Tìm hiểu về thiết bị optimizer trong hysys

TRƯỜNG ĐẠI HỌC MỎ ĐỊA CHẤT
KHOA DẦU KHÍ
BỘ MÔN LỌC HÓA DẦU
---------------oOo---------------

BÀI TẬP
TIN HỌC CHUYÊN NGÀNH
Đề tài: Tìm hiểu về thiết bị Optimizer trong Hysys
Giáo viên hướng dẫn:
ThS. Đoàn Văn Huấn

Nhóm 2

MỤC LỤC
Contents

1


2


13.1.Optimizer
HYSYS bao gồm một trạng thái ổn định với nhiều thay đổi Optimizer. Một dòng quá
trình của bạn đã được xây dựng và đã thu được một giải pháp hội tụ, bạn có thể sử dụng
Optimizer để tìm các điều kiện hoạt động và tối giản ( hoặc tăng tối đa) một Objective
Function. Hướng thiết kế đôi tượng của HYSYS làm cho Optimizer cực kỳ mạnh, khi nó
chọn ngẫu nhiên một khoảng rộng của các biến quá trình cho việc tối ưu hóa của bạn.
Optimizer tự làm chủ Spreadsheet cho việc định nghĩa Objective Funciton, như sự biểu
diễn các mối quan hệ được sử dụng. Tính linh hoạt của phương pháp này cho phép bạn,
cho ví dụ, cấu trúc Objective Function thuận lợi hơn cho giá trị lớn nhất, các tiện ích nhỏ

nhất hoặc Exchange UA nhỏ nhất. Các thuật ngữ tiếp theo đã được sử dụng để diễn tả
Optimizer.
Thuật ngữ
Primary
Variable
Objective
Function
Constraint
Functions

Định nghĩa
Có nhiều biến quan trọng từ dòng quá trình của các giá trị để tối giản
bằng tay các hàm mục tiêu. Bạn có thể cài đặt giới hạn trên hoặc dưới
cho tất cả các biến cơ bản, chúng có thể được sử dụng để cài đặt trong
phạm vi nghiên cứu cũng như cho các tiêu chuẩn hóa.
Các hàm này được tối giản hoặc tăng tối đa. Có rất nhiều tính linh
hoạt trong việc diễn tả Objective Function; biến cở bản có thể rất quan
trọng và các hàm được định nghĩa trọng phạm vi Optimizer
Speadsheet, chúng có nhiều khả năng của dòng quá trình phổ biến.
Các hàm quan hệ bất phương trình thức và phương trình có thể được
xác định trong Optimizer Spreadsheet. Một ví dụ của một quan hệ là 2
biến của sản phẩm phù hợp trong bất phương trình ( -A*B < K)
Các phương pháp Box, Mixed và Sequential Quadratic Programming
có biến cho quan hệ nhỏ nhất với bất phương trình. Chỉ các phương
pháp Original và Hyprotech SQP có thể vận dụng mối quan hệ của
phương trình
Các phương pháp Fletcher-Reeves có biến cho các vấn đề tối ưu hóa
không quan hệ.

Bạn có khả năng xác định không chỉ bao nhiêu Optimizer Function đã thiết lập, nhưng

cũng làm thế nào để đạt đến một giải pháp Optimizer. Bạn có thể thiết các thông số được
sử dụng như Optimization Scheme, the Number of Iteration và Tolerance.
3


13.1.1 Tổng quan chung Optimizer
Để mở Optimizer, chọn lệnh Optimizer từ menu Similation, hoặc ấn F5
Khi bạn mở Optimizer lần đầu, sẽ xuất hiện như hình dưới

Số lượng của các bảng trong Optimizer hiển thị các thay đổi phụ thuộc vào hình thức
bạn chọn Optimizer. Bảng đầu, được gọi là bảng Configuration, không giữ nguyên nội
dung hình thức của Optimizer mà bạn chọn.
Có ba nút thay đổi hiển thị trong Optimizer, không có nội dung mà bảng được hiển thị,
hoặc hình thức của Optimizer có thể được lựa chọn.
Nút
Delete
Spreadsheet
Start/Stop

Miêu tả
Xóa bỏ tất cả các thông tin hiện tại từ Optimizer và Spreadsheet
Truy cập Spreadsheet chuyên dụng của Optimizer
Khởi động hoặc dừng việc tính toán Optimizer. Một hàm mục phải
được xác định trước khi bắt đầu tính toán.
4


13.1.2 Bảng Configuration
Bảng Configuration cho phép bạn chọn phương thức Optimizer mà bạn muốn, bằng lựa
chọn nút thích hợp trong nhóm Data Model.

