智能优化算法在联合站优化中的应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 技术路线 | 第12-13页 |
| 第二章 联合站工艺流程简介及能耗分析 | 第13-28页 |
| 2.1 联合站工艺流程 | 第13-14页 |
| 2.2 联合站基本参数及部分节点数据 | 第14-15页 |
| 2.3 联合站典型设备运行参数计算 | 第15-24页 |
| 2.4 联合站存在的主要问题与对策 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 优化模型的建立 | 第28-64页 |
| 3.1 最优化问题概述 | 第28-29页 |
| 3.2 建模思想 | 第29页 |
| 3.3 模型的建立 | 第29-34页 |
| 3.3.1 目标函数的确定 | 第29-32页 |
| 3.3.2 优化变量的选取 | 第32-34页 |
| 3.4 约束条件的确定 | 第34-63页 |
| 3.4.1 来油物性及脱水特性实验 | 第36-51页 |
| 3.4.2 BP神经网络拟合约束方程 | 第51-58页 |
| 3.4.3 非线性拟合神经网络表达式 | 第58-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 优化模型的智能求解 | 第64-86页 |
| 4.1 遗传算法在模型优化中的应用 | 第64-72页 |
| 4.1.1 遗传算法的概述 | 第64-65页 |
| 4.1.2 遗传算法基本要素及模式 | 第65-66页 |
| 4.1.3 遗传算法的实现 | 第66-72页 |
| 4.2 粒子群算法在模型优化中的应用 | 第72-78页 |
| 4.2.1 粒子群算法概述 | 第72-73页 |
| 4.2.2 基本粒子群算法 | 第73-74页 |
| 4.2.3 小生境粒子群算法的实现 | 第74-78页 |
| 4.3 两种优化算法效果对比 | 第78-84页 |
| 4.4 本章小结 | 第84-86页 |
| 结论和建议 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |
