《Computers & Chemical Engineering》：Network enhanced multi-objective particle swarm optimization: A graph theory-based MOPSO for chemical engineering applications
编辑推荐：
化学工程中的多目标优化需要在高度非线性、仿真驱动的设计空间内平衡相互冲突的目标。传统进化算法在应用于此类问题时，难以同时维持收敛性、多样性和计算效率。本工作提出NEMOPSO，一种图论多目标粒子群优化（MOPSO）框架，通过结构化领导者选择、拓扑感知信息流和自
化学工程中的多目标优化需要在高度非线性、仿真驱动的设计空间内平衡相互冲突的目标。传统进化算法在应用于此类问题时，难以同时维持收敛性、多样性和计算效率。本工作提出NEMOPSO，一种图论多目标粒子群优化（MOPSO）框架，通过结构化领导者选择、拓扑感知信息流和自适应探索来增强搜索性能。通过将粒子群建模为动态图并利用中心性度量选择领导者，NEMOPSO优先考虑结构上具有影响力的解，而非仅依赖几何多样性。在ZDT测试集上的基准测试表明，基于接近度的领导者选择配合缓存机制在平滑和中等复杂景观上实现了优越的超体积（HV）和收敛性，而无标度拓扑在欺骗性问题中表现突出。此外，使用DTLZ2进行的三目标可扩展性评估揭示了基线单领导者策略的局限性，推动了自适应邻居领导者机制的实现。改进后的方法证明了将NEMOPSO扩展到三目标优化的可行性。四个化学工程案例研究：低密度聚乙烯（LDPE）反应器、精馏塔、甲烷三重整（TRM）反应器和连续流SNAr反应，进一步验证了该方法。NEMOPSO consistently再现或改进了参考Pareto前沿，实现了更低的间距（S）、具有竞争力的超体积和较强的IGD+性能，同时在与高保真仿真器耦合时保持稳健的执行时间。结果表明，领导者的选择方法——而非存储解的大小或多样性——是优化质量的主要驱动因素。总体而言，NEMOPSO为化学工程应用中的多目标优化提供了一个灵活、可扩展且计算高效的框架。
研究背景方面，现代工程优化问题随着维度、非线性和变量交互作用的增加而变得更具计算挑战性。化学工程中的工厂运行、过程设计、调度和反应动力学等应用涉及非线性交互、不确定性、大规模组合搜索空间和计算昂贵的仿真，目标函数往往仅通过黑箱过程仿真器获得，限制了经典确定性方法的适用性。多数实际化学工程问题需要同时考虑经济性能、能源效率和环境影响等多个相互冲突的目标，需通过多目标优化（MOO）求解。非支配排序遗传算法II（NSGA-II）因精英策略和拥挤距离机制被广泛采用，而粒子群优化（PSO）因其概念简单、易于实现、收敛快速且能灵活处理非线性、非凸和黑箱目标函数而受到关注。然而，多目标粒子群优化（MOPSO）在化学工程优化问题中的应用尚不广泛，现有领导者选择技术如拥挤距离存在多样性表示有限、对排序稳定性敏感、易丢失边界解和偏向目标空间等局限，轮盘赌选择存在领导者选择模糊、收敛压力不足和参数敏感等问题。为此，研究人员提出NEMOPSO，将解的交互建模为网络，引入基于密度的聚类方法DBSCAN以解决K-means的局限，并通过图论概念特别是中心性度量增强传统MOPSO的领导者选择机制，同时引入缓存系统避免重复评估并以随机游走促进探索。研究的重要意义在于为化学工程黑箱多目标优化提供了一种灵活、可扩展且计算高效的框架，证明领导者结构而非多样性是优化质量的主要决定因素。
关键技术方法方面，研究人员采用ZDT1、ZDT2、ZDT3、ZDT4和ZDT6基准问题（排除二进制变量的ZDT5），真实Pareto前沿由pymoo库获得，PSO参数通过元优化确定并在所有算法间保持一致。采用IGD+、超体积（HV）、执行时间、收敛性、成本和领导者多样性统计指标进行评估。化学工程案例包括基于Aspen Plus的LDPE管式反应器和甲醇-水精馏塔、基于COMSOL的甲烷三重整反应器，以及基于随机森林代理模型的连续流SNAr反应，涵盖不同黑箱评估框架。
