Multi-objective optimization of phthalic anhydride catalytic reactor using genetic algorithm with simulated binary jumping Genes operator

• Autorzy: Trivedi V. , Ramteke M.

Warianty tytułu

PL

Wielokryterialna optymalizacja reaktora bezwodnika ftalowego katalitycznego z wykorzystaniem algorytmu genetycznego z operatorem przesunięcia genów

• Języki publikacji: EN

Abstrakty

EN

Multi-objective optimization problems of chemical industry have been efficiently solved by evolutionary algorithms (EAs). However, due to high computational costs, different concepts are introduced in evolutionary framework for the improvement of convergence speed. One such concept is 'jumping genes' which has been adapted in binary-coded genetic algorithm and found to be improving the performance of the algorithm significantly. However, its adaptation in real-coded form lacked the similar success. In an attempt to fill this gap, a new jumping genes operator has been recently developed for real-coded elitist non-dominated sorting genetic algorithm (RNSGA-II), namely, simulated binary jumping genes (SBJG). This work aims at exploring the utility of SBJG for solving real-life industrial optimization problems using a case study of multi-objective optimization (MOO) of an industrial phthalic anhydride (PA) catalytic reactor. The results obtained are found to be converging faster than RNSGA-II and its other existing jumping genes adaptations for both two-and three-objective formulations.

PL

Wielokryterialna optymalizacja problemów przemysłu chemicznego rozwiązywana jest z powodzeniem z wykorzystaniem algorytmów ewolucyjnych (EAs). Jednak w związku z długimi czasami obliczeń, dotychczasowe algorytmy są modyfikowane dla poprawy szybkości zbieżności. Jedną z możliwości jest idea „przesuwania genów", zaadoptowana dla algorytmu genetycznego z kodowaniem binarnym, która znacząco poprawiła działanie algorytmu. Jednakże wprowadzenie tej modyfikacji do algorytmu z kodowaniem zmiennoprzecinkowym nie przyniosło spodziewanych efektów. Rozwiązaniem tego problemu było wprowadzenie nowego operatora przesunięcia genów do algorytmu RNSGA-II, a mianowicie symulowanego binarnego przesunięcia genów (SBJG). Celem pracy była ocena możliwości zastosowania algorytmu SBJG do rozwiązywania rzeczywistych problemów przemysłowych na przykładzie wielokryterialnej optymalizacji (MOO) reaktora bezwodnika ftalowego katalitycznego. Otrzymane wyniki pokazały lepszą zbieżność zastosowanego algorytmu w porównaniu z metodą RNSGA-II i innymi dotychczasowymi adaptacjami operatora przesunięcia genów zarówno dla dwu- jak i trój-kryterialnego sformułowania problemu.

Słowa kluczowe

EN

evolution; genetic algorithm; multi-objective optimization; jumping genes

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2015
• Tom: Vol. 15, No.1
• Strony: 111--117
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Trivedi V.

• Department of Chemical Engineering, Indian Institute of Technology Delhi, Hauz Khas, New Delhi 110 016, India

autor

Ramteke M.

• Department of Chemical Engineering, Indian Institute of Technology Delhi, Hauz Khas, New Delhi 110 016, India

Bibliografia

• Bhat, G.R., Gupta, S.K., 2008, MO Optimization of Phthalic Anhydride Industrial Catalytic Reactors using Guided GA with the Adapted Jumping Gene Operator, Chem Eng Res Des, 86, 959 976.
• Bhat. S.A., 2007, On-Line Optimizing Control of Bulk Free Radical Polymerization of Methyl Methacrylate in a Batch Reactor using Virtual Instrumentation, PhD thesis, Indian Institute of Technology, Kanpur.
• Bhat S.A., Gupta, S., Saraf, D.N., Gupta, S.K., 2006, On-Line Optimizing Control of Bulk Free Radical Polymerization Reactors under Temporary Loss of Temperature Regulation: An Experimental Study on a 1-Liter Batch Reactor, Ind Eng Chem Res, 45, 7530-7539.
• Deb. K., 2001, Multi-objective Optimization Using Evolutionary Algorithms, Wiley, New York.
• Deb. K., Agrawal, R.B., 1995, Simulated Binary Crossover for Continuous Search Space, Complex Systems, 9, 115 148.
• Deb, K., Agrawal, S., 1999, A Niched-Penalty Approach for Constraint Handling in Genetic Algorithms, Proc. Conf. Artificial Neural Networks and Genetic Algorithms ICANNGA '99, eds, Dobnikar, A., Steele, N.C., Pearson, D.W., Albrecht, R.F., Portoroz, 235 243.
• Deb, K., Agrawal, S., Pratap, A., Meyarivan, T., 2002, A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II, IEEE T Evolut Comput, 6, 182-197.
• Holland, J.H., 1975, Adaptation in Natural and Artificial Systems, MIT Press, Cambridge.
• Kasat, R.B., Gupta, S.K., 2003, Multi-Objective Optimization of an Industrial Fluidized-Bed Catalytic Cracking Unit (FCCU) Using Genetic Algorithm (GA) with the Jumping Genes Operator, Comput Chem Eng, 27, 1785-1800.
• McClintock, B., 1987, The Collected Papers of Barbara McClintock, Garland, New York.
• Ramteke, M., Ghune, N., Trivcdi, V., 2014, Simulated Binary Jumping Gene: A Step Towards Enhancing the Performance of Real-Coded Genetic Algorithm, submitted.
• Ripon, K.S.N., Kwong, S„ Man, K.F., 2007, A Real-Coding Jumping Gene Genetic Algorithm (RJGGA) for Multi-objective Optimization, Inform Sciences, 177, 632 654.
• Sankararao, B., Gupta, S.K., 2006, Multi-Objective Optimization of the Dynamic Operation of an Industrial Steam Reformer Using the Jumping Gene Adaptations of Simulated Annealing, Asia-Pac J Chem Eng, 1,21-31.
• Skrzypek, J., Grzesik, M., Galantowicz, M., Solinski, J., 1985, Kinetics of Catalytic Air Oxidation of o-Xylene over a Commercial V205-Ti02 Catalyst, Chem Eng Sci, 40, 611-620.