Multi-timescale cooperative evolutionary algorithm for large-scale crude oil scheduling

doi:10.11772/j.issn.1001-9081.2024020254

Journal of Computer Applications ›› 2024, Vol. 44 ›› Issue (5): 1355-1363.DOI: 10.11772/j.issn.1001-9081.2024020254

Special Issue: 进化计算专题（2024年第5期“进化计算专题”导读，全文即将上线）

• Special issue on evolutionary calculation • Previous Articles

Multi-timescale cooperative evolutionary algorithm for large-scale crude oil scheduling

Wanting ZHANG, Wenli DU(), Wei DU

Key Laboratory of Smart Manufacturing in Energy Chemical Process，Ministry of Education （East China University of Science and Technology），Shanghai 200237，China

Received:2024-03-11 Revised:2024-04-02 Accepted:2024-04-03 Online:2024-04-26 Published:2024-05-10
Contact: Wenli DU
About author:ZHANG Wanting， born in 1998， Ph. D. candidate. Her research interests include large-scale scheduling， evolutionary computation.
DU Wei， born in 1987， Ph. D.， associate professor. His research interests include evolutionary computation， large-scale optimization， decision-making of complex industrial process.
Supported by:
National Key Research andDevelopment Program of China(2022YFB3305900)

基于多时间尺度协同的大规模原油调度进化算法

张莞婷, 杜文莉(), 堵威

能源化工过程智能制造教育部重点实验室（华东理工大学），上海 200237

通讯作者: 杜文莉
作者简介:张莞婷（1998—），女，陕西汉中人，博士研究生，主要研究方向：大规模调度、进化计算
堵威（1987—），男，江苏南通人，副教授，博士，主要研究方向：进化计算、大规模优化、复杂工业过程决策。
第一联系人：杜文莉（1974—），女，山东淄博人，教授，博士，主要研究方向：工业过程建模、控制与优化
基金资助:
国家重点研发计划项目(2022YFB3305900);国家自然科学基金面上项目(62173144);上海市青年科技启明星计划项目(22QA1402400);上海人工智能实验室资助项目

Abstract

Abstract:

Aiming to solve the problems of large-scale resources， complex constraints， and difficult cooperation of multi-timescale decision-making in the crude oil scheduling process， a Multi-Timescale Cooperation Evolutionary Algorithm （MTCEA） was proposed. Firstly， a large-scale multi-timescale crude oil scheduling optimization model was established according to the scale structure and actual demand of oil refining enterprises， which consists of a resource-oriented medium- and long-term scheduling model and an operation-oriented short-term scheduling model， and achieves a reasonable allocation of crude oil resources through employing a dynamic grouping strategy of crude oil resources to satisfy the requirements of different scheduling scales， multi-timescale characteristics， and fine production. Secondly， to promote the integration of scheduling decisions at different time scales， an evolutionary algorithm based on multi-timescale cooperation was designed and solved by constructing subproblems for the continuous decision variables in scheduling models at different time scales to achieve cooperation optimization between scheduling decisions at different time scales. Finally， MTCEA was verified in three practical industrial cases. Compared with three representative large-scale evolutionary optimization algorithms （i.e.， Competitive Swarm Optimizer （CSO）， Self-adaptive Differential Evolution with Modified Multi-Trajectory Search （SaDE-MMTS）， and Mixture Model-based Evolution Strategy （MMES）） and three high-performance Mixed Integer Non-Linear Programming （MINLP） mathematical solvers （ANTIGONE （Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations）， SCIP （Solving Constraint Integer Programs）， and SHOT （Supporting Hyperplane Optimization Toolkit））， the results show that the metrics of the solution optimality and stability of MTCEA are improved by more than 30% and 25%， respectively. These significant performance improvements demonstrate the practical application value and advantages of MTCEA in large-scale multi-timescale crude oil scheduling decisions.