研究结果方面，在基准测试比较中，ZDT1、ZDT2和ZDT4上NEMOPSO取得最高HV和最快执行时间， closeness centrality识别结构上具有影响力的领导者促进稳定信息流，缓存机制在平滑景观中消除冗余评估；但IGD+结果显示欧氏距离在ZDT1上低17.75%、K-MOPSO在ZDT2上低28.81%，表明聚类或距离策略在局部精化上可优于NEMOPSO，而混合K-means策略因过早集中而未能改善Pareto前沿近似。ZDT3上中心性NEMOPSO尽管领导者集小且熵低仍取得最佳HV，归因于图桥接区域的领导者选择使粒子群能在不连续区域间转移。ZDT6上无标度无缓存的NEMOPSO取得最高HV，无标度网络引入枢纽主导的高方差信息流有助于逃离欺骗性区域，而缓存在此类景观中有害。领导者集统计表明无标度NEMOPSO产生极大高熵领导者集，中心性NEMOPSO产生紧凑低熵领导者集但在多数基准上性能更优，证明领导者的结构角色而非数量或多样性是收敛质量的主要决定因素。在三目标可扩展性评估中，DTLZ2上基线NEMOPSO平均HV约0.30、IGD+约0.10，固定单领导者机制导致Pareto前沿覆盖下降，实施自适应邻居领导者机制后平均HV达0.756、IGD+达0.02372，证明了向三目标扩展的可行性。LDPE反应器案例中，NEMOPSO的IGD+为1.11E-02，间距（S）为2.12E-02优于参考研究最佳算法SPEA-II的4.76E-02，HV为3.05优于SPEA-II的2.89，完整优化在286 s内完成且无Aspen Plus仿真失败，相比SPEA-II约7 h实现约88倍执行时间缩减。精馏塔案例中，NEMOPSO对SAMOO前沿的IGD+为0.0171，对LSAMOO为0.064，对MOOPM为0.019，间距0.1888优于SAMOO（0.3627）和MOOPM（0.2095），HV为3.57与SAMOO（3.67）和MOOPM（3.70）相当，完整优化在14 min内完成，而MOOPM需11 h 2 min、SAMOO需5 h 22 min、LSAMOO需25 min。TRM案例中，NEMOPSO的IGD+为0.011800，间距0.3624与参考0.3680接近，HV为44.64优于NSGA-II的37.89，执行时间约10 h相比NSGA-II约13 h缩减约23%。SNAr案例中，NEMOPSO的IGD+为0.000104，间距77.80显著低于参考的203.08，HV为3669优于参考的3321，优化在449 s内完成。
讨论部分总结指出，领导者多样性并不保证更好的优化性能，领导者结构才是关键。基于 closeness centrality的领导者选择在平滑、连续或轻度多模态景观上高度有效，在多数ZDT基准上取得最佳HV并在LDPE和精馏塔案例中优于参考算法；无标度领导者选择在欺骗性或偏置景观中表现突出，如ZDT6所示，凸显了图拓扑对不同问题类别的适应性。在所有案例研究中，NEMOPSO保持数值稳健性并实现具有竞争力的执行时间，即使直接耦合Aspen Plus和COMSOL Multiphysics等高保真过程仿真器。NEMOPSO架构（Pareto存档、基于图的领导者选择和随机游走探索）促进了收敛性和多样性。未来研究方向包括应用于材料设计、供应链和过程网络优化及集成能源系统，并行与分布式实现，扩展到超多目标优化，与代理模型混合，以及自适应图拓扑。研究结论翻译如下：本工作提出了NEMOPSO，一种图论多目标粒子群优化框架，旨在改善仿真驱动的化学工程优化问题中的收敛性、分布质量和计算效率。通过将粒子群建模为动态图并基于结构中心性而非仅几何接近度选择领导者，NEMOPSO提供了一种原则性机制，可在广泛的Pareto前沿几何形态中平衡探索和开发。跨四个代表性化学工程案例研究的基准测试结果表明，NEMOPSO相对于已建立的进化算法，始终产生具有强收敛精度、改进间距和具有竞争力超体积的高质量Pareto前沿。一个关键见解是领导者多样性并不保证更好的优化性能，领导者结构才是关键。基于closeness centrality的领导者选择在平滑、连续或轻度多模态景观上被证明高度有效，在多数ZDT基准上取得最佳超体积并在LDPE和精馏塔案例中优于参考算法。无标度领导者选择在欺骗性或偏置景观中表现突出，如ZDT6所示，凸显了基于图的拓扑对不同问题类别的适应性。在所有案例研究中，NEMOPSO保持数值稳健性并实现具有竞争力的执行时间，即使直接耦合Aspen Plus和COMSOL Multiphysics等高保真过程仿真器。此外，NEMOPSO架构（Pareto存档、基于图的领导者选择和随机游走探索）促进了收敛性和多样性，所得覆盖度通过HV和IGD+等已建立的性能指标评估。总体而言，结果证实图论领导者选择为化学工程中的多目标优化提供了强大且可推广的基础。NEMOPSO根据优化景观结构调整搜索行为的能力，结合其计算效率和稳健性，使其成为传统进化算法和代理辅助方法的有前景的替代方案。