HYSYS có 5 hình thức của Optimizer:
•

Original. Mặc định lựa chọn từ HYSYS 2.4. Hướng dẫn trong phần 13.2-Original

•

Optimizer cho nhiều thông tin hơn.
Hyprotech SQP. Optimizer mới thay đổi cho HYSYS 3.0. Hướng dẫn mục 13.3-

Hyprotech SQP Optimizer cho nhiều thông tin hơn.
• MDC Optim. Lựa chọn Optimization từ HYSYS 2.4. Hướng dẫn trong chương 3Optimizer trên Aspen RTO Reference Guide cho nhiều thông tin hơn.
• DataRecon. Lựa chọn DataRecon từ HYSYS 2.4. Hướng dẫn trong chương 5•

DRU Overview trên Aspen RTO Reference Guide cho nhiều thông tin hơn.
Selection Optimization. Lựa chọn Selection Optimization thay đổi cho HYSYS
3.1. Hướng dẫn ở mục 13.4-Selection Optimization cho nhiều thông tin hơn

13.2 Original Optimizer
Để truy cập Original Optimizer:
1. Trong bảng Configuration, chọn nút Orginal trên nhóm Data Model, sẽ hiển thị

như hình dưới.

2. Original Optimizer hiển thị bao gồm các bảng tiếp theo:
• Configuration
• Variable
5

•
•
•

Function
Parameters
Monitor

Khi bảng Configuration đã xuất hiện như được nói đến trong phần 13.1.2-Configuration
Tap, tiếp theo sẽ trình bày dựa trên các mục của bảng.
13.2.1. Bảng Variables
Khi bạn làm xuất hiện Optimizer lần đầu, bảng Variables xuất hiện như hình dưới:

Trong bảng Variables, bạn có thể nhập các biến cơ bản như giá trị nhỏ nhất hoặc lớn
nhất cho hàm mục tiêu. Một vài biến quá trình có thể thay đổi có thể sử dụng như các
biến cơ bản. Có thể thêm các biến mới qua Variables Navigator. 5 nút ở dưới đáy của
bảng cho phép bạn thay đổi bằng tay.
Nút
Add
Edit
Delete
Save Curent
Reset Current

Miêu tả
Cho phép bạn them các biến cơ sở. Khi bạn kích vào nút này sẽ xuất
hiện Variable Navigator, và bạn có thể chọn biển mà bạn muốn từ
danh sách hiển thị
Cho phép bạn chỉnh sửa các biến cơ sở đã chon cho biến cần thay đổi
mà bạn muốn

Cho phép bạn xóa bỏ các biến đã lựa chọn
Chứa các giá trị đã thiết lập lại
Thiết lập lại các giá trị hiện tại cho các giá trị cài đặt lại
6


Tất cả các biến phải giới hạn trên và dưới, các biến sử dụng tiêu chuẩn hóa Primary
Variable:

Giới hạn trên và dưới cho mỗi Primary Variable nên chọn các dòng quá trình cơ sở để đạt
được trong toàn bộ phạm vi. Ví dụ, giả sử rằng Primary Variable có Molar Flow của
dòng nguyên liệu từ bề mặt của ống trao đổi nhiệt. Nếu Molar Flow này quá thấp, tổn thất
nhiệt độ có thể dẫn đến trao đổi nhiệt trong ống, do đó các tính toán Optimizer sẽ dừng
lại. Trong trường hợp này, giới hạn dưới được lựa chọn sao cho tổn thất nhiệt không xảy
ra.
13.2.2. Bảng Functions
Bảng Functions bao gồm 2 miền, 2 nút và nhóm Constraints Functions

Optimizer có Spreadsheet mà được sử dụng dành cho phát triển các hàm mục tiêu,như
một vài mối quan hệ của các hàm được sử dụng. Optimizer Spreadsheet đồng nhất hoạt
động của Spreadsheet, có thể gắn liền với các biến quá trình bằng kéo xuống và làm
giảm, hoặc sử dụng Variable Navigator. Một trong các biến quá trình cần thiết đã được
7


kết nối đến Spreadsheet, bạn có thể xấy dựng Objective Function và một số quan hệ sử
dụng cú pháp tiêu chuẩn.
Bạn có thể chỉ rõ Objective Function trên trường Cell. Giá trị hiện tại của các hàm mục
tiêu được cung cấp hiển thị bên dưới trường Cell. Hơn nữa, hàm mục tiêu được chỉ rõ vị
trí ở đâu mà bạn có thể xác định giá trị nhở nhất, lớn nhất trong hàm mục tiêu.

Constraint Function có ở nơi mà bạn có thể chỉ rõ bên trái hay bên phải của hàm quan
hệ ( trên LHS và cột RHS Cell). Chỉ rõ mối quan hệ giữa cột giá trị hiện tại bên trái và
bên phải ( LHS>RHS, LHSlên bởi Penatly Value trên các tính toán Optimization. Nếu bạn tìm thấy rằng mối quan hệ
không thỏa mã , tăng Penatly Value, Penatly Value cao hơn, khối lượng nhiều hơn phù
hợ với các quan hệ. Penatly Value là phương trình mặc định bậc một.
Giá trị hiện tại của Objective Function và giá trị trái và phải của Constraint Function xuất
hiện trên trường tương ứng
13.2.3 Parameters Tab
Parameters Tab được sử dụng để lựa chọn Optimization Scheme (sơ đồ tối ưu hóa) và
định nghĩa liên kết các thông số.

