1.一种基于代理模型的常减压装置的约束进化优化方法，其特征在于，包括以下步骤：步骤(1)：利用常减压装置的机理模型生成N个输入输出采样数据，记输入数据矩阵为Xα×N β×N

∈R ，记输出数据矩阵为Y∈R ，其中输入数据矩阵X中的α个输入测量变量包括：m1种原油的进料流量、m2个精馏塔的进料温度、m3个回流温度与m3个回流比、m4个原油混合器的混α×N合比，则α＝m1+m2+2m3+m4，输出数据矩阵Y中β个输出测量变量分别是β种产品油的流量，R表示α×N维的实数矩阵；

步骤(2)：利用GPR算法分别建立输入数据矩阵X与β个输出测量变量之间的GPR模型：Yb＝fb(X)+Eb，其中，fb表示第b个GPR模型的非线性变换过程，Eb为均值为零、方差为σb的高斯噪声，Yb为输出数据矩阵Y中的第b行向量，b＝1，2，…，β；

步骤(3)：确定如下所示公式①中定义的生产利润最大化目标函数及其相应的约束条件：

α×1

上式中，x∈R 由α个输入测量变量的数据组成、J(x)表示以x为输入对应的生产利润、β×1 α×1

是由x中记录的m1种原油的进料流量数据组成、F(x)∈R 表示以x∈R 为输入并根据常减压精馏过程的机理模型计算得到的β个产品油流量、 与 分别为原油与产品油的单价、xmin与xmax分别表示输入数据向量的上限与下限、hp(x)与gq(x)分别表示第p个等式约束条件与第q个不等式约束条件、P为等式约束条件的个数、Q为不等式约束条件的个数、s.t.是Subject To的缩写，表示约束条件的意思；

步骤(4)：先将J(x)变更为： 其中再以如下所示公式②为优化目标：

上式中， 为新目标函数、γ＝1，2，…，(P+Q)、J0＝max{J(x1)，J(x2)，…，J(xN)}表示取J(x1)，J(x2)，…，J(xN)中的最大值、λ为惩罚因子、Vγ(x)表示第γ个惩罚程度函数，其定义如下所示：α×1

并利用粒子群优化算法求解得到β个最优粒子向量s1，s2，…，sβ，其中sb∈R ，具体的实施过程如下所示：步骤(4.1)：初始化b＝1后，设置粒子群优化算法的参数，具体包括：粒子总数D、最大迭代次数Im、加速因子ε1与ε2；

步骤(4.2)：设置迭代次数iter＝1，在区间[xmin，xmax]上随机生成D个粒子向量其中 表示第d个粒子向量，d＝1，2，…，D；

步骤(4.3)：根据上述公式②计算各个粒子向量 所对应的目标函数值其中惩罚因子λ需根据公式λ＝|J0|·χd/(P+Q)计算得到，χd表示第d个粒子向量不满足公式①中约束条件的次数；

步骤(4.4)：将 中的最大目标函数值所对应的粒子向量记做向量t，将各个粒子向量在整个迭代进程中取得的最大目标函数值所对应的粒子向量分别记录为并根据如下所示公式更新各个粒子的运行速度向量α×1

上式中，向量vd∈R 中各元素皆为区间[‑1，1]上的随机数，rand1和rand2是在区间[0，

1]内的任意随机数；

步骤(4.5)：对向量 中各元素进行修正：若 中元素大于1，则将该元素修改成1；若中元素小于‑1，则将该元素修改成‑1；其他情况，对元素不做修改；

步骤(4.6)：根据公式 更新各个粒子向量 并对各个粒子向量中的元素进行修正使其处于区间[xmin，xmax]内；

步骤(4.7)：判断是否满足条件：iter＜Im？若是，则置iter＝iter+1后返回步骤(4.3)；

若否，则最终得到的最优粒子向量sb为 中最大值所对应的粒子向量，并执行步骤(4.8)；

步骤(4.8)：判断是否满足条件：b＜β？若是，则设置b＝b+1后，返回步骤(4.2)；若否，则得到β个最优粒子向量s1，s2，…，sβ；

步骤(5)：分别以s1，s2，…，sβ为输入数据向量，并根据常减压装置的机理模型计算得到F(s1)，F(s2)，…，F(sβ)后，再将s1，s2，…，sβ添加进输入数据矩阵X中，即X＝[X，s1，s2，…，sβ]，并对应地将F(s1)，F(s2)，…，F(sβ)添加进输出数据矩阵Y中，即Y＝[Y，F(s1)，F(s2)，…，F(sβ)]；

步骤(6)：根据如下所示公式计算输入数据矩阵X中各列向量的拥挤距离dist(i)：上式中，i＝1，2，…，N，min{ }表示求取{ }中所有元素的最小值，符号|| ||表示计算向量的长度，N表示输入数据矩阵X中列向量的总数，N会随着添加数据向量的操作而不断变更；

步骤(7)：将输入数据矩阵X中满足条件dist(i)＞δ的所有列向量组成全局输入数据矩G G

阵X ，并对应地将输出数据矩阵Y中相同列的列向量组成全局输出数据矩阵Y ，并分别建立G GX与Y中β个输出测量变量之间的GPR模型： 其中 表示第b个GPR模型G