Key words: evolutionary algorithm, large-scale optimization, cooperative optimization, crude oil scheduling, multi-timescale

摘要：

针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题，提出一种基于多时间尺度协同的进化算法（MTCEA）。首先，根据炼油企业的规模结构和实际需求，建立了一种大规模多时间尺度原油调度优化模型，该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成，通过引入原油资源动态分组策略，实现原油资源的合理配置，以满足不同的调度规模、多时间尺度的特征和精细化生产的要求；其次，为促进不同时间尺度调度决策的融合衔接，设计基于多时间尺度协同的进化算法，并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解，以实现不同时间尺度调度决策之间的协同优化；最后，在3个实际工业案例进行了算法性能验证。结果表明，与3种具有代表性的大规模进化优化算法（即竞争性粒子群优化算法（CSO）、基于多轨迹搜索的自适应差分进化算法（SaDE-MMTS）和基于混合模型的进化策略（MMES））以及3种高性能混合整数非线性规划（MINLP）数学求解器（即ANTIGONE（Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations）、SCIP（Solving Constraint Integer Programs）和SHOT（Supporting Hyperplane Optimization Toolkit））相比，MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。

关键词: 进化算法, 大规模优化, 协同优化, 原油调度, 多时间尺度

CLC Number:

TP278

Wanting ZHANG, Wenli DU, Wei DU. Multi-timescale cooperative evolutionary algorithm for large-scale crude oil scheduling[J]. Journal of Computer Applications, 2024, 44(5): 1355-1363.

张莞婷, 杜文莉, 堵威. 基于多时间尺度协同的大规模原油调度进化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1355-1363.

Figures/Tables 10

Fig. 1 Crude oil scheduling process of marine-access refinery

Fig. 2 Crude oil resource dynamic grouping strategy

Tab. 1 Description of symbols

符号		含义
下标与集合	$s$	油轮， $s ∈ {1,2, …, S}$
	$g$	油罐（日调度中表示实体罐，旬调度中表示虚拟罐）， $g ∈ {1,2, …, G}$
	$k$	原油油种， $k ∈ {1,2, …, K}$
	$j$	原油属性（硫含量、酸值、密度）， $j ∈ {1,2, …, J}$
	$c$	常减压装置， $c ∈ {1,2, …, C}$
	$z$	渣油种类， $z ∈ {1,2, …, Z}$
	$l$	蜡油种类（低硫蜡油、含硫蜡油）， $l ∈ {1,2, …, L}$
	$p$	中间产品种类（石脑油、煤油、柴油、蜡油、洗涤油和渣油）， $p ∈ {1,2, …, P}$
	$n$	离散时间段， $n ∈ {1,2, …, N}$
	$Ω z$	允许生产渣油 $z$ 的原油范围
参数	$A D s$	油轮到达时间（单位： d）
	$U R$	油轮每天的最大卸油量
	$F N c U$	常减压装置 $c$ 可最多同时连接的付油罐数
	$A C l, n$	蜡油 $l$ 在时间段 $n$ 的消耗速率
	$R C z, n$	渣油 $z$ 在时间段 $n$ 的消耗速率
	$F R c U$ / $F R c L$	常减压装置 $c$ 进料速率上限/下限
	$C P k, j$	原油 $k$ 属性 $j$ 的含量
	$F P c, j U$ / $F P c, j L$	常减压装置 $c$ 进料油属性 $j$ 的含量上限/下限
	$T H g U$ / $T H g L$	原油（虚拟）罐 $g$ 的液位上限/下限
	$T S g$	原油（虚拟）罐 $g$ 的底面积
	$W I l U$ / $W I l L$	蜡油 $l$ 罐区的库存上限/下限
	$R I z U$ / $R I z L$	渣油 $z$ 罐区的库存上限/下限
	$C Y k, c, p$	原油 $k$ 在常减压装置 $c$ 中被加工为中间产品 $p$ 的收率
	$P O c, p U$ / $P O c, p L$	常减压装置 $c$ 的中间产品 $p$ 的产出流量上限/ 下限
二元变量	$C T s, k, g, n$	若油轮 $s$ 上的原油 $k$ 在时间段 $n$ 向油罐 $g$ 卸油则为1，否则为0
	$T C g, c, n$	若原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 输油则为1，否则为0
	$C R c, z, n$	若常减压装置 $c$ 在时间段 $n$ 生产渣油 $z$ 则为1，否则为0
连续变量	$O T g, c, n$	取值范围［0，1］，若原油（虚拟）罐 $g$ 与常减压装置 $c$ 之间的连接关系在时间段 $n$ 与 $n - 1$ 之间发生变化则为1，否则为0
	$O F c, n$	取值范围［0，1］，若常减压装置 $c$ 的供料情况在时间段 $n$ 与 $n - 1$ 之间发生变化则为1，否则为0
	$V I s, k, n$	油轮 $s$ 中的原油 $k$ 在第 $n$ 时间段末的库存量
	$C I k, g, n$	原油（虚拟）罐 $g$ 中的原油 $k$ 在第 $n$ 时间段末的库存量
	$W V s, g, k, n$	油轮 $s$ 在时间段 $n$ 向原油（虚拟）罐 $g$ 卸入原油 $k$ 的质量
	$T I g, n$	原油（虚拟）罐 $g$ 在第 $n$ 时间段末的库存量
	$R I z, n$	渣油 $z$ 罐区在第 $n$ 时间段末库存量
	$W I l, n$	蜡油 $l$ 罐区在第 $n$ 时间段末库存量
	$T F k, g, c, n$	原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 供应原油 $k$ 的质量
	$F C k, c, n$	常减压装置 $c$ 在时间段 $n$ 加工原油 $k$ 的总量
	$F R c, n$	常减压装置 $c$ 在时间段 $n$ 的总进料量
	$T U g, c, n$	原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 供应的总量
	$W P c, p, n$	常减压装置 $c$ 在时间段 $n$ 产出中间产品 $p$ 的质量

