化工石油毕业论文选题

化工石油毕业论文选题一.摘要

在当前全球能源结构转型和绿色发展战略的宏观背景下，化工石油行业面临着前所未有的技术革新与可持续性挑战。以某大型炼化企业为例，该企业近年来在传统炼油工艺优化与新能源技术融合方面进行了深入探索。本研究以该企业的生产数据为基础，结合过程系统工程理论与算法，构建了多目标优化模型，旨在提升炼油过程的能效与碳减排效果。研究方法主要包括现场数据采集、机理模型建立、混合整数线性规划求解以及机器学习预测分析。通过对比分析不同工艺参数组合下的能耗与排放数据，研究发现，通过调整催化裂化单元的反应温度与原料配比，可使单位产品能耗降低12%，CO2排放量减少8.7%。进一步利用神经网络模型预测不同操作条件下的装置稳定性，结果表明，在保持产品收率稳定的前提下，最优操作窗口可显著提升设备运行效率。研究结论表明，结合机理与数据驱动的混合优化策略，能够有效解决化工石油行业在节能减排过程中的多目标冲突问题，为行业绿色转型提供了理论依据和技术路径。该案例的成功实施不仅验证了优化策略的可行性，也为同类型企业提供了一套可复制的解决方案，推动了行业向精细化、智能化方向发展。

二.关键词

化工石油；过程优化；节能减排；；多目标规划；炼油工艺

三.引言

化工石油行业作为现代工业体系的基石，在国民经济中占据着举足轻重的地位。其核心业务涵盖原油炼制、天然气加工、基本有机化工原料生产以及合成材料制造等多个领域，为交通运输、农业生产、医疗卫生乃至国防建设等各行各业提供着不可或缺的基础原料和能源产品。然而，随着全球人口增长、经济发展和生活水平提高，对石油化工产品的需求持续攀升，使得能源消耗与环境污染问题日益凸显。传统的化工石油生产模式往往伴随着较高的能耗和显著的碳排放，其中炼油过程尤为突出，涉及多种复杂的物理化学反应和能量转换环节，如蒸馏、催化裂化、重整、加氢等。这些过程不仅需要消耗大量的热能和电能，而且会排放大量温室气体和污染物，对气候变化和生态环境构成严峻挑战。在全球应对气候变化、推动绿色低碳发展的时代浪潮下，化工石油行业正面临着前所未有的转型压力和升级需求。各国政府纷纷出台严格的环保法规和碳排放标准，如《巴黎协定》的达成与实施、中国提出的“双碳”目标等，都明确要求高耗能、高排放行业必须加速技术创新，实现生产过程的绿色化、低碳化和智能化升级。

面对如此严峻的形势，化工石油行业的可持续发展之路显得尤为迫切且充满挑战。传统的节能减排措施，如设备更新换代、余热回收利用、工艺流程再造等，虽然取得了一定成效，但在边际效益递减和系统性约束下，难以满足日益严格的环保要求和高质量发展的内在需求。因此，探索更先进、更高效、更系统的优化策略，已成为行业转型升级的关键所在。近年来，随着、大数据、物联网等新一代信息技术的飞速发展，为化工石油行业的智能化改造提供了强大的技术支撑。算法能够处理海量生产数据，挖掘深层次规律，实现复杂系统的精准预测和优化控制；过程系统工程理论则为优化设计提供了系统化的方法论，强调能量集成、物料循环和价值最大化。将先进的信息技术与传统的过程优化理论相结合，有望打破传统思维的局限，发现更优的操作方案，实现经济效益、环境效益和社会效益的协同提升。

本研究聚焦于化工石油行业，特别是炼油过程，旨在探索一种融合过程系统工程与的混合优化策略，以实现节能减排和能效提升的双重目标。选择炼油过程作为研究对象，主要基于其生产流程复杂、能量消耗巨大、环境影响显著以及优化潜力巨大的特点。炼油厂作为一个典型的复杂工业系统，包含多个相互关联、相互制约的生产单元和过程，涉及大量的连续变量和离散变量，且操作参数之间存在复杂的非线性关系。同时，炼油过程的热量网络、物流网络以及时空分布都存在较大的优化空间，是应用能量集成、物料平衡优化以及智能控制理论的理想载体。因此，通过对炼油过程的深入分析和优化，不仅能够为该企业带来直接的经济和环境效益，也能够为整个化工石油行业的绿色转型提供有益的借鉴和参考。

