）；上海市自然科学基金项［ｌｆ （１１ＺＲ１４０９８００）。 ・２８００・ 化工 学 报 第６３卷 化技术相对成熟可靠，是国内技术引进、研究、应 用和自主化科技攻关的主流技术［２。］。水煤浆气化 系统生成的合成气的有效成分（ＣＯ４－Ｈ。）的产率 （单位质量的煤经气化炉反应后，生成的有效气体 的产量）是煤气化系统最重要的运行指标之一。根 据多年的操作经验及对水煤浆气化过程的原理和工 艺流程的分析可知，调节气化炉的运行工况主要通 过调节氧气流量实现。当前，煤化工企业的系统操 作人员往往根据自身操作经验判断当前装置的运行 情况，并对操作参数进行调节，气化装置的运行工 况往往不能保持最优，合成气的成分也常常上下波 动。由于水煤浆气化系统反应剧烈，反应机理复 杂，温度压力高，具有极大的时变性、非线性和 不确定性，难以建立基于机理的精确的优化模型 准确计算不同生产条件下的氧气流量的最优控 制值。 智能建模方法，尤其是近年来兴起的人工神经 网络逐渐在复杂工业过程建模中得到广泛应用。同 时，为提高模型的性能，大量学者将智能优化算法 用于过程建模，将建模问题转化为优化问题，能够 提高模型的精度。 本文对水煤浆气化过程建模和优化方法进行研 究，主要工作包括：（１）根据差分进化算法、文化 算法和协同进化算法的特点，建立了基于差分进化 算法的竞争型协同策略及竞争适应度评判方法，并 在算法中引入了文化算法的部分思想，提出了一种 多种群竞争型协同文化差分进化算法（ＭＣＣＤＥ）。 （２）针对水煤浆气化装置操作优化问题，以德士古 气化炉为例建立了操作优化模型。将ＭＣＣＤＥ算 法用于优化模型的求解。采用某化工厂德士古气 化炉实际运行数据进行仿真，经过操作优化计 算，能够获得优化的控制参数，并提高气化炉有 效气体的产率。（３）针对某甲醇合成企业德士古 水煤浆气化系统，设计并开发了水煤浆气化操作 优化系统应用软件。该系统能够实现将建模、控 制、优化技术应用于实际生产中，从而提高装置 的经济效益。 １ 竞争型协同差分进化算法 （ＭＣＣＤＥ） 协同进化理论 研究表明，物种间的相互影 响能够促进物种的发展和进步。文化算法＿６］的种群 空间和信念空间的双演化、双迭代机制能够提高算 法的搜索效率。本节建立了基于差分进化算法 的 竞争型协同策略及竞争适应度评判方法，并在算法 中引入了文化算法的部分思想，提出了一种多种群 竞争型协同文化差分进化算法（ｍｕｌｔｉ—ｐｏｐｕｌａｔｉｏｎ ｃｏｍｐｅｔｉｔｉｖｅ ＣＯ—ｅｖｏｌｕｔｉｏｎａｒｙ ｃｕｈｕｒａｌ ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ，ＭＣＣＤＥ）。 图ｌ所示的是ＭＣＣＤＥ算法的结构图。ＭＣ— ＣＤＥ算法设计５个具有相同规模的种群空间，每 个种群空间分别采用文献［８］中所述的５种变异 策略之一，以提高种群的多样性，使ＭＣＣＤＥ算 法能够适于求解不同类型的优化问题。在每次迭代 过程中，每个子种群首先采用差分进化算法的迭代 机制进行更新和评价。参照文献［９－１０３中的方 法，设计如图２所示竞争协同文化策略实现种群间 的相互竞争。 图１ 竞争型协同差分进化算法结构图 Ｆｉｇ．１ Ｆｒａｍｅｗｏｒｋ ｏｆ ＭＣＣＤＥ ａｌｇｏｒｉｔｈｍ ｓｔｅ 戛 二固…ｅｓｔｉａｔｂｉｖｌｅｉｓｈ 。 ｐｏｐ ｓｐａｃｅｉ（ｉ＝１，２，…，５） ｃｏｍｐｅｔｉｔｉｖｅ ｓｐａｃｅ ｓｔｅ ｚ圃 回。