Tab. 1 Description of symbols

符号		含义
下标与集合	$s$	油轮， $s ∈ {1,2, …, S}$
	$g$	油罐（日调度中表示实体罐，旬调度中表示虚拟罐）， $g ∈ {1,2, …, G}$
	$k$	原油油种， $k ∈ {1,2, …, K}$
	$j$	原油属性（硫含量、酸值、密度）， $j ∈ {1,2, …, J}$
	$c$	常减压装置， $c ∈ {1,2, …, C}$
	$z$	渣油种类， $z ∈ {1,2, …, Z}$
	$l$	蜡油种类（低硫蜡油、含硫蜡油）， $l ∈ {1,2, …, L}$
	$p$	中间产品种类（石脑油、煤油、柴油、蜡油、洗涤油和渣油）， $p ∈ {1,2, …, P}$
	$n$	离散时间段， $n ∈ {1,2, …, N}$
	$Ω z$	允许生产渣油 $z$ 的原油范围
参数	$A D s$	油轮到达时间（单位： d）
	$U R$	油轮每天的最大卸油量
	$F N c U$	常减压装置 $c$ 可最多同时连接的付油罐数
	$A C l, n$	蜡油 $l$ 在时间段 $n$ 的消耗速率
	$R C z, n$	渣油 $z$ 在时间段 $n$ 的消耗速率
	$F R c U$ / $F R c L$	常减压装置 $c$ 进料速率上限/下限
	$C P k, j$	原油 $k$ 属性 $j$ 的含量
	$F P c, j U$ / $F P c, j L$	常减压装置 $c$ 进料油属性 $j$ 的含量上限/下限
	$T H g U$ / $T H g L$	原油（虚拟）罐 $g$ 的液位上限/下限
	$T S g$	原油（虚拟）罐 $g$ 的底面积
	$W I l U$ / $W I l L$	蜡油 $l$ 罐区的库存上限/下限
	$R I z U$ / $R I z L$	渣油 $z$ 罐区的库存上限/下限
	$C Y k, c, p$	原油 $k$ 在常减压装置 $c$ 中被加工为中间产品 $p$ 的收率
	$P O c, p U$ / $P O c, p L$	常减压装置 $c$ 的中间产品 $p$ 的产出流量上限/ 下限
二元变量	$C T s, k, g, n$	若油轮 $s$ 上的原油 $k$ 在时间段 $n$ 向油罐 $g$ 卸油则为1，否则为0
	$T C g, c, n$	若原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 输油则为1，否则为0
	$C R c, z, n$	若常减压装置 $c$ 在时间段 $n$ 生产渣油 $z$ 则为1，否则为0
连续变量	$O T g, c, n$	取值范围［0，1］，若原油（虚拟）罐 $g$ 与常减压装置 $c$ 之间的连接关系在时间段 $n$ 与 $n - 1$ 之间发生变化则为1，否则为0
	$O F c, n$	取值范围［0，1］，若常减压装置 $c$ 的供料情况在时间段 $n$ 与 $n - 1$ 之间发生变化则为1，否则为0
	$V I s, k, n$	油轮 $s$ 中的原油 $k$ 在第 $n$ 时间段末的库存量
	$C I k, g, n$	原油（虚拟）罐 $g$ 中的原油 $k$ 在第 $n$ 时间段末的库存量
	$W V s, g, k, n$	油轮 $s$ 在时间段 $n$ 向原油（虚拟）罐 $g$ 卸入原油 $k$ 的质量
	$T I g, n$	原油（虚拟）罐 $g$ 在第 $n$ 时间段末的库存量
	$R I z, n$	渣油 $z$ 罐区在第 $n$ 时间段末库存量
	$W I l, n$	蜡油 $l$ 罐区在第 $n$ 时间段末库存量
	$T F k, g, c, n$	原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 供应原油 $k$ 的质量
	$F C k, c, n$	常减压装置 $c$ 在时间段 $n$ 加工原油 $k$ 的总量
	$F R c, n$	常减压装置 $c$ 在时间段 $n$ 的总进料量
	$T U g, c, n$	原油（虚拟）罐 $g$ 在时间段 $n$ 向常减压装置 $c$ 供应的总量
	$W P c, p, n$	常减压装置 $c$ 在时间段 $n$ 产出中间产品 $p$ 的质量