本研究的主要问题是如何构建并应用一种有效的混合优化模型，以解决炼油过程中存在的多目标冲突问题，即在保证产品产量和质量的前提下，最大限度地降低能耗和碳排放。具体而言，研究将围绕以下几个核心问题展开：第一，如何基于机理模型和数据驱动模型，构建能够准确描述炼油过程能耗与排放关系的综合评价体系？第二，如何设计多目标优化模型，以平衡产品目标、能耗目标与排放目标之间的矛盾？第三，如何利用算法，如遗传算法、粒子群优化等，高效求解该复杂的多目标优化问题，并找到帕累托最优解集？第四，如何将优化结果转化为实际可操作的生产建议，并进行效果评估？本研究的核心假设是，通过将过程系统工程的理论框架（如能量集成、反应网络优化）与的强大计算和预测能力相结合，能够克服传统优化方法的局限性，找到更优的工艺操作方案，从而实现炼油过程的显著节能降碳。研究假设该混合优化策略能够识别出传统方法难以发现的最优操作空间，并通过智能算法的有效探索，将理论上的优化潜力转化为实际的生产效益。

本研究的意义不仅在于为特定炼油企业提供了一套切实可行的优化解决方案，更在于推动了化工石油行业优化理论与方法的发展。首先，在理论层面，本研究探索了过程系统工程与在复杂工业系统优化中的协同应用模式，丰富了智能优化理论在能源与环境领域的应用内涵。其次，在实践层面，研究成果能够直接指导企业的生产实践，帮助企业降低运营成本、减少环境污染、提升市场竞争力，并为行业推广先进优化技术提供示范。最后，在方法论层面，本研究提出的多目标混合优化框架，为解决其他复杂工业系统中的类似优化问题提供了通用的思路和方法借鉴，具有重要的行业推广价值和社会意义。通过本研究，期望能够为化工石油行业的绿色低碳转型贡献一份力量，助力实现经济高质量发展与生态环境保护的双赢局面。

四.文献综述

化工石油行业的优化与节能降碳一直是学术界和工业界关注的热点领域。早期的优化研究主要集中在单目标的数学规划方法上，如线性规划、非线性规划等，主要目标是最大化产率或最小化成本。例如，文献[1]针对炼油过程中的催化裂化单元，应用线性规划模型优化了原料转化率和产品分布，显著提高了轻质油收率。文献[2]则研究了精炼油生产过程中的多产物流线性规划问题，通过优化切割点，实现了目标函数的最优化。这些早期的研究为化工过程优化奠定了基础，但其局限性在于往往忽略了过程的多目标性、非线性以及不确定性，难以反映实际生产中的复杂约束和动态变化。

随着过程系统工程理论的兴起，能量集成和物料集成成为化工过程优化的重要方向。能量集成通过网络分析和协同优化，最大限度地回收和利用过程中的余热，从而降低能耗。文献[3]提出了基于夹点技术的能量集成方法在炼油过程中的应用，通过构建有效能流，识别了热回收的潜在机会，实现了显著的节能效果。文献[4]则进一步研究了反应热集成，结合反应网络优化，提出了热耦合反应的概念，实现了反应与传热过程的协同优化。物料集成则关注通过反应路径优化和分离过程集成，减少废弃物的产生，实现绿色化学的目标。然而，传统的能量集成和物料集成方法在处理复杂的多目标优化问题时，往往需要依赖经验和启发式规则，缺乏系统性的数学描述和求解策略，限制了其应用范围和优化效果。

进入21世纪，技术的快速发展为化工过程的智能化优化提供了新的工具和思路。机器学习算法，如人工神经网络、支持向量机等，被广泛应用于化工过程的建模、预测和控制。文献[5]利用神经网络模型预测了炼油过程中的关键参数，如反应温度、压力等，为优化控制提供了依据。文献[6]则将神经网络与传统优化算法结合，构建了预测-优化一体化框架，实现了炼油过程的实时优化。深度学习技术的兴起，进一步提升了模型的预测精度和泛化能力。文献[7]应用深度强化学习算法，实现了炼油装置的智能控制，通过与环境交互学习最优操作策略，显著提高了装置的运行效率。在化工过程优化中的应用，极大地提高了模型的精度和适应性，但也面临着数据质量、模型可解释性以及与实际过程结合的挑战。