的非线性变换过程， 为高斯噪声， 为输出数据矩阵Y中的第b行向量，b＝1，2，…，β，δ为距离阈值，G为单词Global的首字母，表示全局的意思；

步骤(8)：先将J(x)更新为： 其中再利用粒子群优化算法求解得到β个最优粒子向量φ1，φ2，…，φβ，具体实施过程与步骤(4.1)至步骤(4.8)相同；

步骤(9)：分别以φ1，φ2，…，φβ为输入数据向量，并根据常减压装置的机理模型分别计算得到向量F(φ1)，F(φ2)，…，F(φβ)后，再将φ1，φ2，…，φβ添加进输入数据矩阵X中，即X＝[X，φ1，φ2，…，φβ]，并对应地将F(φ1)，F(φ2)，…，F(φβ)添加进输出数据矩阵Y中，即Y＝[Y，F(φ1)，F(φ2)，…，F(φβ)]；

T T T (α+1)×N

步骤(10)：将X与Yb合并成一个矩阵Zb＝[X ，Yb]∈R 后，再将数据向量φb与向量F(φb)中的第b个元素合并成一个列向量 并从矩阵Nb的各个列向量中搜寻出与向量 距离最近的Nb个列向量，从而组成第b个局部数据矩阵步骤(11)：将 中第1行至第α行的行向量组成局部输入矩阵 将 中最后一行行的行向量组成局部输出向量 并建立 与 之间的RBF神经网络模型： 其中， 表示第b个RBF神经网络模型的非线性变换过程， 为误差向量；

步骤(12)：先将J(x)更新为： 其中再利用粒子群优化算法求解得到β个最优粒子向量ψ1，ψ2，…，ψβ，具体实施过程与步骤(4.1)至步骤(4.8)相同；

步骤(13)：分别以ψ1，ψ2，…，ψβ为输入数据向量，并根据常减压装置的机理模型计算得到F(ψ1)，F(ψ2)，…，F(ψβ)后，再将ψ1，ψ2，…，ψβ添加进X中，即X＝[X，φ1，φ2，…，φβ]，并对应地将F(φ1)，F(φ2)，…，F(φβ)添加进输出数据矩阵Y中，即Y＝[Y，F(φ1)，F(φ2)，…，F(φβ)]；

步骤(14)：重复实施步骤(6)至步骤(13)n次后，结束整个优化过程。

2.根据权利要求1所述的一种基于代理模型的常减压装置的约束进化优化方法，其特征在于，所述步骤(2)中分别建立输入数据矩阵X与β个输出测量变量之间的GPR模型的详细实施过程具体为：N×N

首先，根据如下所示公式计算核协方差矩阵C∈R 中的第i行、第j列元素Cij：上式中，xi与xj分别为输入数据矩阵X中第i列与第j列的列向量，当i＝j时， 当i≠j时， i＝1，2，…，N，j＝1，2，…，N；

其次，根据如下所示公式计算极大似然函数Lb：上式中，|C|表示计算矩阵C的行列式；

然后，再计算极大似然函数相对于模型参数集Θb＝{σb，cb，ηb}的偏导数：最后，利用共轭梯度法对式③中偏导数做最大化求解得到的最优解即为GPR算法的模型参数集Θb；

α×1

确定好GPR算法的模型参数集Θb＝{σb，cb，ηb}后，即可对任意输入数据向量z∈R 所对应的输出值进行预测： 其中fb所表示的非线性变换过程如下所示：N×1

首先，根据如下所示公式计算核协方差向量k∈R ：上式中，ki为核协方差向量k中第i的元素；

其次，根据公式 计算输出的预测值 与此同时，GPR算法还给出预测T ‑1

误差的方差cov(z)＝Cz‑kC k，其中Cz＝ηb+σb。

3.根据权利要求1所述的一种基于代理模型的常减压装置的约束进化优化方法，其特征在于，所述步骤(11)中建立 与 之间的RBF神经网络模型的详细实施过程具体为：步骤(11.1)设置隐层节点数为ξ后，随机从矩阵 中选取ξ个列向量分别做为各聚类簇的初始中心点向量；

步骤(11.2)计算矩阵 中各列向量与ξ个中心点向量之间的距离，并根据距离最小值将该列向量划分进相应的聚类簇中；

步骤(11.3)计算各聚类簇中所有归属列向量的均值向量，该向量即为各聚类簇新的中心点向量；

步骤(11.4)判断各中心点向量是否收敛？若否，则返回步骤(11.2)；若是，则将收敛后的中心点向量记录为O1，O2，…，Oξ，并执行步骤(11.5)；

步骤(11.5)根据如下所示公式计算RBF参数θυ：其中，υ＝1，2，…，ξ；

α×1

步骤(11.6)按照如下所示公式计算输入向量z∈R 经隐层第υ个神经元节点转换后的输出uυ：

T

那么z经所有ξ个隐层神经元节点转换后的输出向量为u＝[u1，u2，…，uξ]；

步骤(11.7)以矩阵 中各个行向量为输入向量，按照步骤(11.6)计算各个输入向量经隐层神经元节点转换后的输出向量 得到隐层输出矩阵步骤(11.8)根据公式 计算隐层输出矩阵Ub到输出层 之间的回归系数向量Bb；

步骤(11.9)计算RBF神经网络模型对输出的估计值 与误差矩阵