ｕ ｌｔｕｒ…ａｌ ａｆｅｃｔ ｅｐＰ ｓｐａｃｅ ｉ（ｉ＝１，２，…，５） ｃｏｍｐｅｔｉｔｉｖｅｓｐａｃｅ ｓｔｅｐ （：：： ｉｌ ｓ固。ｃ。ｏ。ｍ—ｐｅ ｔ ｉｔｉ ｖ。ｅ 图２竞争策略示意图 竞争行为分如下３个步骤。Ｓｔｅｐ １（构造竞争 集）：从每个种群中随机抽取一定数量的个体组成 竞争集（亦即Ｓｔｅｐ ２中文化影响操作的信念空 间）；Ｓｔｅｐ ２（实施文化影响操作）：选取竞争集 （信念空间）中的适应度最优个体替换种群空间中 适应度最差的个体；Ｓｔｅｐ ３（实施竞争协同操作）： 评价每个种群和每个个体的相对竞争适应度，根据 竞争适应度值选出落后种群中的落后个体，并重新 第９期 孙漾等：水煤浆气化装置操作优化技术及其应用 ・２８０１・ 激活。 空间）中的适应度最优个体替换种群空间中适应度 最差的个体。 （７）（实施竞争协同操作）评价每个种群和每 个个体的相对竞争适应度，根据竞争适应度值选 出早熟收敛种群中的落后个体，并予以重新 定义种群ｍ的第ｉ个个体的竞争适应度 ｃＦｉｔｎｅｓｓ７为 ｃＦｉｔｎｅｓｓＴ＇一∑Ｃｏｍｐ￣ Ｊ一１ ｃ。 一Ｊ丽１’ｉ ＸＮｃ，ｊ （１） 激活。 １０． ｏｔｈｅｒｗｉｓｅ 其中，Ｃｏｍｐ￣］为种群ｍ的第ｉ个个体相对于竞争集 中竞争者Ｊ的竞争力，Ｘ 为种群ｍ的第ｉ个个体， Ｘ ． 为竞争集中的竞争者Ｊ，Ｎｃ为竞争集中的个 体数目。 在获得所有个体的竞争适应度之后，定义种群 ｍ的竞争适应度ＰｏｐｃＦｉｔｎｅｓｓ 为 ∑ｃＦｉｔｎｅｓｓ￣＂ ＰｏｐｃＦｉｔｎｅｓｓ ＝ ］ （２） 其中，Ｎ为种群ｍ中的个体数目。由式（１）、式 （２）可知，若某一种群的竞争适应度小于一个给定 较小阈值０ ，表明该种群明显落后于５个种群的平 均进化水平。而这时，该种群对问题空间的搜索可 能趋向于停滞状态。此时，定义种群ｍ中个体的 适应度的标准差 为种群ｍ的趋同度。若种群ｍ 的趋同度 小于一个预先给定的较小阈值０。，则 表明种群ｍ的个体已聚集并具有相近的适应度。 此时认为种群ｍ出现了早熟收敛，且其中的个体 已经丧失了较好的多样性。按式（３）计算种群ｍ 中个体ｉ的相对竞争适应度ＲｃＦｉｔｎｅｓｓ７。若该值较 小，则表明该个体适应度值较差，算法将按一定概 率对其进行取值范围内的重新初始化，从而提高整 个种群的多样性，有效避免早熟收敛。 Ｆｉｔｎｅｓｓ 一 （３） ＭＣＣＤＥ算法流程可简要表示如下。 （１）初始化。 （２）（变异操作）分别采用５种策略对５个种 群中的每个个体实施变异操作，获得变异个体。 （３）（交叉操作）对５个种群中的每个个体进 行交叉操作，产生试验个体。 （４）（选择操作）对５个种群中的每个个体进 行选择操作，评价适应度，重新选择种群中具有最 优适应度的个体。 （５）（构造竞争集）从每个种群中随机抽取一 定数量的个体组成竞争集。 （６）（实施文化影响操作）选取竞争集（信念 （８）迭代或终止。 ２ 德士古气化炉操作优化模型 ２．１ 辅助变量的选择、相关数据的采集和预处理 根据德士古水煤浆加压气化工艺流程的特点， 本文选取德士古水煤浆加压气化工艺流程中的１２ 个变量为辅助变量（表１），辅助变量均可通过 ＤＣＳ在线实时测量。设定辅助变量的数据采集周 期为５ Ｓ，采集１个月的过程数据，应用３ 准则和 一阶数字滤波对采集数据进行错误数据的剔除和数 据平滑后，判断每组过程数据的历史时刻装置是否 处于稳态，选取稳态工况下的对应时间的数据组成 历史数据样本。 