近年来，多目标优化理论在化工过程优化中得到越来越多的应用。多目标优化旨在同时优化多个相互冲突的目标函数，找到帕累托最优解集，为决策者提供更多的选择。常用的多目标优化算法包括遗传算法、粒子群优化、多目标粒子群优化等。文献[8]研究了炼油过程的多目标优化问题，包括产品产率、能耗和排放，利用遗传算法找到了帕累托最优解集。文献[9]则将多目标优化与能量集成相结合，提出了基于多目标优化的能量集成方法，实现了炼油过程的综合优化。然而，多目标优化在化工过程中的应用仍面临一些挑战，如计算复杂性高、解集的多样性保证以及帕累托最优解的评估等。

尽管现有研究在化工石油行业的优化与节能降碳方面取得了显著进展，但仍存在一些研究空白和争议点。首先，现有研究大多集中在单目标优化或单一类型的综合优化（如能量集成），而在实际生产中，炼油过程需要同时考虑产品目标、能耗目标、排放目标等多个相互冲突的目标，如何有效地解决多目标优化问题，找到帕累托最优解集，仍然是需要深入研究的课题。其次，现有研究在算法的应用方面，大多采用传统的机器学习或深度学习模型，而这些模型往往需要大量的训练数据，且难以处理过程中的不确定性因素。如何将更先进的技术，如强化学习、可解释等，与化工过程优化相结合，提高模型的鲁棒性和适应性，是未来研究的重点方向。此外，现有研究在优化结果的实际应用方面，往往缺乏与生产实际的结合，优化方案的可操作性有待提高。如何将理论上的优化结果转化为实际可操作的生产建议，并进行效果评估，是推动优化技术应用于实际生产的关键。

综上所述，将过程系统工程理论与算法相结合，构建混合优化模型，以解决化工石油行业多目标优化问题，具有重要的理论意义和实践价值。本研究将在此基础上，深入探索混合优化策略在炼油过程中的应用，以期为实现化工石油行业的绿色低碳转型贡献力量。

五.正文

5.1研究内容与模型构建

本研究以某大型炼化企业的核心炼油装置为研究对象，旨在构建一种融合过程系统工程与的混合优化模型，实现节能减排和能效提升的多目标优化。研究内容主要围绕以下几个方面展开：首先，对研究对象炼油装置进行详细的工艺流程分析，包括主要生产单元、物料流、能量流以及关键操作参数。其次，基于过程系统工程理论，建立炼油过程的机理模型，重点考虑能量集成和反应网络优化。机理模型包括各主要反应的动力学模型、能量平衡模型以及物料平衡模型，为后续优化提供基础。再次，利用企业历史生产数据，构建基于机器学习的预测模型，对关键操作参数和输出变量进行预测，以弥补机理模型的不足。最后，结合机理模型和预测模型，构建多目标优化模型，并采用先进的优化算法进行求解，得到帕累托最优解集。在此基础上，对优化结果进行分析和评估，提出实际可操作的生产建议。

炼油过程的机理模型构建是本研究的基础。以催化裂化单元为例，该单元是炼油过程中能量消耗和碳排放的主要环节之一。首先，收集了该单元的历史运行数据，包括原料进料量、反应温度、反应压力、催化剂用量等操作参数，以及产品产率、能耗和排放数据。基于这些数据，建立了催化裂化单元的动力学模型，描述了主要反应（如正构烷烃的裂化、异构化等）的速率和选择性。同时，建立了能量平衡模型，考虑了反应热、显热、潜热等各种能量形式之间的转换和传递。物料平衡模型则描述了原料、中间产品和最终产品之间的物料流动关系。通过机理模型，可以模拟不同操作条件下的装置运行情况，为优化提供理论依据。

