基于SVM与遗传算法的燃煤锅炉燃烧多目标优化系统.pdf

收稿日期 ２００６唱 １２唱 １７； 修回日期 ２００７唱 ０４唱 １０ 基金项目 国家自然科学基金资助项目（６０６７３１６５）；湖南省自然科学基金资助项目 （０５ＪＪ３０１１９） 作者简介费洪晓（１９６７唱 ），男， 浙江嵊县人，副教授，主要研究方向为网络安全、信息检索、人工智能（ｈｘｆｅｉ＠ｃｓｕ． ｅｄｕ． ｃｎ）；黄勤径（１９８３唱 ），男， 硕士研究生，主要研究方向为人工智能、网络安全；戴弋（１９８３唱 ），女，硕士研究生，主要研究方向为文本分类、容错中间件技术；肖新华（１９７９唱 ），男， 硕士研究生，主要研究方向为网络安全、数据挖掘． 基于 SVM 与遗传算法的燃煤锅炉燃烧多目标优化系统倡 费洪晓， 黄勤径， 戴 弋， 肖新华 （中南大学 信息科学与工程学院， 长沙 ４１００７５） 摘 要 电站燃煤锅炉燃烧优化要求在保证燃烧效率的基础上降低 ＮＯｘ 的排放，针对锅炉燃烧系统多变量、强 耦合、强干扰、大滞后的复杂特性，提出利用支持向量机（ＳＶＭ）对锅炉燃烧特性建模，利用遗传算法实现运行工 况寻优，从而获得锅炉燃烧优化调整方式。 仿真实验和实践结果表明，该系统实现了锅炉高效低氮的燃烧优化， 满足实时性的要求。 关键词 燃烧优化； 支持向量机； 遗传算法； 锅炉效率 中图分类号 ＴＰ３９１ 文献标志码 Ａ 文章编号 １００１唱 ３６９５（２００８）０３唱 ０８１１唱 ０３ Ｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｓｙｓｔｅｍ ｏｆ ｃｏａｌ唱 ｆｉｒｅｄ ｂｏｉｌｅｒ ｃｏｍｂｕｓｔｉｏｎ ｂａｓｅｄ ｏｎ ＳＶＭ ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ＦＥＩ Ｈｏｎｇ唱 ｘｉａｏ， ＨＵＡＮＧ Ｑｉｎ唱 ｊｉｎｇ， ＤＡＩ Ｙｉ， ＸＩＡＯ Ｘｉｎ唱 ｈｕａ （College of Ination Science ＆ Engineering， Central South University， Changsha ４１００７５， China） Abstract Ｃｏｍｂｕｓｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｔｈｅ ｂｏｉｌｅｒｓ ｉｎ ｐｏｗｅｒ ｓｔａｔｉｏｎ ｉｓ ｒｅｑｕｉｒｅｄ ｂｙ ｒｅｄｕｃｅ ＮＯｘ ｅｍｉｓｓｉｏｎｓ ｗｈｉｃｈ ｂａｓｅｄ ｏｎ ｅｎｓｕｒｅ ｃｏｍｂｕｓｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ．Ａｉｍｅｄ ａｔ ｔｈｅ ｃｏｍｐｌｅｘ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ｂｏｉｌｅｒ ｃｏｍｂｕｓｔｉｏｎ ｓｙｓｔｅｍ， ｓｕｃｈ ａｓ ｍｕｌｔｉ唱 ｖａｒｉａｂｌｅｓ， ｃｌｏｓｅ ｃｏｕ唱 ｐｌｉｎｇ， ｓｔｒｏｎｇ ｄｉｓｔｕｒｂａｎｃｅｓ ａｎｄ ｌｏｎｇ唱 ｔｉｍｅ ｄｅｌａｙ ｅｔｃ． Ｔｈｉｓ ｐａｐｅｒ ｅｍｐｌｏｙｅｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｔｏ ｓｏｌｖｅ ｔｈｅ ｍｕｌｔｉｐｌｅ ａｎｄ ｃｏｎｆｌｉｃｔｉｎｇ ｏｂｊｅｃｔｉｖｅｓ ａｎｄ ｐｅｒｆｏｒｍ ａ ｓｅａｒｃｈ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｏｐｔｉｍｕｍ ｓｏｌｕｔｉｏｎ ｏｆ ｔｈｅ ＳＶＭ ｍｏｄｅｌ ｗｈｉｃｈ ｗａｓ ｕｓｅｄ ｔｏ ｓｅｔ ｕｐ ａ ｂｏｉｌｅｒ ｃｏｍｂｕｓ唱 ｔｉｏｎ ｒｅｓｐｏｎｓｅ ｐｒｏｐｅｒｔｙ ｍｏｄｅｌ， ｓｏ ａｓ ｔｏ ｏｂｔａｉｎ ｃｕｒｒｅｎｔｌｙ ｏｐｔｉｍｕｍ ｃｏｍｂｕｓｔｉｏｎ ａｄｊｕｓｔｍｅｎｔ ｍｏｄｅ ｏｆ ｂｏｉｌｅｒ． Ｓｉｍｕｌａｔｉｏｎ ｓｔｕｄｉｅｓ ａｎｄ ｐｒａｃｔｉｃｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｓｙｓｔｅｍ ｉｓ ｅｆｆｅｃｔｉｖｅ， ｗｈｉｃｈ ｃａｎ ａｃｈｉｅｖｅ ｏｐｔｉｍｕｍ ｓｅａｒｃｈｉｎｇ ｏｆ ｈｉｇｈ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｌｏｗ ＮＯｘ ｃｏｍ唱 ｂｕｓｔｉｏｎ ｉｎ ｔｈｅ ｂｏｉｌｅｒ， ａｎｄ ｃａｎ ｓａｔｉｓｆｙ ｔｈｅ ｄｅｍａｎｄ ｆｏｒ ｒｅａｌ唱 ｔｉｍｅ． Key words ｃｏｍｂｕｓｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ； ＳＶＭ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）； ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ； ｂｏｉｌｅｒ ｅｆｆｉｃｉｅｎｃｙ 目前，电站燃煤锅炉的运行面临着降低成本与降低污染物 排放的双重要求，高效低污染燃烧优化技术日益引起人们的关 注。 一般而言，煤粉高效燃烧与低 ＮＯｘ 排放是互为矛盾的，降 低 ＮＯｘ 排放的关键在于控制燃烧区域的高温与煤粉高浓度不 同时存在，但高温与高浓度不同时存在会影响煤粉的燃烧效 率。 协调使之综合效果最佳，就要求对煤粉燃烧的全过程加以 优化控制 ［１］。 本文基于支持向量机对电站锅炉燃煤效率和 ＮＯｘ 排放进行建模。 该模型具有拟合精度高、推广能力强、预 测精度高和泛化能力强等特点，并结合遗传算法的寻优性搜索 锅炉可调参数的最优值。 仿真实验和实践结果表明，该系统达 到了按一定目标函数的高效燃烧和低 ＮＯｘ 排放的整体优化效 果，具有很强的实用性。 1 支持向量 目前很多电站锅炉燃烧控制系统均使用神经网络对燃烧 运行特性进行建模。 这类方法较之传统的正交实验法等数据 建模方法而言，具有很好的学习能力且更能有效地处理因素间 的非线性关系，同时对于问题的适应能力也很强 ［２］。 但是，这 类方法的最终解过于依赖初值，收敛速度比较慢且网络的隐节 点数难以确定，因而其最终解在通常情况下仍非最优解 ［３］。 针对这些缺点，利用一种新的人工智能方法，即支持向量机回 归方法设计燃烧优化模型。 这一方法基于 Ｖａｐｎｉｋ 统计学习理 论、Ｈｕｂｅｒ 稳健回归理论和 Ｗｏｌｆｅ 对偶规划理论 ［４］。 