1.一种基于多代理模型的常压精馏过程建模方法，其特征在于，包括以下步骤：步骤(1)：确定常压精馏过程对象的输入测量变量与输出测量变量，并利用常压精馏过程的机理模型生成N个输入样本数据及其对应的N个输出样本数据，分别记做输入矩阵X∈N×α N×β N×α

R 与输出矩阵为Y∈R ，其中，α与β分别为输入测量变量与输出测量变量的个数，R 表N×β

示N×α维的实数矩阵，R 表示N×β维的实数矩阵；

步骤(2)：分别对输入矩阵X与输出矩阵Y实施归一化处理，对应得到归一化后的输入矩阵 与 并计算输入矩阵 中各个行向量之间的距离，将最大距离记为dist；

步骤(3)：利用广义回归神经网络(GRNN)算法建立输入矩阵 与输出矩阵 之间的回归模型： 其中，f1表示GRNN拟合的非线性函数，E1为误差矩阵；

步骤(4)：利用极限学习机(ELM)算法建立输入矩阵 与输出矩阵 之间的回归模型：其中，f2表示ELM拟合的非线性函数，E2为误差矩阵；

步骤(5)：利用高斯过程回归(GPR)算法建立输入矩阵 与输出矩阵 之间的回归模型：其中，f3表示GPR算法拟合的非线性函数，矩阵E3中各列向量为零均值、方差分别为σ1，σ2，…，σβ的高斯噪声；

T

步骤(6)：根据公式ελ＝sum{diag(EλEλ)}计算各回归模型的累计误差ελ，然后根据如下所示公式确定各回归模型的权重系数ρλ：T T

其中λ＝1，2，3，diag(EλEλ)表示将矩阵EλEλ中对角线上的元素转换成向量的操作，sum{ }表计算向量各元素之和；

步骤(7)：再次利用常压精馏过程的机理模型生成n个输入输出数据，记输入数据为矩* n×α * n×β

阵X∈R ，记输出数据为矩阵Y∈R ；

* *

步骤(8)：分别对X与Y实施归一化处理，对应得到输入矩阵 与输出矩阵步骤(9)：以 作为回归模型输入，分别调用步骤(3)、步骤(4)、和步骤(5)中建立的回归模型，计算GRNN模型的输出估计值 ELM模型的输出估计值 和GPR模型的输出估计值

步骤(10)：根据公式 计算加权输出估计值 并计算输出估计的均方误差

步骤(11)：判断是否满足条件：e＜elim；若是，则建模过程结束；若否，则继续执行下一步骤(12)，其中elim为误差上限；

步骤(12)：利用差分进化(DE)算法搜索满足如下所示目标函数的数据向量z1：上式中，yz1表示以数据向量z1为输入，常压精馏过程机理模型所对应的输出值；

步骤(13)：利用DE算法搜索满足如下所示目标函数的数据向量z2：上式中，yz2表示以数据向量z2为输入，常压精馏过程机理模型所对应的输出值；

步骤(14)：利用DE算法搜索满足如下所示目标函数的数据向量z3：T ‑1

上式中，cov(z3)＝Cz‑k C k，Cz＝η+σ，核协方差向量k与核协方差矩阵C的计算方式分别如下所示：

其中，ki为核协方差向量k中第i个元素，xi为输入矩阵 中第i行的行向量，σ为方差，c与η为核参数，Cij为核协方差矩阵C中的第i行、第j列元素，i，j＝1，2，…，N，xi与xj分别为矩阵 中第i行与第j行的行向量，当i＝j时， 当i≠j时， 步骤(15)：分别计算z1，z2，z3与输入矩阵 中各行向量之间的距离，将距离最小值分别记为dist1、dist2、和dist3，判断是否满足条件：distλ≥0.7dist；若是，则保留相应的zλ；若否，则丢弃相应的zλ；

步骤(16)：将保留的zλ及其对应的输出yzλ分别添加进输入输入矩阵 与输出矩阵 得到更新后的输入矩阵 与输出矩阵 再返回步骤(3)直至满足步骤(11)中的建模结束条件，其中yzλ表示以数据向量zλ为输入，常压精馏过程机理模型所对应的输出值。

2.根据权利要求1所述的一种基于多代理模型的常压精馏过程建模方法，其特征在于，所述步骤(12)至步骤(14)中利用DE算法搜索数据向量zλ的详细实施过程具体为：①设置DE算法的参数，包括种群个数D、缩放因子Z、最大迭代次数Imax、以及交叉概率ξ＝0.1；

②设置迭代次数m＝1，按均值为零、标准差为1的正态分布随机生成D个1×α维的向量各向量代表各个种群；

③分别以 做为输入向量，计算对应的目标函数值J1，J2，…，JD；

④将J1，J2，…，JD中最优值所对应的输入向量记做 并根据如下所示公式为每个种群产生一个对应的变异向量vd：

上式中，d＝1，2，…，D，下标号γ与η为从区间[1，D]中随机产生的2个互不相同的整数，若是目标函数为公式(2)与公式(3)，目标函数最优值为最小值；若是目标函数为公式(4)，则目标函数最优值为最大值；

⑤按照如下所示公式对每个变异向量vd进行修正，即：其中，vd，g表示向量vd中的第g个元素，g＝1，2，…，α；

1×α

⑥根据如下所示公式产生D个尝试向量ud∈R ，即：其中，ud，g与 分别为ud与 中第g个元素，向量rand表示0到1之间均匀分布的任意随机数；

⑦依据如下所示公式更新种群 即：上式中，J(ud)表示将ud做为输入向量，计算得到的目标函数值；

⑧判断是否满足条件：m＜Imax；若是，则置m＝m+1后返回步骤③；若否，则终止DE算法后，得到优化结果：