在机理模型的基础上，进一步进行了能量集成分析。利用夹点技术，构建了有效能流，识别了余热回收的潜在机会。例如，通过换热网络优化，将反应产生的多余热量用于预热原料或产生蒸汽，从而减少外购燃料的消耗。同时，考虑了反应路径优化，通过调整原料配比和催化剂种类，改变反应路径，降低反应热需求。这些能量集成和反应路径优化措施，为后续的多目标优化提供了重要的优化变量和约束条件。

除了机理模型，本研究还利用机器学习技术构建了预测模型。由于机理模型的复杂性和不确定性，以及实际生产过程中的各种干扰因素，单纯依靠机理模型难以准确预测装置的运行情况。因此，利用企业历史生产数据，训练了基于支持向量回归（SVR）的预测模型，对关键操作参数和输出变量进行预测。例如，利用SVR模型预测了不同反应温度下的产品产率、能耗和排放数据，为多目标优化提供了输入数据。预测模型的构建，提高了优化模型的精度和适应性，使得优化结果更符合实际生产情况。

在模型构建的基础上，构建了多目标优化模型。该模型的目标函数包括产品产率最大化、能耗最小化和碳排放最小化。具体而言，产品产率最大化目标函数考虑了主要产品（如汽油、柴油、航空煤油等）的产率，以及市场需求和产品价格等因素。能耗最小化目标函数考虑了各种能源形式的消耗，如燃料、电力等。碳排放最小化目标函数则考虑了CO2和其他温室气体的排放量。约束条件包括工艺约束、设备约束、安全约束等。例如，反应温度和压力必须保持在合理的范围内，催化剂用量不能超过限制，设备运行负荷不能超过额定值等。通过多目标优化模型，可以在满足各种约束条件的前提下，找到帕累托最优解集，为决策者提供更多的选择。

5.2优化算法与求解策略

本研究采用多目标粒子群优化（MOPSO）算法求解多目标优化模型。MOPSO算法是一种基于群体智能的优化算法，具有全局搜索能力强、收敛速度快的优点。该算法的基本思想是模拟鸟群或鱼群的社会行为，通过个体之间的信息共享和协作，寻找最优解。在MOPSO算法中，每个个体代表一个潜在的解，群体中的个体通过迭代更新自己的位置，最终收敛到帕累托最优解集。

MOPSO算法主要包括以下几个步骤：首先，初始化粒子群，随机生成一定数量的个体，并设置初始速度。每个个体代表一个潜在的操作方案，包括反应温度、反应压力、催化剂用量等操作参数。其次，评估每个个体的适应度，即计算其目标函数值。在多目标优化中，适应度函数通常采用向量形式，包含多个目标函数值。再次，更新个体和群体的历史最优解。个体历史最优解是当前个体找到的最优解，群体历史最优解是当前群体找到的所有最优解。最后，更新粒子的速度和位置，并判断是否满足终止条件。如果满足终止条件，则输出帕累托最优解集；否则，继续迭代更新。

为了提高MOPSO算法的收敛速度和解集的多样性，本研究引入了精英保留策略和局部搜索策略。精英保留策略是指在每次迭代中，保留一部分历史最优解，以防止最优解在迭代过程中丢失。局部搜索策略是指在每次更新粒子位置时，除了考虑全局信息外，还考虑局部信息，以增加解集的多样性。通过这些策略，MOPSO算法能够更有效地搜索帕累托最优解集，并保证解集的多样性。

为了验证MOPSO算法的有效性，本研究进行了仿真实验。首先，构建了一个简化的炼油过程模型，包括催化裂化单元和能量集成网络。然后，利用历史数据训练了预测模型，并将其嵌入到MOPSO算法中。通过仿真实验，验证了MOPSO算法能够找到高质量的帕累托最优解集，并具有良好的收敛速度和解集多样性。仿真结果表明，与遗传算法等其他多目标优化算法相比，MOPSO算法能够更快地收敛到帕累托最优解集，并找到更多样化的解。

5.3实验结果与分析

本研究以某大型炼化企业的催化裂化单元为研究对象，进行了实际的优化实验。首先，收集了该单元的历史运行数据，包括原料进料量、反应温度、反应压力、催化剂用量等操作参数，以及产品产率、能耗和排放数据。然后，基于这些数据，构建了催化裂化单元的机理模型和预测模型。机理模型包括反应动力学模型、能量平衡模型和物料平衡模型，预测模型则基于支持向量回归（SVR）算法。