与前向神 经网络、径向基函数网络等方法比较，ＳＶＭ 作为分类器具有更 强的泛化能力，并且不存在过学习和局部极小点问题，这一算 法的计算时间通常可减小 １ ～ ２ 两个数量级，而所得回归函数 的预测精度则有较大幅度的提高 ［５］。 首先考虑一个两类模式分类问题，设模式样本（xi，yi）服 从空间 X Y 上的某个未知概率分布 p（x，y） （为方便起见，令 Y ＝ （１， － １））。 目的是寻找一个分类函数，该分类函数将空间 X Y 划分为两个子空间，不同的模式样本属于不同的子空间。 在两类模式线性可分的情况下，超平面 w x ＋ b ＝ ０ 可将两类 区分开，分类为 w xi＋ b≥０，对于 yi＝＋ １；w xi＋b ＜ ０，对于 yi＝－ １ 如果模式样本可以无误差地划分，以及每一类数据与超平 面距离最近的向量与超平面之间的距离最大，则称这个超平面 为最优超平面。 在两类模式为线性可分的情况求解最优超平 面，可以看成解二次型问题，即 ｍｉｎ Φ（w） ＝ １ ／ ２‖w‖２（１） 满足约束条件 yi（w xi＋ b） － １≥０；i ＝ １，２，⋯，l（２） 第 ２５ 卷第 ３ 期 ２００８ 年 ３ 月 计 算 机 应 用 研 究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏｌ． ２５ Ｎｏ． ３ Ｍａｒ．２００８ 可引入 Ｌａｇｒａｎｇｅ 乘子 ai≥０，i ＝ １，２，⋯，l，对于式（１）和 （２）求解二次规划，得到对应的 a 倡和 w倡，以及最优的超平面， 有 w 倡 ＝钞 l i ＝ １a 倡 iyixi，经过变换线性可分条件下的原问题成为对 偶问题，求解极大化ｍａｘ aw（a） ＝∑ l i ＝ １ai － １／ ２∑ l i ＝ １∑ l i ＝ １aiajyiyjxi xj，满足约束条件∑ l i ＝ １yiai ＝ ０。 这个问题可用二次规划方法求解。 容易证明，解中将只有 少部分 ai不为零，非零 ai对应的样本 xi就是支持向量，决策 边界仅由支持向量确定。 解上述问题后得到的最优分类函数 是 f（x） ＝ ｓｇｎ（x w 倡 ＋ b 倡） ＝ ｓｇｎ（∑ l i ＝ １yia 倡 i（x xi） ＋ b 倡），最后 根据 f（x）的符号来确定 x 的归属。 在两类模式线性不可分的情况下，对于训练样本集 xi∈ R d，y i∈R，i ＝ １，⋯，l，函数回归问题就是寻找一个从输入空间 到输出空间的映射 fR d→R，使得 f（x） ＝ y。 ＳＶＭ 方法先用非线性映射 矱 R d→Rm（m≥d）将输入空间 映射到高维的特征空间，再在特征空间中用线性函数来拟合数 据集。 这样在高维空间实际上只需要进行内积运算，因此，在 最优分类面中采用合适的内积函数 K（xi xj）就可以实现某一 非线性变换后的线性分类，其相应的分类函数也变为 f（x） ＝ ｓｇｎ（∑ l i ＝ １yia 倡 iK（x，xi） ＋b 倡），这些参数对应的向量就称之为支 持向量。 常用的核函数有多项式核函数、径向基函数 ＲＢＦ、 Ｓｉｇｍｏｉｄ 函数 ［５］。 2 基于 SVM 的锅炉燃烧模型 锅炉的燃烧过程是一个复杂的物理与化学过程，影响因素 众多，且具有强耦合、非线性等特征，对这些复杂的过程，难以 用机理模型来描述 ［６］。 