Fig. 3 Scheduling encoding corresponding to a time interval of ten-day period

Fig. 4 Scheduling encoding corresponding to a time interval of daily-period

Fig. 5 Flow of MTCEA

Tab. 2 Problems scale

算例

序号

油轮数 $×$ 油罐数 $×$

油种数 $×$ 装置数

变量总数

二元变量数

约束总数

4 × 19 × 11 × 3

15 976

5 430

45 468

4 × 20 × 13 × 3

19 487

8 232

54 854

5 × 20 × 13 × 3

22 699

12 815

65 471

Tab. 2 Problems scale

算例

序号

油轮数 $×$ 油罐数 $×$

油种数 $×$ 装置数

变量总数

二元变量数

约束总数

4 × 19 × 11 × 3

15 976

5 430

45 468

4 × 20 × 13 × 3

19 487

8 232

54 854

5 × 20 × 13 × 3

22 699

12 815

65 471

Tab. 3 Performances indicator results obtained by MTCEA and three LSGO algorithms

算法	算例1		算例2		算例3
算法	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%
CSO	12.85±1.50	75	14.70±1.72	55	19.20±2.17	30
SaDE-MMTS	12.90±1.52	70	17.60±2.33	40	23.45±2.46	20
MMES	12.25±1.89	75	14.65±1.69	45	20.60±1.79	40
MTCEA	8.40±1.47	100	9.75±1.74	95	13.05±1.67	80

Tab. 3 Performances indicator results obtained by MTCEA and three LSGO algorithms

算法	算例1		算例2		算例3
算法	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%
CSO	12.85±1.50	75	14.70±1.72	55	19.20±2.17	30
SaDE-MMTS	12.90±1.52	70	17.60±2.33	40	23.45±2.46	20
MMES	12.25±1.89	75	14.65±1.69	45	20.60±1.79	40
MTCEA	8.40±1.47	100	9.75±1.74	95	13.05±1.67	80