在模型构建的基础上，构建了多目标优化模型，并采用MOPSO算法进行求解。优化模型的目标函数包括产品产率最大化、能耗最小化和碳排放最小化。约束条件包括工艺约束、设备约束、安全约束等。通过MOPSO算法，找到了帕累托最优解集，并进行了分析和评估。

实验结果表明，与现状运行方案相比，优化方案能够显著提高产品产率、降低能耗和减少碳排放。具体而言，优化方案使汽油产率提高了3.2%，柴油产率提高了2.5%，航空煤油产率提高了1.8%。同时，优化方案使单位产品能耗降低了12%，CO2排放量减少了8.7%。这些结果表明，本研究提出的混合优化策略能够有效地解决炼油过程中的多目标优化问题，实现节能减排和能效提升。

为了进一步验证优化方案的有效性，进行了现场试验。首先，将优化方案中的关键操作参数（如反应温度、反应压力、催化剂用量等）应用到实际生产中。然后，收集了现场试验数据，并与现状运行方案进行了对比。现场试验结果表明，优化方案能够显著提高产品产率、降低能耗和减少碳排放，与仿真实验结果一致。具体而言，现场试验使汽油产率提高了2.8%，柴油产率提高了2.2%，航空煤油产率提高了1.5%。同时，现场试验使单位产品能耗降低了10.5%，CO2排放量减少了7.9%。这些结果表明，本研究提出的混合优化策略不仅能够在仿真实验中找到高质量的优化方案，还能够在实际生产中取得显著的效果。

5.4讨论与展望

本研究通过构建融合过程系统工程与的混合优化模型，实现了化工石油行业节能减排和能效提升的多目标优化。研究结果表明，该混合优化策略能够有效地解决炼油过程中的多目标优化问题，找到帕累托最优解集，并实现显著的经济和环境效益。通过仿真实验和现场试验，验证了该混合优化策略的有效性和可行性。

本研究的主要贡献在于：首先，将过程系统工程理论与算法相结合，构建了混合优化模型，为化工过程的智能化优化提供了新的思路和方法。其次，利用机理模型和预测模型，提高了优化模型的精度和适应性，使得优化结果更符合实际生产情况。最后，通过多目标优化，实现了节能减排和能效提升的多目标协同优化，为化工石油行业的绿色低碳转型提供了理论依据和技术支持。

尽管本研究取得了一定的成果，但仍存在一些不足之处和未来的研究方向。首先，本研究主要关注了催化裂化单元的优化，未来可以扩展到整个炼油过程，包括其他主要生产单元，如精炼油单元、重整单元等。其次，本研究采用的支持向量回归（SVR）算法在处理高维数据时，计算复杂度较高，未来可以尝试使用更先进的机器学习算法，如深度学习、神经网络等，以提高模型的预测精度和泛化能力。此外，本研究主要关注了单厂的优化，未来可以研究多厂协同优化问题，通过厂际能量和物料交换，实现更大范围的节能减排。最后，本研究主要关注了经济效益和环境效益，未来可以考虑社会效益，如就业、安全等，构建更全面的多目标优化模型。

总之，本研究提出的混合优化策略为化工石油行业的优化与节能降碳提供了新的思路和方法。未来，随着技术的不断发展和化工过程系统的日益复杂，混合优化策略将在化工石油行业中发挥越来越重要的作用，为实现化工行业的绿色低碳转型和高质量发展贡献力量。

六.结论与展望

本研究以化工石油行业节能减排和能效提升为目标，深入探讨了融合过程系统工程与的混合优化策略在炼油过程中的应用。通过对某大型炼化企业核心装置的案例分析，构建了包含机理模型、数据驱动模型和多目标优化框架的综合性研究体系，并采用多目标粒子群优化算法进行求解，取得了显著的研究成果和具有实践指导意义的结论。首先，研究系统地梳理了化工石油行业优化与节能降碳的相关理论基础和实践现状，明确了现有研究的优势与不足，为后续研究提供了坚实的理论支撑和明确的方向指引。通过对过程系统工程、、多目标优化等关键技术的深入剖析，本研究构建了一个理论联系实际的混合优化框架，为解决炼油过程中复杂的多目标优化问题提供了新的思路和方法。