表１气化炉操作优化相关辅助变量 Ｔａｂｌｅ １ Ｓｅｃｏｎｄａｒｙ ｖａｒｉａｂｌｅｓ ｏｆ Ｔｅｘａｃｏ ｇａｓｉｆｉｃａｔｉｏｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ Ｎｏｔｅ：ＣＷＳ——ｃｏａｌ ｗａｔｅｒ ｓｌｕｒｒｙ ２．２德士古气化炉工况操作优化模型 德士古气化炉工况优化模型的优化目标是在一 定的系统负荷（即一定的原煤品质、煤浆品质和进 料流量）下，优化气化炉的控制参数（即氧气流 量），使气化系统的合成气的有效成分（ＣＯ＋Ｈ。） 的产率达到最大。定义德士古气化炉的有效气产率 ・２８０２・ 化工学报 第６３卷 Ｐ为 Ｐ一 本文从上述德士古煤气化装置另采集历史数据 ± （４） 样本１００组进行工况优化仿真。如某一历史工况 Ｆ Ｃ。ｐ。 … 其中，ｆ０ 为煤浆密度，一般近似取值为１．０８６ ｔ・ ｍ＿。。操作优化模型的约束条件为控制参数的变化 范围。因此，德士古气化炉操作优化模型可具体表 示如下： 目标函数 ｍａｘ（ｐ）一警 约束条件 １５０００≤ｎ。≤３５０００ （６） 其中，目标函数的自变量为需要调节的控制参数 （即入炉氧气流量）；ｆ 、 ｒｎ、ｆ 分别表示当 前气化炉负荷下，根据当前的入炉煤浆流量、压力 和温度、当前的中心氧气流量、人炉氧气压力和 温度、当前的激冷水流量和温度，采用某一个人炉 氧气流量值时，预计可以获得的气化炉出炉合成气 流量、合成气ＣＯ含量、合成气Ｈ 含量； 为 系统当前的人炉煤浆流量；ｃ 为系统当前的人炉 煤浆浓度； ，表示模型的自变量。 由上述优化模型可知，完成目标函数的计算， 实现有效气产率的优化，必须首先获得气化炉进料 参数和出炉合成气参数之间的数学关系。由于气化 炉的复杂性，难以建立准确的数学关系模型。本文 采用３个结构相同的ＢＰ神经网络建立德士古气化 炉进料与出炉合成气流量Ｆ 、合成气ＣＯ含量 ｚ 。、Ｈ 含量－ｚ“ 的关系模型，每个网络均含有３ 层网络结构，即输入层、隐含层、输出层。３个 神经网络的输入均为表１中的辅助变量１～９，３ 个神经网络的输出分别出炉合成气流量Ｆ 、合成 气ＣＯ含量 ｏ和Ｈ 含量ｚｎ 。采用２．１节中获 取的历史数据样本训练神经网络关系模型的权值 和阈值。 ２．３仿真分析 本文以某甲醇生产厂德士古气化装置为研究实 例，从该厂ＤＣＳ系统采集表１所列１２个在线检测 辅助变量一个月的历史数据，按２．１节中所述方法 获得历史数据样本３１Ｏ组，按２．２节中所述方法 建立操作优化模型。运用前文提出的竞争型协同 差分进化算法（ＭＣＣＤＥ）获得系统控制参数 （即氧气流量）的优化值及预期达到的系统有效 气产率。 下，该德士古气化装置处于正常、稳定的状态，１２ 个辅助变量值分别为：Ｆ 一６８．６９ ｍ。・ｈ一， 户 一５．８２ ＭＰａ，Ｔ 一４５．２７℃，Ｆ２—２８６７３．６４ ｍ。・ｈ～，Ｆ 一４３５９．００ ｍ。・ｈ， 一７．４０ ＭＰａ，Ｔ２—３２．７３℃，Ｆ 一３３６．３６ ｍ。・ｈ ， Ｔ 一２３１．２７℃，Ｆ 一２１３８１７．８２ ｍ。・ｈ ， 一 ３９．６７ ， 一４０．５９ ，计算系统当前的有效气 产率Ｐ 一３５６１．７９ ｍ。・ｔ１。。 设采用ＭＣＣＤＥ算法进行优化计算后，得到 的某一入炉氧气流量值为２９０２３．１１ ｍ。・ｈ。