科学家提出基于扩散模型多目标优化算法，提高炼油过程的生产效率

目前在炼厂中，汽油调合调度问题基本都是依赖人工调度，已有研究成果并没有很好地应用在实际生产中。

华东理工大学堵威副教授团队通过和炼厂调度员的交流，认为原因主要在于已有的优化方法在生产过程工况发生改变时，需要进行参数、策略等的重新设置，这些繁琐的工作大大降低了调度员使用优化算法的积极性。

图 | 堵威团队（来源：堵威）

因此在近期一项研究中，堵威和团队希望结合扩散模型和多目标优化技术，以解决工业过程调度优化问题。

汽油调合主要目的是从炼厂现有资源的角度出发，综合考虑炼油企业的调合能力、产品市场需求和产品指标等因素，尽可能地优化组分油和成品油的库存，在满足上层需求计划的同时，使得炼厂经济效益最大化。

该问题面临大规模、大量约束、混合整数、非线性等挑战，之前的研究都侧重于在建模侧降低问题的复杂度，从而使得现有优化器能够求解。

然而这些对于问题进行额外假设的方法，很大程度上限制了最终解的上限，并且这些假设通常基于特定的工况，一旦应用于不同规模、不同原料、不同管道结构的工况，整个方法就需要从建模层面推倒重来。

这无疑不利于所设计方法的通用性，这也导致了在目前实际工业现场，调度员往往依赖人工经验进行汽油调合调度的工作。

因此本研究尝试有效解决贴合实际工业应用场景的汽油调合调度问题。但是，过往的方法不论是基于传统运筹学的数学规划优化器，还是近年兴起的基于随机优化的进化算法，都难以有效解决大规模、含有大量约束的混合整数优化问题。

因此有必要使用一种在原理上截然不同的新方法。而本研究通过所提出的方法——基于扩散模型的多目标优化算法（Diffusion model-based Multiobjective Optimization，DMO），利用“调度过程的甘特图是一种图像”这一性质，巧妙地将扩散模型这一图像生成领域的代表模型引入调度优化领域。

课题组通过使用扩散模型学习历史操作数据的分布，并在目标梯度的辅助下进行迭代获得最终解。

实验结果显示，DMO 不仅可以提高炼油过程的生产效率，还可以降低成本并改善产品质量，这也填补了先前研究的空白，为工业调度优化提供了全新的思路。

DMO 从问题的原始形式着手，其唯一依赖的是历史操作数据，这对于工厂来说是非常容易获取的，因此使用 DMO 不会额外增加调度员的负担。

同时 DMO 的运行效率非常快，调度员可以反复尝试，从而降低学习该工具的时间成本。

在 DMO 应用的最初阶段，调度员可以通过 DMO 生成的最优解作为参考，从而辅助人工调度，最终过渡到使用算法进行求解。

因此，在汽油调合调度问题上，DMO 克服了既往方法的缺陷，使得其能够在实际生产中获得广泛应用。

而对于其他应用场景，课题组认为：

首先，DMO 在炼厂的其他生产环节中同样拥有巨大的应用潜力，例如原油调度等，这些问题和汽油调合调度具有类似的性质。

其次，他们认为 DMO 在产品设计问题上，也具有巨大的应用潜力，这些问题通常也具有大量优化参数、复杂约束、多目标等性质，DMO 可以生成大量具有不同特性的解，即使这些解无法最终真正实用化，也仍然可以帮助、启发设计人员开展进一步的设计。

事实上，在他们之前的工作中，课题组已经针对汽油调合调度问题做了许多研究，并与炼厂调度员进行了多次交流。

对该问题的特性和现有方法的缺陷已有具体的了解，他们意识到若想让算法具有应用价值，需要遵循以下两点：

其一，尽可能地按照原始数据进行建模，以保证算法的适用性；

其二，炼厂的外部环境是变化的，其对于损耗和效率之间的妥协不是一尘不变的，因此其应当视作一个多目标问题。

前者会导致大量的决策变量和约束，后者需要一次生成大量解构成 Pareto 前沿，这都会提高问题的复杂度，远超传统优化算法和进化算法的能力范畴，因此他们需要寻找一种崭新的方法。

他们注意到，近年来扩散模型（Diffusion model）在图像生成领域开始崛起，其通过从高斯噪声中反复迭代生成图片的方式，迅速压倒了之前广泛使用的生成模型——生成对抗网络（Generative Adversarial Network，GAN）。

扩散模型一方面能处理图片像素这样众多的参数，另一方面深度学习中基于批次的使用方法能同时生成大量的解，这满足上文提到的两个要求。

而更加关键的是，扩散模型反复迭代的特性在图像生成领域是一个缺点，其意味着消耗大量的算力和较长的运算时间。

但是在优化领域，这种过程很容易和优化算法中的迭代联系到一起，在同一批次中的解就像是进化算法中的一个种群，而扩散模型每次迭代解，就如同进化算法中的变异操作。

这种相似性，让他们着手于将扩散模型应用于汽油调合调度优化问题中。

由于将扩散模型应用于优化问题是一个崭新的尝试，并无现成工作可以借鉴。

同时在图像生成领域中关于扩散模型的研究，也侧重于减少计算量、丰富生成内容为主，无法直接挪用到优化领域，因此“从无到有”开展本研究面临着不少困难。

研究中，他们参考扩散模型的早期架构，即使用独立的判别器来辅助生成指定内容，使用目标函数来替代判别器。

在搭框架构建好之后，仍然有许多抉择，例如网络是使用 CNN、还是 Transformer？目标之间的权重如何设计？如何实现对于多目标优化？是否加入的选择机制？

经过反复实验，他们决定了目前所使用的 DMO 方法。最终，实验结果证明了他们的直觉是准确的，DMO 相比对比算法具有显著的优势。

堵威表示：“这项工作的合作者包括欧洲科学院院士、IEEE Fellow、西湖大学金耀初教授，IEEE Fellow、美国俄克拉荷马州立大学 Gary G. Yen 教授，IEEE Fellow、华东理工大学唐漾教授等。”

他们都是人工智能领域的权威学者，在堵威最初和他们探讨 idea 时，他们无一不觉得这个 idea 非常有趣，尤其利用“甘特图是一种图像”这一事实，巧妙地将扩散模型这一生成模型技术引入到调度优化问题的求解中。

这也给堵威和团队带来了极大的鼓舞，让他们意识到自己的研究工作处于国际学术前沿位置。

日前，相关论文以《基于扩散模型的汽油调合调度多目标优化》（Diffusion Model-Based Multiobjective Optimization for Gasoline Blending Scheduling）为题发表在 IEEE Computational Intelligence Magazine（DOI: 10.1109/MCI.2024.3363980）。

硕士研究生方文轩是第一作者，堵威担任通讯作者[1]。

在后续的研究中，他们计划结合更多实际生产数据和实验结果，验证并完善他们提出的方法。此外，也将探索本次方法在其他工业过程的应用潜力，将其用于完全不同类型的优化问题中，例如组合优化问题等。

参考资料：

1.https://arxiv.org/pdf/2402.14600.pdf

运营/排版：何晨龙