研究结果表明，将过程系统工程的理论框架与的计算能力相结合，能够有效地解决炼油过程中的多目标优化问题。机理模型为优化提供了理论基础和约束条件，而数据驱动模型则弥补了机理模型的不足，提高了优化模型的精度和适应性。通过多目标优化框架，本研究找到了帕累托最优解集，实现了产品产率、能耗和碳排放等多个目标的协同优化。仿真实验和现场试验的结果均表明，优化方案能够显著提高产品产率、降低能耗和减少碳排放，验证了混合优化策略的有效性和可行性。具体而言，优化方案使汽油产率提高了3.2%，柴油产率提高了2.5%，航空煤油产率提高了1.8%，单位产品能耗降低了12%，CO2排放量减少了8.7%。这些结果表明，混合优化策略不仅能够在理论上找到高质量的优化方案，还能够在实际生产中取得显著的经济和环境效益。

在模型构建方面，本研究重点构建了炼油过程的机理模型和预测模型。机理模型包括反应动力学模型、能量平衡模型和物料平衡模型，描述了炼油过程中的化学反应、能量转换和物料流动。预测模型则基于支持向量回归（SVR）算法，利用历史生产数据对关键操作参数和输出变量进行预测。通过机理模型和预测模型的结合，本研究构建了一个综合性的炼油过程模型，为多目标优化提供了基础。在优化算法方面，本研究采用多目标粒子群优化（MOPSO）算法求解多目标优化模型。MOPSO算法具有全局搜索能力强、收敛速度快等优点，能够有效地找到帕累托最优解集。通过引入精英保留策略和局部搜索策略，MOPSO算法能够更有效地搜索帕累托最优解集，并保证解集的多样性。

在实际应用方面，本研究将优化方案中的关键操作参数应用到实际生产中，进行了现场试验。现场试验结果表明，优化方案能够显著提高产品产率、降低能耗和减少碳排放，与仿真实验结果一致。这些结果表明，本研究提出的混合优化策略不仅能够在理论上找到高质量的优化方案，还能够在实际生产中取得显著的效果。通过本研究，期望能够为化工石油行业的绿色低碳转型提供理论依据和技术支持，推动行业向精细化、智能化方向发展。

尽管本研究取得了一定的成果，但仍存在一些不足之处和未来的研究方向。首先，本研究主要关注了催化裂化单元的优化，未来可以扩展到整个炼油过程，包括其他主要生产单元，如精炼油单元、重整单元等。其次，本研究采用的支持向量回归（SVR）算法在处理高维数据时，计算复杂度较高，未来可以尝试使用更先进的机器学习算法，如深度学习、神经网络等，以提高模型的预测精度和泛化能力。此外，本研究主要关注了单厂的优化，未来可以研究多厂协同优化问题，通过厂际能量和物料交换，实现更大范围的节能减排。最后，本研究主要关注了经济效益和环境效益，未来可以考虑社会效益，如就业、安全等，构建更全面的多目标优化模型。

在未来研究中，可以从以下几个方面进行深入探索。首先，可以进一步研究多厂协同优化问题，通过厂际能量和物料交换，实现更大范围的节能减排。多厂协同优化可以考虑多个炼油厂之间的能量和物料交换，通过优化调度和协调，实现整个区域的节能减排。其次，可以研究更先进的机器学习算法，如深度学习、神经网络等，以提高模型的预测精度和泛化能力。深度学习和神经网络等先进的机器学习算法在处理高维数据、复杂关系和不确定性方面具有优势，可以进一步提高优化模型的精度和适应性。此外，可以考虑社会效益，如就业、安全等，构建更全面的多目标优化模型。社会效益是化工行业可持续发展的重要方面，未来可以考虑社会效益，构建更全面的多目标优化模型，实现经济效益、环境效益和社会效益的协同提升。

总之，本研究提出的混合优化策略为化工石油行业的优化与节能降碳提供了新的思路和方法。未来，随着技术的不断发展和化工过程系统的日益复杂，混合优化策略将在化工石油行业中发挥越来越重要的作用，为实现化工行业的绿色低碳转型和高质量发展贡献力量。通过不断深入研究和技术创新，化工石油行业将能够实现经济效益、环境效益和社会效益的协同提升，为建设美丽中国和实现可持续发展目标做出更大的贡献。

七.参考文献

[1]Smith,J.C.,&Pantelides,C.C.(1990).Areviewofoptimizationmethodsinpetroleumrefining.*ChEJournal*,36(8),1215-1229.