基于 ＳＶＭ 的模型属黑盒模型，其模型 输入／ 输出之间的非线性函数关系由 ＳＶＭ 实现，实际上应用已 训练好的 ＳＶＭ 模型来优化锅炉燃烧过程恰好与训练过程相 反，即求取输出目标（锅炉效率和 ＮＯｘ 排放）综合最优时，各输 入参数的值。 因此锅炉燃烧优化的实质是一个多目标优化问 题，适合用 ＳＶＭ 来建立锅炉燃烧特性模型。 模型应用 ＳＶＭ 建立了以各种运行操作量为输入，以锅炉 效率和 ＮＯｘ 排放为输出的响应模型。 在输入层，省煤器出口 氧量共有三个测点，取平均值作为１ 个输入参数描述氧量对燃 烧特性的影响；磨煤机入炉总煤量和总空气量均为 １ 个参数， 用于描述锅炉负荷与燃烧氧量对燃烧特性的影响；煤质特性取 收到基共７ 个参数；二次风投用六层，同层开度联动，燃尽风投 用两层，因此有六个二次风开度值与两个燃尽风开度值；所有 燃烧器均以相同摆角在炉内高度方向摆动，燃烧器摆角作为其 对炉膛燃烧分布的影响因素之一；四个二次风箱与炉膛的差压 平均值作为一个参数，表示其对二次风和燃尽风出口速度的影 响；排烟温度和冷空气温度各 １ 个，描述对锅炉效率的影 响 ［７］。 锅炉燃烧优化是在考虑锅炉高燃烧效率的基础上降低 锅炉 ＮＯｘ 的排放。 ＳＶＭ 模型有 ２０ 个输入参数以及 ２ 个输出 参数，取径向基函数 Kr（ ｜ x －xi｜ ） ＝ｅｘｐ－｜ x － xi｜ ２ ／ σ ２ 为核 函数，燃烧过程建模数学描述如下 ［ｍａｘ Fg ｍｉｎ FＮＯｘ］ ｓｔ，Xi∈Ei；０ ＜ Xi＜ １ （３） 其中F 表示由已训练好的支持向量机所建立的映射关系。 Fg ＝ f（Xi，Xl，a１，B１，R）；FＮＯｘ＝ f（Xi，Xl，a２，b２，R）（４） 式（３）和（４）中，Fg 为锅炉效率；FＮＯｘ为氮氧化物排放量；Xi为支 持向量机输入层第 i 个变量；Xl为 支持向量机训练样本；Xi为 第 i 个输入变量的取值范围；R 为径向基函数核参数；i ＝ １，２⋯， １０，a１、a２、b１、b２分别为支持向量机的 Ｌａｇｒａｎｇｅ 乘子和偏差量。 3 遗传算法的全局寻优 遗传算法（模拟进化算法）是基于生物进化过程中优胜劣 汰规则与群体内部染色体信息交换机制的一种处理复杂优化 问题通用性很强的方法，应用非常广泛 ［８］。 为维持群体的多 样性，它在进行优化时，先对一定数目个体随机初始化，计算个 体的适应度，产生第一代（即父辈）。 如不满足需要，接着依据 适应度进行选择，完成基因重组（交叉）产生第二代（即子辈）。 子辈中的个体依概率发生变异，从而改变了个体的适应度。 在 子辈的个体数目 N 中，个体被选中并遗传到下一代群体中的 概率与本身的适应度有关，依据适应度必有某一子辈以种群身 份来代替父辈，完成新老交替。 交叉和变异保留操作前后适应 度较大的个体，这不仅保证了算法的收敛速度，而且避免了算 法后期因突变可能造成的不收敛，这种变异和重组的不断进行 直到满足优化要求为止。 遗传算法的一个显著优势是通用性强，不需要目标函数明 确的数学方程和导数表达式，可用于离散问题和函数关系不明 确的复杂问题，适合对锅炉特性这样的输入／ 输出关系难以用 数学式表达的问题进行算法寻优。 