8


Các thông số có sẵn được miêu tả trong bảng dưới đây:
Các thông số
Scheme (sơ đồ)

Miêu tả
Bạn có thể lựa chọn loại sơ đồ từ một danh sách có lựa chọn có sẵn.
Tìm hiểu thêm thông tin về sơ đồ tối ưu trong phần Section 13.2.5
– Optimization Schemmes
Maximum Cài đặt số lớn nhất của hàm số ước lượng (không bị lẫn với số cực
Fanction
đại của các bước lặp). Trải qua mỗi bước lặp, phần thích hợp của sơ
Evaluation
đồ quá trình sẽ được giảinhiều lần, tùy thuộc các nhân tố như sơ đồ
(Hàm số ước tối ưu hóa, và số biến cơ sở.
lượng cực đại)

Maximum
Là số cực đại của các bước lặp. Quá trình tính toán dừng lại nếu đạt
Iteration (bước tới số bước lặp cực đại.
lặp cực đại)
Maximum
Thay đổi lớn nhất cho phép đối với các biến cơ sở tiêu chuẩn giữa
Change/
các bước lặp. Ví dụ như, giả sử mức thay đổi trên một nước lặp là
Iteration (mức 0,3 (đây là giá trị mặc định). Nếu bạn có lưu lượng mol lý thuyết là
thay đổi lớn một biến cơ sở với khoảng thay đổi từ 0 tới 200 Kgmol/giờ, khi đó,
nhất/ bước lặp) mức thay đổi lớn nhất đối với một bước lặp sẽ là (200).(0,3) và
bằng 60Kgmol/giờ.
Shift A/Shift B Đạo hàm của của hàm mục tiêu và/ hoặc hàm phụ thuộc với sự chú
ý đến các biến cơ sở thông thường cần phải có và được tính sử
dụng phép vi phân số.
9


Phép đạo hàm số được tính dựa trên mối quan hệ sau:
Xshift = Shift A*x + Shift B
Trong đó:
X : biến gây nhiễu (tiêu chuẩn hóa)
Xshift : khoảng di chuyển (tiêu chuấn hóa)
Đạo hàm được tính:
Trong đó:
y2: giá trị của biến giả sử tướng ứng với giá x + x shift
y1: giá trị của biến giả sử tương ứng với giá trị x
Trước mỗi bước, bộ tối ưu hóa cần xác định gradien của mặt phẳng
tối ưu tại vị trí hiện tại. bộ tối ưu hóa sẽ di chuyển mỗi biến cơ sở
một giá trị xshift (so với Shift A(khoảng thay đổi A) và Shift B

(khoảng thay đổi B) chỉ là một bước rất nhỏ). Đạo hàm sau đó được
đánh giá cho mỗi hàm số ( hàm mục tiêu và hàm phụ thuộc) sử
dụng các giá trị của y tại 2 ví trí của x. từ thông tin này và lịch sử
bộ tối ưu, chiều và khoảng nhảy tiếp theo sẽ được chọn.

13.2.4 Monitor Tab
Monitor tab mô tả các giá trị của hàm mục tiêu, các biến cơ sở, các hàm phụ thuộc suốt
các quá trình tính toán của bộ tối ưu hóa (optimizer). Thông tin mới được cập nhật chỉ
khi có sự cải tiến trong các giá trị của hàm mục tiêu. Những giá trị phụ thuộc là dương
nếu bất đẳng thức phụ thuộc được thỏa mãn và âm nếu như bất đẳng thức phụ thuộc
không thỏa mãn.

10


13.2.5 Optimization Schemes
Những phần dưới đây mô tả các sơ đồ tối ưu hóa (Optimization) cho bộ tối ưu hóa gốc
(Original Optimizer).
Thiết lập hàm số (function setup)
Bộ tối ưu hóa thiết lập bằng tay các giá trị cho một tập hợp các biến cơ sở theo một trật
tự để cực tiểu hóa (hoặc cực đại hóa) một hàm mục tiêu do người dùng định nghĩa, đã
xây dựng từ số lượng bất kì của các biến quá trình.
Min f(x1, x2, x3, … , xn)
Trong đó: x1, x2, x3, … , xn : là các biến quá trình .
Mỗi biến cơ sở , x0, có thể được thiết lập bằng tay khoảng giá trị đặc trưng:
với
Phương trình và các bất phương trình phụ thuộc tổng quát có dạng:

