1、隨著石化企業(yè)管理水平的不斷提高，煉廠生產(chǎn)計劃優(yōu)化引起越來越多學者的重視，但目前大部分研究均集中于優(yōu)化模型的改進和問題規(guī)模的縮減，針對優(yōu)化算法的系統(tǒng)研究還不多見。因此本文在綜述煉廠生產(chǎn)計劃優(yōu)化的研究現(xiàn)狀后，對遺傳算法求解帶非線性和不確定性的優(yōu)化問題進行了嘗試，并在此基礎上設計了集成遺傳算法優(yōu)化平臺，實現(xiàn)工廠級實例的求解。全文共由六章組成：
　　 第1章闡述了煉廠生產(chǎn)計劃的工業(yè)背景和基本概念，以及數(shù)值優(yōu)化算法的研究和應用現(xiàn)狀。接著綜

2、述了遺傳算法在該領域的應用，并介紹了基于仿真優(yōu)化架構(gòu)。針對當前研究的不足，提煉本文的創(chuàng)新點。
　　 第2章詳細介紹基本遺傳算法的思想、原理和步驟，并重點歸納典型的約束處理策略和加速求解策略。進一步，總結(jié)實驗驗證的遺傳算法參數(shù)設置經(jīng)驗，為后文的求解應用提供了借鑒。
　　 第3章援引相關文獻，建立石化生產(chǎn)中重點裝置的非線性經(jīng)驗模型，并細化儲罐模型的描述，增加對應的大量不等式約束。改進優(yōu)化算法，構(gòu)建一種兩階段的約束處理策略，同

3、時混合直接搜索方法提升了局部收斂速度。
　　 第4章對煉廠需求和產(chǎn)率的雙重不確定性條件進行建模，采用基于仿真優(yōu)化架構(gòu)。深入研究Monte Carlo仿真的合理采樣次數(shù)，并引入馬爾可夫鏈的產(chǎn)率波動模型。提出多種群并行求解的加速策略，優(yōu)化了算法的求解性能。
　　 第5章針對遺傳算法尚未有大規(guī)模工程應用的現(xiàn)狀，進行集成優(yōu)化平臺的開發(fā)。建立以現(xiàn)場數(shù)據(jù)為基礎的工廠模型，針對模型特點設計以遺傳算法為核心的優(yōu)化子系統(tǒng)。最后根據(jù)軟件質(zhì)量