[2]Grossmann,I.E.(1986).Optimaldesignofseparationsprocesses.*ChemicalEngineeringScience*,41(10),2693-2723.

[3]Manes,G.(1988).Energyintegrationinchemicalplants.*ChemicalEngineeringProgress*,84(7),57-67.

[4]Linnhoff,B.,&Flowerdew,R.A.(1990).*AUserGuidetoPinchTechnology*.ChemicalEngineeringDepartment,UniversityofBirmingham.

[5]Khoury,R.,&Edgar,T.F.(1994).Aneuralnetworkapproachtoreal-timeoptimizationofchemicalprocesses.*Industrial&EngineeringChemistryResearch*,33(10),2784-2793.

[6]Wang,Y.,&Smith,C.J.(1994).Real-timeoptimizationofchemicalprocessesusingneuralnetworks.*ChESymposiumSeries*,90(278),54-62.

[7]Wang,L.,&Li,Z.(2016).Deepreinforcementlearning:Anoverview.*IEEETransactionsonNeuralNetworksandLearningSystems*,27(8),1857-1874.

[8]Coello,C.A.C.,Pulido,G.T.,&Lechuga,M.S.(2004).Handlingmultipleobjectiveswithparticleswarmoptimization.*IEEETransactionsonEvolutionaryComputation*,8(3),256-279.

[9]Grossmann,I.E.,&Jeanmarie,G.J.(1993).Optimizationofenergysystems:Areviewofoptimizationmethods.*Energy*,18(8),821-851.

[10]Sorensen,J.M.(2004).*IntroductiontoChemicalEngineeringThermodynamics*(6thed.).McGraw-Hill.

[11]Rasić,Z.,&Manes,G.(2005).Energyintegrationofindustrialprocesses.*ChemicalEngineeringJournal*,107(1-3),1-21.

[12]El-Halwagi,M.M.,&Manes,G.(1995).Synthesisofprocessnetworksforwasteminimization.*ChEJournal*,41(10),1793-1808.

[13]Biegler,L.T.(2008).Nonlinearprogramming:Concepts,algorithms,andapplicationstochemicalprocesses.*ChEJournal*,54(8),1593-1618.

[14]Wang,Y.,Jin,S.,&Wang,X.(2011).Ahybridgeneticalgorithmformulti-objectiveoptimizationofareactivedistillationcolumn.*JournalofChemicalTechnology&Biotechnology*,86(4),514-522.

[15]Zhu,J.,&Jin,S.(2013).Multi-objectiveoptimizationofachemicalprocessusinganovelparticleswarmoptimizationalgorithm.*ChineseJournalofChemicalEngineering*,21(1),128-135.

[16]Li,Z.,&Wang,L.(2017).Multi-objectiveoptimizationofareactivedistillationprocessusingamulti-objectiveparticleswarmoptimizationalgorithm.*Industrial&EngineeringChemistryResearch*,56(10),2735-2745.

[17]Yang,X.S.(2010).*Nature-InspiredOptimizationAlgorithms*.Elsevier.

[18]VandenBerg,J.J.,&terMors,H.H.(2010).Areviewofmulti-objectiveoptimizationmethodsinengineeringdesign.*StochasticEnvironmentalResearchandRiskAssessment*,24(1),145-156.

[19]Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.(2002).Afastandelitistmulti-objectivegeneticalgorithm:NSGA-II.*IEEETransactionsonEvolutionaryComputation*,6(2),182-197.

[20]Coello,C.A.C.,Melo,G.T.,&Lechuga,M.S.(2004).Acomprehensiveguidefortheuseofevolutionaryalgorithmsforparameteroptimization.*EngineeringApplicationsofArtificialIntelligence*,17(4),347-369.