同时遗传算法是一种全局 寻优算法，通过交换、变异等操作可脱离局部最优。 同时遗传 算法还具有寻优的效率较高和搜索速度快的特点，满足实时性 的要求。 利用遗传算法这些特点，将 ＳＶＭ 与遗传算法结合起 来，可实现各种优化的目标 ［９］。 本文遗传算法的优化目标为在某个工况下，对可调参数在 特定的负荷和典型的煤种下进行全局寻优，以使锅炉的燃烧效 率和污染物的排放达到最优，遗传算法在应用中采用适于数值 寻优的实数编码方式。 燃煤锅炉燃烧优化过程的目标参数包 括锅炉热效率、ＮＯｘ 排放浓度等，遗传算法按其适应度函数值 来指导搜索，逐步逼近最优值。 对锅炉模型进行寻优计算时， 将 ＮＯｘ 排放和燃烧热损失之和的倒数作为适应度函数可以指 导遗传搜索向降低 ＮＯｘ 排放和提高锅炉效率的方向进行，即 取 f ＝ １／ （１ ＋ λ１ Fg＋ λ２ FＮＯｘ）为适应度函数。 其中λ１、λ２ 为两个评价函数的加权因子，数值取决于对锅炉效率和 ＮＯｘ 排放的关注程度，分母中的常数 １ 是为了防止分母过小，导致 遗传搜索中群体多样性损失。 锅炉优化预测模型寻优过程如图 １ 所示。 其中Ｇｅｎ 为一 次遗传，M 为设定遗传代数。 针对该锅炉分级燃烧所确定的 ２０ 个输入参数和 ２ 个输出参数，一次优化计算耗时 ４ ｍｉｎ 左 右。 结合取得的优化数据，可指导机组运行。 4 系统实现 华能岳阳电厂锅炉燃烧优化系统调整试验期间，获得不同 负荷下的 ２００ 个运行工况，计算将这２００ 个工况分为两组。 其 中１９０ 个工况作为训练样本，进行了模型训练，而以其余的 １０ 个工况作为检验样本，利用训练出来的模型进行了锅炉效率与 ＮＯｘ 排放浓度预测。 在给定了初始参数后，模型检验每次均可 以得到相近的结果，得到的是全局最优解。 图 ２ 为 ＮＯｘ 排放 预测值与实测值的比较，结果表明该模型可以根据锅炉的运 行参数和煤质特性准确预测锅炉效率以及 ＮＯｘ 含量，误差 ２１８计 算 机 应 用 研 究第 ２５ 卷 在 ２． １％内。 图 １ 燃烧锅炉遗传算法寻优 笔者取图 ２ 中一组 ＮＯｘ 排放量较大的工况进行寻优计 算。 该工况下 ＮＯｘ 排放量为 ８７３． ５２ ｍｇ／ ｍ ３，锅炉效率为 ９４畅 １４％，将遗传算法的参数设为种群规模 M ＝ ５０；交叉率为 ０畅 ８５；变异率为 ０． １６；适度函数中的两个加权因子 λ１取为 ０畅 ５５，λ２取为０畅 ４５，即几乎以相同的程度关注效率和 ＮＯｘ 排放 浓度。 其寻优过程如图 ３ 所示。 遗传运算在运行到 ３００ 代时收敛，得到该工况下锅炉的最 佳操作参数值，取不同时间进行优化点观察，得到优化前后部 分数据对比如表 １ 所示。 表 １ 优化前后部分数据比较 对比项优化前优化 １技优化 ２s 总空气量 ／ ｔ／ ｈ２ ３５２鲻２ ３６１垐． ４２ ４１２． ５ 磨煤机转速 ／ ｒ／ ｍｉｎ３６５刎３７７帋３８２E 省煤器出口氧量 ／ ％３Q． ３０５ ４３ ． ２４５ ６３揪． ２６１ ２ 燃烧器摆动 ／ ％０拻． ５０ ． ４３５ ２０揪． ４１６ ７ ＮＯｘ 浓度 ／ ｍｇ／ ｍ３ 乙 ８７３＃． ５２６４７Y． ８４５４０ ． ５７ 锅炉效率 ／ ％９２拻． １４９１H． ５２９１�． ２６ 分析图 ３ 与表１ 的优化结果，可发现优化调整会造成锅炉 热效率和 ＮＯｘ 排放的变化，锅炉热效率和 ＮＯｘ 排放浓度呈现 共同增大和减小的趋势，这意味着片面强调提高锅炉热效率或 者控制 ＮＯｘ 排放都是不可取的，这一特点与锅炉燃烧的效率 与 ＮＯｘ 排放机理的定性分析结论是一致的。 