11

với

Những hàm phụ thuộc thông thường không nên sử dụng các biến cơ sở.
Tất cả các biến cơ sở được tiêu chuẩn hóa trong khoảng từ giới hạn bé tới giới hạn lớn.
Bởi vậy, các giới hạn hợp lí phải được ghi rõ. Các giới hạn biến quá lớn hoặc quá nhỏ cần
phải tránh vì chúng có thể dẫn đến các vấn đề sốtrị khi xác lập tỷ lệ. Một điểm bắt đầu
gốc phải được ghi rõ, và nó nên nằm trong vùng có khả năng thực hiện. Sự phụ thuộc là
không bắt buộc cũng không được khuyến khích đối với tất cả các sơ đồ tối ưu hóa.
Nếu HYSYS sai trong việc đánh giá các hàm mục tiêu hoặc bất kì một hàm phụ thuộc
nào, bộ tối ưu sẽ giảm số bước phát sinh đối với biến cơ sở cuối cùng đi còn một nửa. sơ
đồ quá trình sau đó sẽ được tính toán. Nếu sự đánh giá hàm vẫn không thành công, quá
trình tối ưu hóa sẽ dừng lại.
Theo mặc định, bộ tối ưu hóa được cài đặt để cực tiểu hóa hàm mục tiêu. Một nút nổi
Maximize (cực đại hóa) có sẵn trong Functions tab nếu bạn muốn cựa đại hóa hàm mục
tiêu. Bên trong bộ tối ưu hóa đơn giản sẽ đảo lại các kí hiệu.
BOX Method (phương pháp BOX)
Phương thức rất lỏng lẻo đặt trên cơ sở phương pháp “Complex” của BOX 1; thuật toán
Downhill Simplex của Press2 và các cộng sự và thuật toán BOX của Kuester và Mize3.
Phương pháp BOX là một chuỗi nghiên cứu kỹ thuật để giải quyết những vấn đề với các
hàm mục tiêu phi tuyến, đưa ra các bất đẳng thức phụ thuộc phi tuyến. Không có đạo
hàm nào cần phải tính. Nó quản lí các bất đẳng thức phụ thuộc nhưng không quản lí các
đẳng thức phụ thuộc. phương pháp BOX không có hiệu quả nhiều trong điều kiện số
lượng cần phải có các đánh giá hàm. Phương pháp nói chung yêu cầu một số lượng lớn

12


của các bước lặp để hội tụ trong phép giải. Tuy nhiên, nếu áp dụng được, phương pháp
này có thể rất mạnh.

Phương thức:
1

Cho một điểm bắt đầu khả dụng, vấn đề sẽ phát sinh ra một “complex” (phức tạp)
gốc của n + 1 điểm xung quanh trung tâm của vùng khả dụng (trong đó n là số

2

lượng các biến).
Hàm mục tiêu sẽ được đánh giá tại mỗi điểm. Điểm có giá trị hàm cao nhất được
thay thế bởi một điểm thu được bằng việc ngoại suy qua mặt phức hệ đi đi qua từ

điểm giá trị cao đó (sự phản chiếu).
3 Nếu điểm mới chọn phù hợp làm giảm giá trị hàm mục tiêu, HYSYS thử một phép
ngoại suy cộng. Mặt khác, nếu điểm mới chọn xấu hơn điểm cao nhất thứ 2,
HYSYS sẽ làm một phép rút gọn một chiều.
4 Nếu một điểm vẫn còn cho nhũng giá trị lớn, tất cả các điểm sẽ được rút gọn xung
quanh điểm thấp nhất.
5 Điểm mới phải thỏa mãn cả hai điều kiện, giới hạn biến và bất đẳng thức phụ
thuộc. Nếu nó vi phạm giới hạn, nó được đưa về giá trị giới hạn. nếu nó vi phạm
bất đẳng thức, điểm sẽ được tăng lên vào khoảng trung tâm các điểm còn lại tới
khi bất đẳng thức được thỏa mãn.
6 Các bước từ bước số 2 tới bước số 5 được lặp đi lặp lại nhiều lần cho tới khi hội
tụ.
SQP method (phương pháp SQP).
Phương pháp SQP (lập trình bậc hai tuần tự) quản lí các bất phương trình và phường
trình phụ thuộc.
SQP được quan tâm nhiều như là một phương pháp hiệu quả cho sự cực tiểu hóacác phụ
thuộc tổng quát tuyến tính và không tuyến tính, cung cấp một điểm ban đầu hợp lý và số
lượng không lớn các biến.

Phương thức thực hiện hoàn toàn dựa trên cơ sở của chương trình con Harwell VF13 và
VE174. Vấn đề bám sát chặt chẽ với thuật toán của Powell5.
13


Nó cực tiểu hóa một sấp xỉ bậc 2 gần đúng của hàm Lagrangian đưa ra một sấp xỉ tuyến
tính của các phụ thuộc. Thứ 2, đạo hàm ma trận của hàm Lagrangian được đánh giá tự
động. một phương thức nghiên cứu thẳng sử dụng kỹ thuật “watchdog” (Chamberlain và
Powell6) được sử dụng để thúc đẩy sự hội tụ.
Mixed method (phương pháp trộn).
Phương pháp Mixed cố gắng đạt được ưu điểm các đặc trưng sự hội tụ toàn bộ của
phương pháp BOX và hiệu quả của phương pháp SQP. Nó bắt đầu cực tiểu hóa với
phương pháp BOX sử dụng một mức hội tụ rất lỏng lẻo (mức yêu cầu 50 lần)
Phương pháp Fletcher Reeves
Các thủ tục tiến hành là sự thay đổi Polak – Ribiere của giản đồ gradient liên hợp
Fletcher – Reeves. Được hoàn thiện sau cùng nhờ Press và các cộng sự, với sự cải tiến
cho phép phù hợp với các giới hạn biến cao hơn và thấp hơn. Phương pháp này áp dụng
cho sự cực tiểu hóa tổng quát mà không có sự phụ thuộc. Phương pháp sử dụng cho việc
tìm kiếm một chiều có thể được thấy trong mục tham khảo 2, ở cuối chương này.
Thủ tục:
1

Đưa ra một điểm khởi đầu giả định cho đạo hàm của hàm mục tiêu với sự chú ý

đến các biến cơ sở.
2 Giả định một chiều tìm kiếm mới liên hợp với gradient cũ.
3 Biểu diễn sự tìm kiếm một chiều dọc theo chiều mới cho tới khi giá trị tối thiểu
quỹ tích được đạt tới.
4 Nếu bất kì biến nào vượt quá giới hạn của chúng, cần trả lại chúng vào trong
5

khoảng giới hạn.
Lặp lại các bước từ 1 tới 4 cho tới khi hội tụ.

Phương pháp Quasi – Newton
Phương pháp Quasi – Newton của Broyden – Fletcher – Goldfarb – Shanno (BFGS) theo
Press và các cộng sự đã được bổ sung. Trong điều kiện áp dụng và các hạn chế, phương
14


pháp tương tự như phương pháp Fletcher – Reeves. Phương pháp này tính toán chiều tím
kiếm mới từ sự xấp xỉ nghịch đảo Ma Trận Dạng Hess.
13.2.6 các mẹo đối với bộ tối ưu hóa (optimizer tips)
Dưới đây cung cấp các mẹo cho bộ tối ưu hóa nguyên bản (Original Optimizer)
1

Giợi hạn biến phù hợp (lớn và nhỏ) là vô cùng quan trọng. Sự cần thiết này không
chỉ ngăn ngừa những điều kiện xấu sơ đồ quá trình (ví dụ: sự truyền nhiệt chéo
trong thiết bị trao đổi nhiệt) mà còn bởi vì các biến tỉ lệ trong khoảng từ 0 đến 1

2

trong thuật toán tối ưu sử dụng các giới hạn này.
Trong phương pháp BOX và Mixed, giá trị cực đại thay đổi/ lặp lại của các biến
cơ sở (cài trong tab Parameters) nên được giảm đi. Giá trị 0.05 hoặc 0.1 sẽ thích

3

hợp hơn.
Phương pháp Mixed thông thường yêu cầu số lượng tối thiểu của các sự giả định

hàm (hiệu quả nhất).
4 Nếu phương pháp BOX, Mixed hoặc SQP không đúng với những sự phụ thuộc
bạn đưa ra, cố gắng tăng Penalty Value trong tab Funtions lên 3 hoặc 6 bậc độ lớn
(nâng giá trị đồng dạng lên thành giá trị mong muốn của hàm mục tiêu). Nói cách
khác, nó có ích trong việc thử đạt được độ lớn hàm mục tiêu và mức phạt tương
cũng có thể (nhất là khi phương pháp BOX được sử dụng).
5 Bằng cách mặc định các mức cực tiểu bộ tối ưu cho hàm mục tiêu, bạn có thể cực
đại hóa các hàm mục tiêu bằng cách chọn nút nổi Maximize trong tab Funtions.
13.3 Bộ tối ưu hóa Hyprotech SQP
Hyprotech SQP là một thuật toán lập chương trình bình phương liên tục (SQP) kết hợp
với một hàm giá trị L1 và một phương pháp xấp xỉ ma trận Hess của lagrangian. Thuật
toán là nét đặc biệt của việc thu hẹp kích thước bước nhảy, xác định tỉ lệ biến quyết định
và hàm mục tiêu, phương pháp cảnh giới cơ bản, và một phép thử hội tụ tương đối độc
lập một qui mô và vấn đề. Thuật toán cũng đảm bảo rằng phương pháp được đánh giá chỉ
ở những điểm thuận lợi cùng với sự chú ý đến các giới hạn biến.
Để truy cập bộ tối ưu hóa Hyprotech SQP.
15


1

Trên tab Configuaration, chọn nút nổi Hyprotech SQR trong nhóm Data Model
như hình vẽ dưới đây:

2

Trong hộp thoại Hyprotech SQP optimizer có chứa 2 tab:
• Configuration
• Hyprotech SQR

Tab Configuration đã được thảo luận trong phần 13.1.2 – Configuration Tab, phần dưới
đây sẽ miêu tả tab Hyprotech SQP
Thanh Hyprotech SQP
Thanh Hyprotech SQP chỉ có khi bạn lựa chọn Hyprotech SQP từ Configuration.
Hyprotech SQP cho phép bạn sử dụng cấu hình setup và flags bằng cách lựa chọn cấu
hình tương ứng trong nhóm Configuration

Lựa chọn Setup
Khi bạn lựa chọn Setup từ nhóm Configuration, Hyprotech SQP sẽ xuất hiện một bảng
như sau:

16


Ô Starting Objective đứng ở cuối bảng đưa ra giá trị ban đầu của hàm mục tiệu trước khi
thực hiện bất kỳ quá trình tối ưu hóa nào. Giá trị này không có tỷ lệ và bạn không thể
thay đổi giá trị này.
Các thông số trong Setup option được phân ra thành 2 nhóm sau:
•
•

Setup
Running Results.