取 当前该气化炉除人炉氧气流量外的其他８个进料参 数的当前值以及优化计算得到的入炉氧气流量值排 列为向量：ｘ一［６８．６９，５．８２，４５．２７，２９０２３，１ｌ， ４３５９．００，７．４，３２．７３，３３６．３６，２３１．２７ ｆ。将ｘ 代入２．２节中建立的优化模型的目标函数，计算得 到气化系统的优化的有效气产率为３７７４．７９ ｍ。・ ｔ，比系统当前的有效气产率Ｐ 高５．９８ 。 按上述方法对１００组历史工况分别进行优化计 算。图３为人炉氧气流量的工艺设定值（虚线）及 １００组历史工况的优化的设定值（实线）。图４为１００ ４ ３－ ２ ×３ 言 毛２． 岛 富２． 图３德士古气化炉氧气流量优化曲线 Ｆｉｇ．３ Ｏｐｔｉｍｉｚａｔｉｏｎ ｃｕｒｖｅ ｏｆ Ｔｅｘａｃｏ ｇａｓｉｆｉｅｒ ｏｘｙｇｅｎ ｆｌｏｗ 图４德士古气化炉有效气产率优化曲线 Ｆｉｇ．４ Ｏｐｔｉｍｉｚａｔｉｏｎ ｃｕｒｖｅ ｏｆ Ｔｅｘａｃｏ ｇａｓｉｆｉｅｒ ｅｆｆｅｃｔｉｖｅ ｇａｓ ｐｒｏｄｕｃｔｉｏｎ ｒａｔｅ ・２８０４・ 化工学报 第６３卷 Ｃｈｅｎｇ（陈程），Ｇｕ Ｘｉｎｇｓｈｅｎｇ（顾幸生），Ｓｕｎ Ｚｉｑｉａｎｇ（孙 自强）． Ｓｏｆｔ—ｓｅｎｓｉｎｇ ｓｙｓｔｅｍ ｏｆ ｇａｓｉｆｉｃａｔｉｏｎ ｆｕｒｎａｃｅ ｔｅｍｐｅｒａｔｕｒｅ ｂａｓｅｄ ｏｎ ｃｈａｏｓ—ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ Ｌ Ｊ］． ａ１．Ａ ｎｏｖｅｌ ｃｏｍｐｅｔｉｔｉｖｅ ｃｏ—ｅｖｏｌｕｔｉｏｎａｒｙ ｑｕａｎｔｕｍ Ｅｌｏ］ Ｇｕ Ｊ Ｗ，ｅｔｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｓｔｏｃｈａｓｔｉｃ ｊｏｂ ｓｈｏｐ ｓｃｈｅｄｕｌｉｎｇ ｐｒｏｂｌｅｍ 口］．Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ，２０１０，３７（５）： ９２７—９３７ Ｃ０ｎｔｒ０ｚ ｎ仳ｄ Ｉｎｓｔｒ“ｍｅｒｉｔｓ ｉｎ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ（化工自动 化及仪表），２００６，３３（５）：４８—５０，５４ ｎｇｂｏ（张凌波），Ｇｕ ［ｕ］ Ｓｕｎ Ｙａｎｇ（孙漾），Ｚｈａｎｇ ＬｉＸｉｎｇｓｈｅｎｇ（顾幸生）．Ｔｅｘａｃｏ ｃｏａｌ ｇａｓｉｆｉｃａｔｉｏｎ ｐｒｏｃｅｓｓ ｃｏａｌ ｂｌｅｎｄｉｎｇ ｍｏｄｅｌ ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ［ｊ］．ＣＩＥＳＣ Ｊｏｕｒｎａｌ（化 工学报），２０１０，６１（８）：１９６５—１９７０ ［１３３ Ｓｕｎ Ｙａｎｇ（孙漾）．Ｐｒｏｃｅｓｓ ｍｏｄｅｌｉｎｇ ａｎｄ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｃｏａｌ ｗａｔｅｒ ｓｌｕｒｒｙ ｇａｓｉｆｉｃａｔｉｏｎ ｕｎｉｔ ［Ｄ］．Ｓｈａｎｇｈａｉ：Ｅａｓｔ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ・２０１２ ｎｇ（王冬青），Ｃｈｅｎ ［１２］ Ｗａｎｇ Ｘｕｅｗｕ（王学武），Ｗａｎｇ Ｄｏｎｇｑｉ