华能岳阳电厂４ 号３００ＭＷ 四角切圆燃烧锅炉的燃烧优化 过程中，采用尽可能低的污染排放控制策略。 在保证 ＮＯｘ 排放 浓度不超过６５０ ｍｇ／ ｍ ３ 的国家环保局的规定下，追求尽可能高 的锅炉热效率；遗传优化寻优实验结果表明， 通过对省煤器出 口氧量、磨煤机转速、二次风压、二次风门开度、燃尽风门开度等 可调参数的寻优最佳组合，使 ＮＯｘ 排放浓度由原来平均 ７４０ ｍｇ／ ｍ ３ 下降到６１０ ｍｇ／ ｍ ３。 同时锅炉效率提高了１． ２％，使得锅 炉效率的提高和 ＮＯｘ 排放量的减少这两个目标在一定的范围 内得到了协调优化。 且满足适时性要求，达到了很好的效果。 5 结束语 利用 ＳＶＭ 非线性和自学习的特性，通过对锅炉输入和输 出的参数进行样本学习，建立电站燃煤锅炉燃烧模型，并检验 了模型的计算结果与基于机理的定性分析结论的一致性以及 模型的泛化能力。 针对锅炉高效低污染多目标优化问题，采用 遗传算法在线对工况的可调节参数进行寻优，提高了控制的精 度与锅炉的燃烧效率，降低了锅炉 ＮＯｘ 排放对环境的污染。 当锅炉燃烧的煤种或其他运行条件发生变化时，可以重新训练 ＳＶＭ。 该系统在实验运行中有效地提高了电厂运行水平，具有 很大的应用推广价值。 参考文献 ［１］孔亮，张毅，丁艳军．电站锅炉燃烧优化控制技术综述［Ｊ］．电力 设备， ２００６（２）３４唱 ３６． ［２］ＣＨＵ Ｊｉ唱 ｚｈｅｎｇ，ＳＨＩＥＨ Ｓ．Ｃｏｎｓｔｒａｉｎｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｃｏｍｂｕｓｔｉｏｎ ｉｎ ａ ｓｉｍｕｌａｔｅｄ ｃｏａｌ唱 ｆｉｒｅｄ ｂｏｉｌｅｒ ｕｓｉｎｇ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｊ］． Ｍｏｄｅｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ａｎａｌｙｓｉｓ， ２００３，82（２） ６９３唱 ６９５． ［３］ＬＵＧＥＲ Ｇ Ｆ． 人工智能［Ｍ］． 史忠植，张银奎，译． ４ 版． 北京机械 工业出版社， ２００４ ３２９唱 ３３１． ［４］ＣＯＲＴＥＳ Ｃ， ＶＡＰＮＩＫ Ｖ．Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｎｅｔｗｏｒｋ ［ Ｊ］．Machine Learning，１９９５， 20２７２唱 ２７４． ［５］张学工． 关于统计学习理论与支持向量机 ［ Ｊ］． 自动化学报， ２０００， 26（１）２３唱 ２５． ［６］许昌． 锅炉典型非线性过程建模与控制研究［Ｄ］． 南京东南大 学，２００５２０唱 ２４． ［７］ＧＡＭＥＬＹ Ｃ Ｈ，ＴＨＯＭＰＳＯＮ Ｓ Ａ．Ｌｕｍｐｅｄ ｐａｒａｍｅｔｅｒ ＮＯｘ ｅｍｉｓｓｉｏｎｓ ｍｏｄｅｌ ｆｏｒ ａ ｃｏａｌ唱 ｆｉｒｅｄ ｂｏｉｌｅｒ ｏｆ ｐｏｗｅｒ ｓｔａｔｉｏｎ［Ｊ］． Journal of Institute of Energy，２００２，75（２）４３唱 ４６． ［８］玄光男，程润伟．