Nhóm Setup:
Nhóm Setup bao gồm những thông số sau:
Biến số
Max. Iteration( Số lần lặp
tối đa)

Objective Scale Factor

Gradient Calculations

Mô tả
Là số lần lặp chính tối đa. Một lần lặp chính bao gồm
một dãy các phép lặp phụ làm tối thiểu hóa tuyến tính
một cách cưỡng bức các vấn đề.
Sử dụng một hệ số tỷ lệ cho hàm mục tiêu. Giá trị
dương đước sử dụng là –is, giá trị âm sử dụng hệ số
abs ( scale * F ). ( ờ đây F là giá trị ban đầu của hàm
mục tiêu ) và giá trị 0.0 thường tự động xuất hiện.
Chỉ rõ nếu một bên ( ở trước ) hoặc 2 bên ( trung tâm )
khác nhau được sử dụng cho tính toán sự sai lệch.
17


Diagnostic Print Level
Accuracy Tolerance

Trong cả 2 trường hợp, sư sai lệch về kích thước sử
dụng cho các biến bên trong bộ tối ưu hóa được đưa ra
trong gói đặc tính nhiễu.
Lựa chọn lượng thông tin để chèn vào tệp chuẩn đoán
tối ưu hóa ( optimizer diagnostic files ).
Dung sai của độ chính xác tương đối được sử dụng
trong phép hội tụ. Phép thử độ hội tụ được dùng với
Tổng hội tụ
Trong đó:
Tổng hội tụ

≤≤

F ( x)

Sai số tối ưu hóa x max (

,1.0)

Tổng hội tụ là tổng tải trọng của sự cải thiện hàm mục
tiêu có thể và sự vi phạm các điều kiện liên kết, và có
đơn vị giống như hàm mục tiêu. Điều này cho phép
thông số độ dung sai tương tự được sử dụng cho các
vấn đề khác và làm phép thử độ hội tụ phụ thuộc sự
chia tỷ lệ hàm mục tiêu.
Step Restriction

Perturbation ( Sự nhiễu
loạn, sai số)

Một phương pháp nghiên cứu hệ số thu hẹp kích thước
bước sử dụng cho phép lặp thứ 3. Những giá trị lớn
hơn 1.0 lần kết quả trong số các bước thu hẹp. Đặt cái
hệ số 1.0, 10-1, 10-2,… với những sự thu hẹp lớn hơn.
Sự thay đổi trong thang chia kích thước của các biến
được dùng để đánh giá sự sai lệch. Những biến riêng lẻ
được chia theo những đặc tính của biến lớn nhất và nhỏ
nhất ( hoặc theo khoảng đặc tính nếu khoảng đặc tính
của biến chỉnh sửa được kích hoạt )

Nhóm Running Results
Nhóm Running Results bao gồm những thông số sau:
Biến
Objective Value

Mô tả
Đưa ra mô hình dòng những giá trị của hàm
mục tiêu được tính toán bằng quá trình tối
ưu hóa.
18


Termination Reason

Actual Optimizer
Feasible Point Iterations ( Số điểm lặp thực
hiện được )
Total CPU Time
Solution Phase

Gradient Evaluations ( Đánh giá độ chênh
lệch )
Model Evaluations
Code Version

Đưa ra trạng thái hoàn thành của quá trình
tối ưu hóa. Những giá trị này bao gồm
Running, Step convergence ( các bước hội
tụ), Unbounded , Impossible, Not run, và
Stopped.

Đưa ra số lần lặp chính.
Đưa ra số lần lặp nhỏ từ phép lặp chính
cuối cùng.
Báo cáo thời gian để giải quyết vấn đề tối
ưu hóa.
Đưa ra tiến độ hiện tại của thuật toán tối ưu
hóa. Những giá trị này bao gồm Initialize
( Điểm đầu), Setup, OPT Deriv, OPT
Search, và Results.
Báo cáo số sự định giá mức độ chênh lệch
trong suốt quá trình tối ưu hóa.
Báo cáo chỉ số đánh giá mô hình đã thực
hiện trong suốt quá trình tối ưu hóa.
Phiên bản của quá trình tối ưu hóa.

Results
Results đưa ra kết quả ở cuối của quá trình tối ưu hóa như sau:
•
•
•
•

Những giá trị liên quan đến quá trình tối ưu hóa, những biến và hàm mục tiêu.
Những giá trị của vùng tối đối với các liên kết có hiệu lực.
Nguyên nhân của sự kết thúc.
Số lần lặp lại và thời gian thực hiện của CPU.

Một số kết quả được đề cập ở trên có thể tìm ờ nhóm Running Results, và các kết quả
khác được tìm thấy ở ứng dụng Derivative
Lựa chọn Flags:

Nếu bạn lựa chọn ô Flags từ nhóm cấu hình Configuration, thanh công cụ Hyprotech
SQP xuất hiện như hình ở dưới đây:

19


e
Bảng dưới đây giải thích những giá trị trong nhóm Flags:
Sự lựa chọn
Omit. Tech Constraints
Relax Violated Constrants
Include Fixed Constraints

Numerical Gradients
Include Scales

Mô tả
Không sử dụng.
Không sử dụng.
Nếu ô này được kích hoạt sau đó các biến
tối ưu hóa có thuộc tính cùa gói Flag trong
quá trình tối ưu hóa nếu chúng bằng giá trị
lớn nhất và nhỏ nhất.
Không sử dụng.
Bao gồm những thuộc tính của biến như hệ
số tỷ lệ trong các thuật toán.

13.4 Tối ưu hóa lựa chọn - SELECTION OPTIMIZATION
Sự tối ưu hóa lựa chọn bao gồm các thuật toán giải quyết các bài toán của chương trình
không tuyết tính số nguyên hỗn hợp (Mixed integer Non-Linear Programming –MINLP),

trong đó hàm mục tiêu được tối thiểu hóa bởi sự điều chỉnh cả những biến quyết định giá
trị thực và những biết quyết định giá trị nhị phân. Những biến nhị phân hay biến trạng
thái rời rạc này có thể được sử dụng để biểu diễn trạng thái của thiết bị ( Mở, Tắt, Không
hoạt động, và luôn hoạt động) trong tiện ích đạo hàm Derivative utility. Những thuật toán
này cố gắng lựa chọn một sự hợp nhất của các biến trạng thái rời rạc sao cho cả hai thỏa
20


mãn sự ràng buộc, và tối thiểu hóa hàm mục tiêu. Có hai phương pháp của chương trình
không tuyến tính số nguyên hỗn hợp: Ngẫu nhiên (được biết đến như phương pháp mô
phỏng luyện kim), và phương pháp nhánh cận. Những phương pháp này sử dụng các bộ
tối ưu hóa (Hyprotech SQP, và MDC Optim) chương trình không tuyến tính (NLP) để
giải các vấn đề phụ.
Để truy cập vào mục tối ưu hóa lựa chọn:
1

Trong thẻ Configuration, ấn vào nút Selection Optimization trong nhóm Data

2

Model như hình dưới.
Click vào thẻ Selection Optimization.

13.4.1 THẺ SELECTION OPTIMIZATION
Thẻ SELECTION OPTIMIZATION cho phép bạn lựa chọn và thiết lập dạng chương
trình giải toán rời rạc và khối tối ưu hóa không tuyến tính. Hai nhóm cơ bản này có sẵn
trong thẻ SELECTION OPTIMIZATION:
Discrete solver Options. Bạn có thể lựa chọn bộ giải ngẫu nhiên hay nhánh cận bởi
click vào nút thích hợp như hình dưới. Phụ thuộc vào dạng bộ giải rời rạc bạn lựa chọn,
những nhóm phụ them sẽ xuất hiện.

Non Linear Optimization configuration. Có sẵn hai bộ tối ưu hóa không tuyến tính:
Hyprotech SQD, và MDC Optim. Bạn có thể lựa chọn khối không tuyến tính bởi click
vào nút tương ứng.
Tùy thuộc vào bộ tối ưu hóa bạn lựa chọn, những thẻ phụ sẽ xuất hiện trên Optimizer
view cho sự thiết lập cấu hình tiếp theo.
Những phần tiếp theo sẽ mô tả những phương pháp giải rời rạc nhánh cận và ngẫu
nhiên.
Phương pháp ngẫu nhiên

21


Phương pháp ngẫu nhiên là một thuật toán mô phỏng luyện kim xuất phát từ cơ học
thống kê để tìm ra giải pháp tối ưu trong bài toán đạo hàm không tuyến tính.
Thuật toán này dựa trên sự tương đồng giữa sự tôi luyên chất rắn và sự tối ưu tổ hợp.
Những sự tương như sau:
-

Những trạng thái của chất rắn trong ram thép thể hiện những giải pháp khả thi của

-

bài toán tối ưu.
Những trạng thái năng lượng trong quá trình ram thép phù hợp với lời giải tối ưu.
Sự làm nguội nhanh phải phù hợp với điều kiện tối ưu cục bộ trong bài toán tối ưu.