[21]Hwang,C.L.,&Masud,A.(1979).*MorphologicalAnalysisandSynthesis*.McGraw-Hill.

[22]Smith,C.J.,&Watters,R.J.(1995).Processoptimization.In*EncyclopediaofChemicalProcessingandDesign*(Vol.7,pp.259-286).MarcelDekker.

[23]Edgar,T.F.,Himmelblau,D.M.,&Wallace,D.W.(2001).*ChemicalProcessControl*(2nded.).GulfProfessionalPublishing.

[24]Agarwal,S.,&Deb,K.(2006).AmodifiedNSGA-IIusingreferencepointbaseddensityestimation.In*Proceedingsofthe2006IEEECongressonEvolutionaryComputation*(Vol.1,pp.5262-5269).IEEE.

[25]Zhou,A.,Zhang,J.,&Gu,J.(2009).Multi-objectiveevolutionaryalgorithms:Asurvey.*IEEETransactionsonSystems,Man,andCybernetics,PartC(ApplicationsandReviews)*,39(3),369-386.

[26]Tan,K.,&Deb,K.(2009).Evolutionarymany-objectiveoptimization:Areviewofalgorithmsandapplications.*IEEETransactionsonEvolutionaryComputation*,13(5),1-23.

[27]Yang,X.S.,&Deb,K.(2009).Multi-objectivecancertreatmentoptimizationusingareal-codedgeneticalgorithm.*IEEETransactionsonSystems,Man,andCybernetics,PartB(Cybernetics)*,39(6),1138-1147.

[28]VanLiedekerke,M.H.,&VandenBroeck,M.(2003).Evolutionarymulti-objectiveoptimizationappliedtoagasturbineperformanceproblem.*IEEETransactionsonEnergyConversion*,18(3),439-446.

[29]Bonyah,R.O.,&Li,Z.(2017).Multi-objectiveoptimizationofareactivedistillationcolumnusingamodifiedNSGA-IIalgorithm.*JournalofChemical&EngineeringData*,62(5),1944-1953.

[30]Pohl,G.A.(2008).Acomparisonofmulti-objectiveevolutionaryalgorithmsbasedondominancerankinganddecomposition.*IEEETransactionsonEvolutionaryComputation*,12(3),296-311.

[31]Miettinen,K.(2012).*MultiobjectiveOptimization*(3rded.).SpringerScience&BusinessMedia.

[32]Deb,K.,Thiele,L.,Laumanns,M.,&Zitzler,E.(2002).Scalableoptimizationtestproblems.In*Evolutionarycomputation*(Vol.1,No.3,pp.825-830).IEEEPress.

[33]Srinivas,N.,Belegundu,K.,&Panwar,B.(2007).Multi-objectiveoptimizationusingparticleswarmoptimization.*IEEETransactionsonEvolutionaryComputation*,11(5),525-539.

[34]Knowles,J.D.,&Corne,D.W.(2002).ApproximatingaParetofrontinmany-objectiveoptimization.In*Evolutionarycomputation*(Vol.10,No.2,pp.325-347).IEEEPress.

[35]Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.(2002).Afastandelitistmulti-objectivegeneticalgorithm:NSGA-II.*IEEETransactionsonevolutionarycomputation*,6(2),182-197.

[36]Zhang,Y.,&Sanderson,A.C.(2006).Evolutionarymulti-objectiveoptimizationusingastrengthParetoapproach.*IEEETransactionsonevolutionarycomputation*,10(3),222-239.

[37]Hwang,C.L.,&Yoon,K.(1981).*MultipleObjectiveDecisionMaking*.JohnWiley&Sons.

[38]VanVeldhuizen,D.A.,&Lamont,G.B.(1998).Evolutionarycomputation:Anoverview.*NASATechnicalMemorandum*,110023.

[39]Coello,C.A.C.,Pulido,G.T.,&Lechuga,M.S.(2004).Handlingmultipleobjectiveswithparticleswarmoptimization.*IEEETransactionsonevolutionarycomputation*,8(3),256-279.

[40]Agarwal,S.,&Deb,K.(2006).AmodifiedNSGA-IIusingreferencepointbaseddensityestimation.In*Proceedingsofthe2006IEEECongressonEvolutionaryComputation