Fig. 6 Gantt charts of optimization results of daily-period scheduling in Case 1

Tab. 4 Performances indicator results obtained by MTCEA and three variant methods with MINLP solvers

算法	算例1		算例2		算例3
算法	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%
MTCEA-ANTIGONE	10.60±1.98	50	17.90±1.74	35	20.65±1.95	15
MTCEA-SCIP	10.70±1.84	40	$18.05 ± 1.76$	25	20.55±2.01	15
MTCEA-SHOT	10.90±1.80	55	17.60±1.64	30	20.25±1.97	20
MTCEA	8.40±1.47	100	9.75±1.74	95	13.05±1.67	80

Tab. 4 Performances indicator results obtained by MTCEA and three variant methods with MINLP solvers

算法	算例1		算例2		算例3
算法	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%	均值 $±$ 标准差	可行率/%
MTCEA-ANTIGONE	10.60±1.98	50	17.90±1.74	35	20.65±1.95	15
MTCEA-SCIP	10.70±1.84	40	$18.05 ± 1.76$	25	20.55±2.01	15
MTCEA-SHOT	10.90±1.80	55	17.60±1.64	30	20.25±1.97	20
MTCEA	8.40±1.47	100	9.75±1.74	95	13.05±1.67	80

References 25

1	丁进良，杨翠娥，陈远东，等.复杂工业过程智能优化决策系统的现状与展望［J］.自动化学报，2018，44（11）：1931-1943. 10.16383/j.aas.2018.c180550
	DING J L， YANG C E， CHEN Y D， et al. Research progress and prospects of intelligent optimization decision making in complex industrial process［J］. Acta Automatica Sinica， 2018， 44（11）： 1931-1943. 10.16383/j.aas.2018.c180550
2	陈远东，丁进良.炼油生产调度研究现状与挑战［J］.控制与决策，2022，37（9）：2177-2188.
	CHEN Y D， DING J L. State-of-arts and challenges on production scheduling of refinery［J］. Control and Decision， 2022， 37（9）： 2177-2188.
3	郑万鹏，高小永，朱桂瑶，等.原油作业过程优化的研究进展［J］.化工学报，2021，72（11）：5481-5501. 10.11949/0438-1157.20210850
	ZHENG W P， GAO X Y， ZHU G Y， et al. Research progress on crude oil operation optimization［J］. CIESC Journal， 2021， 72（11）： 5481-5501. 10.11949/0438-1157.20210850
4	张闻强，邢征，杨卫东.基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题［J］.计算机应用，2021，41（8）：2249-2257. 10.11772/j.issn.1001-9081.2020101675
	ZHANG W Q， XING Z， YANG W D. Hybrid particle swarm optimization with multi-region sampling strategy to solve multi-objective flexible job-shop scheduling problem［J］. Journal of Computer Applications， 2021， 41（8）： 2249-2257. 10.11772/j.issn.1001-9081.2020101675
5	闫红超，汤伟，姚斌.求解置换流水车间调度问题的混合鸟群算法［J］.计算机应用，2022，42（9）：2952-2959. 10.11772/j.issn.1001-9081.2021091650
	YAN H C， TANG W， YAO B. Hybrid bird swarm algorithm for solving permutation flowshop scheduling problem［J］. Journal of Computer Applications， 2022， 42（9）： 2952-2959. 10.11772/j.issn.1001-9081.2021091650
6	DU W， ZHONG W M， TANG Y， et al. High-dimensional robust multi-objective optimization for order scheduling： a decision variable classification approach［J］. IEEE Transactions on Industrial Informatics， 2018， 15（1）： 293-304. 10.1109/tii.2018.2836189
7	LI J， LI W K， KARIMI I， et al. Improving the robustness and efficiency of crude scheduling algorithms［J］. AIChE Journal， 2007， 53（10）： 2659-2680. 10.1002/aic.11280
8	LI W， HUI C W， HUA B， et al. Scheduling crude oil unloading， storage， and processing［J］. Industrial & Engineering Chemistry Research， 2002， 41（26）： 6723-6734. 10.1021/ie020130b
9	陈旋.离散和连续时间模型在原油调度问题中的应用研究［D］.北京：清华大学，2012：83-108. 10.1016/j.compchemeng.2012.05.009
	CHEN X. A study on the application of discrete and continuous time models to the crude oil scheduling problem［D］. Beijing： Tsinghua University，2012：83-108. 10.1016/j.compchemeng.2012.05.009