遗传算法与工程设计［Ｍ］． 北京科学出版社， ２０００２５唱 ３０． ［９］郑春红，焦李成，丁爱玲．基于启发式遗传算法的 ＳＶＭ 模型自动 选择［Ｊ］．控制理论与应用， ２００６（２）１４唱 １６． （上接第 ８１０ 页） 参考文献 ［１］ＤＥＧＩＯＡＮＮＩ Ｌ， ＢＡＬＤＩ Ｍ， ＲＩＳＳＯ Ｆ，et al． Ｐｒｏｆｉｌｉｎｇ ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｏｆｔｗａｒｅ唱 ｂａｓｅｄ ｎｅｔｗｏｒｋ唱 ａｎａｌｙｓｉｓ ａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ｔｈｅ １５ｔｈ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｃｏｍｐｕｔｅｒ Ａｒｃｈｉｔｅｃｔｕｒｅ ａｎｄ Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｃｏｍｐｕ唱 ｔｉｎｇ． Ｓａｏ Ｐａｕｌｏ［ｓ． ｎ． ］，２００３． ［２］Ａｇｉｌｅｎｔ Ｃｏｒｐｏｒａｔｉｏｎ［ＥＢ／ ＯＬ］． ［２００７唱 ０３唱 １２］． ｈｔｔｐ／ ／ ｗｗｗ． ｈｏｍｅ． ａｇｉｌｅｎｔ． ｃｏｍ． ［３］ＩｎＭｏｎ Ｃｏｒｐｏｒａｔｉｏｎ［ＥＢ／ ＯＬ］． ［２００７唱 ０３唱 １２］． ｈｔｔｐ／ ／ ｗｗｗ． ｉｎｍｏｎ． ｃｏｍ． ［４］Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｗａｉｋａｔｏ． Ｔｈｅ ＤＡＧ ｐｒｏｊｅｃｔ［ＥＢ／ ＯＬ］．［２００７唱 ０３唱 １２］． ｈｔｔｐ／ ／ ｗｗｗ． ｅｎｄａｃｅ． ｃｏｍ／ ． ［５］ＳＨＡＨ Ｎ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｎｅｔｗｏｒｋ ｐｒｏｃｅｓｓｏｒ［Ｄ］． Ｂｅｒｋｅｌｅｙ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ， ２００１． ［６］Ｅｔｈｅｒｅａｌ Ｉｎｃ［ ＥＢ／ ＯＬ］． （２００７唱 ０３唱 ０１）． ［２００７唱 ０３唱 １２］．ｈｔｔｐ／ ／ ｗｗｗ． ｅｔｈｅｒｅａｌ． ｃｏｍ． ［７］Ｗｉｒｅｓｈａｒｋ Ｉｎｃ［ＥＢ／ ＯＬ］． （２００７唱 ０１唱 ２８）． ［２００７唱 ０３唱 １２］．ｈｔｔｐ／ ／ ｗｗｗ． ｗｉｒｅｓｈａｒｋ． ｏｒｇ． ［８］Ｔｈｅ Ｔｃｐｄｕｍｐ Ｇｒｏｕｐ［ＥＢ／ ＯＬ］．（２００６唱 ０９唱 １９）． ［２００７唱 ０３唱 １２］． ｈｔ唱 ｔｐ／ ／ ｗｗｗ． ｔｃｐｄｕｍｐ． ｏｒｇ． ［９］ＷＥＬＴＥ Ｈ． Ｔｈｅ ｎｅｔｆｉｌｔｅｒ ｆｒａｍｅｗｏｒｋ ｉｎ Ｌｉｎｕｘ ２． ４［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ Ｌｉｎｕｘ Ｋｏｎｇｒｅｓｓ ２０００． Ｅｒｌａｎｇｅｒ［ｓ． ｎ． ］，２０００． ［１０］ ＤＥＲＩ Ｌ． Ｉｍｐｒｏｖｉｎｇ ｐａｓｓｉｖｅ ｐａｃｋｅｔ ｃａｐｔｕｒｅ ｂｅｙｏｎｄ ｄｅｖｉｃｅ ｐｏｌｌｉｎｇ ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ＳＡＮＥ ２００４． Ａｍｓｔｅｒｄａｍ，Ｎｅｔｈｅｒｌａｎｄｓ［ｓ． ｎ． ］，２００４． ［１１］ ＡＬＥＸＥＹ Ｋ． ＮＡＰＩ唱 ｈｏｗｔｏ． ｔｘｔ［ＥＢ／ ＯＬ］． （２００２唱 ０２唱 １６）． ［２００７唱 ０３唱 １２］． ｈｔｔｐ／ ／ ｌｗｎ． ｎｅｔ／ ２００２ ／ ０３２１ ／ ａ／ ｎａｐｉ唱 ｈｏｗｔｏ． ｐｈｐ３． ［１２］ ＭＯＧＵＬ Ｊ Ｃ，ＲＥＭＡＫＲＩＳＨＮＡＮ Ｋ Ｋ． Ｅｌｉｍｉｎａｔｉｎｇ ｒｅｃｅｉｖｅ ｌｉｖｅｌｏｃｋ ｉｎ ａｎ ｉｎｔｅｒｒｕｐｔ唱 ｄｒｉｖｅｎ ｋｅｒｎｅｌ ［ Ｊ］． ACM Transactions on Computer System，１９９７，15（３）２１７唱 ２５２． ［１３］ ＲＩＺＺＯ Ｌ． Ｄｅｖｉｃｅ ｐｏｌｌｉｎｇ ｓｕｐｐｏｒｔ ｆｏｒ ＦｒｅｅＢＳＤ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ＢＳＤＣｏｎ Ｅｕｒｏｐｅ Ｃｏｎｆｅｒｅｎｃｅ． Ｂｒｉｇｈｔｏｎ［ｓ． ｎ． ］，２００１． ［１４］ Ｏｐｅｎ Ｓｏｕｒｃｅ Ｔｅｃｈｎｏｌｏｇｙ Ｇｒｏｕｐ ［ＥＢ／ ＯＬ］．［２００７唱 ０３唱 １２］． ｈｔｔｐ／ ／ ｓｏｕｒｃｅｆｏｒｇｅ． ｎｅｔ／ ｐｒｏｊｅｃｔｓ／ ｅ１０００ ／ ． ［１５］ ＤＥＲＩ Ｌ． Ｐａｓｓｉｖｅｌｙ ｍｏｎｉｔｏｒｉｎｇ ｎｅｔｗｏｒｋｓ ａｔ ｇｉｇａｂｉｔ ｓｐｅｅｄｓ ｕｓｉｎｇ ｃｏｍ唱 ｍｏｄｉｔｙ ｈａｒｄｗａｒｅ ａｎｄ ｏｐｅｎ ｓｏｕｒｃｅ ｓｏｆｔｗａｒｅ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ＰＡＭ．Ｓａｎ Ｄｉｅｇｏ， Ｃａｌｉｆｏｒｎｉａ［ｓ． ｎ． ］，２００３． ［１６］ ＤＥＧＩＯＡＮＮＩ Ｌ， ＶＡＲＥＮＮＩ Ｇ．Ｉｎｔｒｏｄｕｃｉｎｇ ｓｃａｌａｂｉｌｉｔｙ ｉｎ ｎｅｔｗｏｒｋ ｍｅａｓｕｒｅｍｅｎｔｔｏｗａｒｄ １０Ｇｂｐｓ ｗｉｔｈ ｃｏｍｍｏｄｉｔｙ ｈａｒｄｗａｒｅ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ＩＭＣ’０４． Ｓｉｌｉｃｙ［ｓ． ｎ． ］，２００４２５唱 ２７． ３１８第 ３ 期费洪晓，等基于 ＳＶＭ 与遗传算法的燃煤锅炉燃烧多目标优化系统 输入参数燃烧效率 燃烧过程 SVM 模型 NOx 排放量 初始化群体 反馈参数 遗传操作 保留父子代最佳 个体生成新群体 是袁 输出寻 优后参数 是否最佳 否 是 否 计算适应度 GenGen1 GenM 900 850 800 750 700 650 600 550 0 600700800900 预测 NOx 排放浓度/mg/m3 900 850 800 750 700 650 600 550 0 遗传代数 M 100200300400 2NOx 排放浓度预测值 与实际值比较 3遗传算法优化结果 图 图