Tại nhiệu độ đưa ra, sự phân bố xác suất năng lượng hệ thống được xác định bởi hàm
Boltmann:
P(E)= e-E/(kT)
Trong đó:

E: năng lượng hệ thống
K: hằng số Boltzmann
T: nhiệt độ
P(E): xác suất của hệ thống trong trạng thái năng lượng E
Thuật toán mô phỏng quá ram thép thực hiện trong phương pháp ngẫu nhiên sử dụng
một tiêu chuẩn tương tự hàm xác suất Boltzman. Tiêu chuẩn định rõ rằng nếu sự khác
biệt giữa những giá trị hàm mục tiêu của phương án đưa ra hiện tại và mới phải cân bằng
nhau hoặc lớn khơn 0, một số ngẫu nhiên ∂ với sự phân bố đồng nhất [0,10] được tạo ra.
Nếu số ngẫu nhiên thỏa mãn điều kiện:
∂ ≤ e-ΔE/T

22


Như vậy những phương án mới đưa ra được chấp nhận như những phương án hiện tại,
nếu không phương án hiện tại sẽ không thay đổi.
Một khi trạng thái được lựa chọn dựa trên tiêu chuẩn trên, lời giải cho bài toán sẽ thu
được bằng việc sử dụng sự tối ưu hóa không tuyến tính.
Phương pháp ngẫu nhiên gồm 2 nhóm:
-

Thông số ngẫu nhiên
Đầu ra sự tối ưu hóa ngẫu nhiên

Những thông số ngẫu nhiên
Những thông số ngẫu nhiên bao gồm 3 thông số sau:
Thông số

Mô tả

No of Iterations

Cho phép chỉ rõ số bước lặp trong thuật toán mô
phỏng ram thép, số bước lặp là một giới hạn định
rõ nghĩa là thuật toán sẽ dừng khi đạt tới giá trị đã
định

Số bước lặp

Giá trị mặc định là 10
Time limit
(Giới hạn thời gian – Phút)

Cho phép bạn chỉ rõ thời gian chạy của thuật toán,
khi đạt đến thời gian giới hạn. thuật toán sẽ kết
thúc bài toán đang giải
Giá trị mặc định là 2 phút

Annealing temperature
(Nhiệt độ ram)

Cho phép bạn chỉ rõ nhiệt độ được sử dụng trong
tiến trình của bài toán tối ưu hóa để tìm phương
án tối ưu. Như những quy tắc thong thường, nhiệt
độ ram nên cùng cấp với quy mô của hàm mục
tiêu tốt nhất
Giá trị mặc định là 1.000e-003

23

Đầu ra sự tối ưu hóa ngẫu nhiên
Trong nhóm Stochastic Optimization, bạn có thể thấy giá trị hàm mục tiêu tốt nhất
(Best objective function) trong sự tối ưu hóa dựa trên các thong số đã được đặt trong
nhóm Stochastic parameters.
Phương pháp nhánh cận
Phương pháp nhánh cận trước hết giải quyết bài toán MINLP như một bài toán NLP
bởi việc giảm bớt giới hạn số nguyên, do đó, những phép tính có thể đồng quy với một
dung sai số nguyên ít sát hơn. Phương pháp này tiếp tục bằng việc thực hiện một tìm
kiếm có hệ thống của những phương án kế tiếp (gọi là nút - Nodes), trong đó những biến
số nguyên bắt buộc phải nhận những giá trị nguyên. Quá trình này được biết như là sự
phân nhánh. Cấu trúc tập hợp này của bài toán thu được dạng của một cái cây. Tiến trình
phân nhánh và giải quyết một dãy bài toán kế tiếp được thực hiện lien tục cho đến khi lời
giải số nguyên khả thi được tìm ra. Giá trị của hàm mục tiêu trở thành một cận trên của
mục tiêu của bài toán MILNP. Tại điểm này, toàn bộ những phương án mà giá trị hàm
mục tiêu của nó cao hơn cận trên sẽ được loại ra từ suy xét. Quá trình loại bỏ này được
biết như thăm dò. Các nút được thăm dò khi bài toán kế tiếp khả thi hoặc khi có một
phương án số nguyên tự nhiên. Sự tìm kiếm phương áo tối ưu kết thúc khi tất cả các nút
được kiểm tra.
Phương pháp nhánh cận có 2 nhóm chính:
-

Những thông số nhánh cận
Đầu ra nhánh cận

Những thông số nhánh cận
Nhóm thông số nhánh cận bao gồm 5 nhóm phụ:
-

Branching : đâm nhánh

Node selection: chọn nút
24


-

Convergence: đồng quy
Bluff: Không rõ
Search: tìm kiếm

Braching:
Nhóm Branching gồm những thông số sau:
Thông số

Mô tả

Order

Cho phép định rõ phương pháp để lựa chọn biến
nhánh. Bạn có thể lựa chọn dạng của order trong
danh sách trải xuống.
-

Fractional. Lựa chọn biến số nguyên nhỏ
nhất
Fixed. Lựa chọn biến dựa trên việc sử dụng
dãy thông số biến nguyên.

Thông thường Order mặc định là Fractional
Search

Cho phép bạn chỉ ra liệu một sự tìm kiếm nhánh
cận có thể thực hiện sau khi phương án của bài toán
relaxed được tìm ra.

Lựa chọn nút
Một nút được kiểm tra hay không khi nó thỏa mãn những kiều kiện sau:
-

Khi lời giả là một giá trị nguyên
Khi lời giải là khả thi
Khi giá trị tối ưu cao hơn cận trên hiện tại.

Nhóm Node selection bao gồm những thông số sau:
Thông số
Select

Mô tả
Cho phép bạn lựa chọn phương pháp chọn nút
-

Best bound: cận tốt nhất – lựa chọn nút với giá
25