10	周智菊，周祥，周涵.基于滚动时域分解策略的原油混输调度模型［J］.石油学报（石油加工），2021，37（2）：320-329.
	ZHOU Z J， ZHOU X， ZHOU H. Scheduling model based on rolling-horizon algorithm for crude oil transportation［J］. Acta Petrolei Sinica （Petroleum Processing Section）， 2021， 37（2）： 320-329.
11	PANDA D， RAMTEKE M. Reactive scheduling of crude oil using structure adapted genetic algorithm under multiple uncertainties［J］. Computers & Chemical Engineering， 2018， 116： 333-351. 10.1016/j.compchemeng.2018.04.005
12	HOU Y， WU N Q， LI Z. A genetic algorithm approach to short-term scheduling of crude oil operations in refinery［J］. IEEJ Transactions on Electrical and Electronic Engineering， 2016， 11 （5）： 593-603. 10.1002/tee.22277
13	WU N， CHU F， CHU C， et al. Short-term schedulability analysis of multiple distiller crude oil operations in refinery with oil residency time constraint［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part C （Applications and Reviews）， 2008， 39（1）： 1-16. 10.1109/tsmcc.2008.2001709
14	HOU Y， WU N， ZHOU M， et al. Pareto-optimization for scheduling of crude oil operations in refinery via genetic algorithm［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2015， 47（3）： 517-530.
15	DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182-197. 10.1109/4235.996017
16	LIU Z-Z， WANG Y. Handling constrained multiobjective optimization problems with constraints in both the decision and objective spaces［J］. IEEE Transactions on Evolutionary Computation， 2019， 23（5）： 870-884. 10.1109/tevc.2019.2894743
17	CHENG R， JIN Y. A competitive swarm optimizer for large scale optimization［J］. IEEE Transactions on Cybernetics， 2014， 45（2）： 191-204. 10.1109/tcyb.2014.2322602
18	ZHAO S-Z， SUGANTHAN P N， DAS S. Self-adaptive differential evolution with multi-trajectory search for large-scale optimization［J］. Soft Computing， 2011， 15： 2175-2185. 10.1007/s00500-010-0645-4
19	HE X， ZHENG Z， ZHOU Y. MMES： mixture model-based evolution strategy for large-scale optimization［J］. IEEE Transactions on Evolutionary Computation， 2020， 25（2）： 320-333. 10.1109/tevc.2020.3034769
20	MISENER R， FLOUDAS C A. ANTIGONE： algorithms for continuous/integer global optimization of nonlinear equations［J］. Journal of Global Optimization， 2014， 59： 503-526. 10.1007/s10898-014-0166-2
21	ACHTERBERG T. SCIP： solving constraint integer programs［J］. Mathematical Programming Computation， 2009， 1： 1-41. 10.1007/s12532-008-0001-1
22	LUNDELL A， KRONQVIST J， WESTERLUND T. The supporting hyperplane optimization toolkit for convex MINLP［J］. Journal of Global Optimization， 2022， 84： 1-41. 10.1007/s10898-022-01128-0
23	HOOKER J N. Planning and scheduling by logic-based Benders decomposition［J］. Operations Research， 2007， 55（3）： 588-602. 10.1287/opre.1060.0371
24	KRONQVIST J， LUNDELL A， WESTERLUND T. The extended supporting hyperplane algorithm for convex mixed-integer nonlinear programming［J］. Journal of Global Optimization， 2016， 64： 249-272. 10.1007/s10898-015-0322-3
25	MUTS P， NOWAK I， HENDRIX E M T. The decomposition-based outer approximation algorithm for convex mixed-integer nonlinear programming［J］. Journal of Global Optimization， 2020， 77： 75-96. 10.1007/s10898-020-00888-x

[1]	Maojiang TIAN, Mingke CHEN, Wei DU, Wenli DU. Two-stage differential grouping method for large-scale overlapping problems [J]. Journal of Computer Applications, 2024, 44(5): 1348-1354.
[2]	Jiawei ZHAO, Xuefeng CHEN, Liang FENG, Yaqing HOU, Zexuan ZHU, Yew‑Soon Ong. Review of evolutionary multitasking from the perspective of optimization scenarios [J]. Journal of Computer Applications, 2024, 44(5): 1325-1337.
[3]	Maozu GUO, Yazhe ZHANG, Lingling ZHAO. Electric vehicle charging station siting method based on spatial semantics and individual activities [J]. Journal of Computer Applications, 2023, 43(9): 2819-2827.
[4]	Saijuan XU, Zhenyu PEI, Jiawei LIN, Genggeng LIU. Constrained multi-objective evolutionary algorithm based on multi-stage search [J]. Journal of Computer Applications, 2023, 43(8): 2345-2351.
[5]	Erchao LI, Yanli CHENG. Dynamic multi-objective optimization algorithm based on weight vector clustering [J]. Journal of Computer Applications, 2023, 43(7): 2226-2236.
[6]	Zhihui GAO, Meng HAN, Shujuan LIU, Ang LI, Dongliang MU. Survey of high utility itemset mining methods based on intelligent optimization algorithm [J]. Journal of Computer Applications, 2023, 43(6): 1676-1686.
[7]	Bin WANG, Tian XIANG, Yidong LYU, Xiaofan WANG. Adaptive multi-scale feature channel grouping optimization algorithm based on NSGA‑Ⅱ [J]. Journal of Computer Applications, 2023, 43(5): 1401-1408.
[8]	Erchao LI, Shenghui ZHANG. Dynamic multi-objective optimization algorithm based on adaptive prediction of new evaluation index [J]. Journal of Computer Applications, 2023, 43(10): 3178-3187.
[9]	Kuineng CHEN, Xiaofang YUAN. Multi-objective hybrid evolutionary algorithm for solving open-shop scheduling problem with controllable processing time [J]. Journal of Computer Applications, 2022, 42(8): 2617-2627.
[10]	Yu SHEN, Hecheng LI, Lijuan CHEN. Evolutionary algorithm based on approximation technique for solving bilevel programming problems [J]. Journal of Computer Applications, 2022, 42(8): 2511-2518.
[11]	Feifan SHI, Xuhua SHI. Adaptive reference vector based constrained multi-objective evolutionary algorithm [J]. Journal of Computer Applications, 2022, 42(2): 542-549.
[12]	Wei LI, Yaochi FAN, Qiaoyong JIANG, Lei WANG, Qingzheng XU. Variable convolutional autoencoder method based on teaching-learning-based optimization for medical image classification [J]. Journal of Computer Applications, 2022, 42(2): 592-598.
[13]	Erchao LI, Yuyan MAO. Constrained multi-objective evolutionary algorithm based on space shrinking technique [J]. Journal of Computer Applications, 2021, 41(12): 3419-3425.
[14]	YAN Huajian, ZHANG Guofu, SU Zhaopin, LIU Yang. Modeling and solving of high-dimensional multi-objective adaptive allocation for emergency relief supplies [J]. Journal of Computer Applications, 2020, 40(8): 2410-2419.
[15]	CHEN Xiaoming, LI Yinzhen, SHEN Qiang, JU Yuxiang. Urban traffic networks collaborative optimization method based on two-layered complex networks [J]. Journal of Computer Applications, 2019, 39(10): 3079-3087.

Multi-timescale cooperative evolutionary algorithm for large-scale crude oil scheduling

基于多时间尺度协同的大规模原油调度进化算法

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 10

References 25

Related Articles 15

Recommended Articles

Metrics