陳延展，胡 浩，任紫暢，成艾國(guó)

(湖南大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，湖南 長(zhǎng)沙 410000)

汽油是小型車輛的主要燃料，其燃燒產(chǎn)生的尾氣排放對(duì)大氣環(huán)境有重要影響。為此，世界各國(guó)都制定了日益嚴(yán)格的汽油質(zhì)量標(biāo)準(zhǔn)。研究法辛烷值(RON)是反映汽油燃燒性能的最重要指標(biāo)，并作為汽油的商品牌號(hào)(例如89#、92#、95#)?，F(xiàn)有技術(shù)在對(duì)催化裂化汽油進(jìn)行脫硫和降烯烴過(guò)程中，普遍降低了汽油辛烷值[1]。辛烷值每降低1個(gè)單位，相當(dāng)于損失約150 CNY/t[2]。以一個(gè)1000 kt/a催化裂化汽油精制裝置為例，若能降低RON損失0.3個(gè)單位，其經(jīng)濟(jì)效益將達(dá)到45×106CNY。因此,研究汽油的辛烷值,對(duì)于保護(hù)大氣環(huán)境和提高工廠經(jīng)濟(jì)效益具有重要意義。

實(shí)驗(yàn)測(cè)定是目前獲取汽油辛烷值數(shù)據(jù)的最有效方法。根據(jù)ASTM D2699[3]和ASTM D2700[4]的規(guī)定,辛烷值分為研究法辛烷值(RON)和馬達(dá)法辛烷值(MON)2種。通過(guò)實(shí)驗(yàn)測(cè)定來(lái)改善調(diào)試汽油樣品的辛烷值從而確定其最佳配比,不僅需要昂貴的實(shí)驗(yàn)儀器及設(shè)備,還需要花費(fèi)大量的時(shí)間及試劑樣品[5]。因此，有必要開(kāi)展汽油辛烷值的理論預(yù)測(cè)研究，建立可靠的理論預(yù)測(cè)模型，彌補(bǔ)實(shí)驗(yàn)方法的缺陷與不足。

目前，分析化學(xué)法是文獻(xiàn)中預(yù)測(cè)汽油辛烷值的常見(jiàn)方法。Ghosh等[6]通過(guò)色譜分析法來(lái)預(yù)測(cè)汽油辛烷值，平均誤差值約為4～7個(gè)單位。Kardamakis等[7]則通過(guò)近紅外光譜法對(duì)汽油辛烷值進(jìn)行預(yù)測(cè)研究。分析化學(xué)法的缺陷在于同樣需要用到相應(yīng)分析測(cè)試儀器，其運(yùn)轉(zhuǎn)、維護(hù)費(fèi)用較高，且耗時(shí)耗力。因此，采用各種理論算法來(lái)建立汽油辛烷值的預(yù)測(cè)模型受到廣泛關(guān)注。

目前為止，基于各種理論方法的汽油辛烷值的化工過(guò)程建模一般是通過(guò)數(shù)據(jù)關(guān)聯(lián)或機(jī)理建模的方法來(lái)實(shí)現(xiàn)的，取得了一定的成果。但是由于煉油工藝過(guò)程的復(fù)雜性以及設(shè)備的多樣性，它們的操作變量(控制變量)之間具有高度非線性和相互強(qiáng)耦聯(lián)的關(guān)系，而且傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)模型中變量相對(duì)較少、機(jī)理建模對(duì)原料的分析要求較高，對(duì)過(guò)程優(yōu)化的響應(yīng)不及時(shí)，所以效果并不理想?；诖耍P者利用某石化企業(yè)催化裂化汽油精制裝置采集的大量歷史數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)技術(shù)建立汽油研究法辛烷值(RON)損失預(yù)測(cè)模型，揭示相應(yīng)的操作變量及其影響規(guī)律；并提出一種改進(jìn)的差分灰狼優(yōu)化算法對(duì)影響汽油辛烷值損失的操作變量進(jìn)行優(yōu)化，以盡量減少汽油精制過(guò)程中的辛烷值損失，為石化企業(yè)和運(yùn)營(yíng)商提供決策分析。

1 模型及算法介紹

XGBoost(Extreme gradient boosting)是由Zhou等[8]提出的一種支持并行計(jì)算的梯度提升樹模型，近些年該模型憑借突出的效率和較高的預(yù)測(cè)精度被廣泛應(yīng)用于Kaggle機(jī)器學(xué)習(xí)競(jìng)賽中。實(shí)際上XGBoost是一種改進(jìn)的GBDT(Gradient boosting decision tree)算法[9]，兩者本質(zhì)上均由許多用于回歸和分類的決策樹組成，但是XGBoost在以下方面對(duì)GBDT算法進(jìn)行了改進(jìn)：(1)對(duì)于損失函數(shù)，GBDT算法只使用了一階泰勒展開(kāi)，而XGBoost則增加了二階泰勒展開(kāi)；(2)XGBoost在目標(biāo)函數(shù)中構(gòu)造了正則懲罰項(xiàng)[8]以降低模型復(fù)雜度，從而防止模型過(guò)擬合。XGBoost模型的結(jié)構(gòu)如圖1所示。

圖1 XGBoost算法示意圖Fig.1 Schematic of XGBoost algorithm

對(duì)于一個(gè)給定的有n個(gè)樣本的數(shù)據(jù)集D={(xi,yi)}(i=1,2…,n)，其中xi表示第i個(gè)樣本的特征值集合，yi表示第i個(gè)樣本的標(biāo)簽值，則基于數(shù)據(jù)集D訓(xùn)練出的具有K個(gè)基學(xué)習(xí)器的XGBoost預(yù)測(cè)模型為：

(1)

F={f(x)=ωq(x)}

(2)

(3)

在對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)時(shí)，每次在保留原有模型不變的基礎(chǔ)上，加入一個(gè)新函數(shù)ft，觀察對(duì)應(yīng)的目標(biāo)函數(shù)J(ft)，若加入的新函數(shù)能使目標(biāo)函數(shù)盡可能減到最小，則把該函數(shù)加到模型中。此時(shí)目標(biāo)函數(shù)表示為：

(4)

(5)

式中：L代表?yè)p失函數(shù)；Ω(ft)則表示模型的復(fù)雜度；T表示葉節(jié)點(diǎn)數(shù)；γ和λ表示懲罰項(xiàng)的權(quán)重系數(shù)。之后對(duì)目標(biāo)函數(shù)進(jìn)行二階泰勒展開(kāi)得到如下近似目標(biāo)函數(shù)：Tt為t次迭代后的葉節(jié)點(diǎn)數(shù)。

(6)

(7)

(8)

式中：gi和hi是關(guān)于損失函數(shù)L的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。綜上所述，最終求得的目標(biāo)函數(shù)形式如下：

(9)

(10)

(11)

2 特征工程

實(shí)驗(yàn)數(shù)據(jù)集來(lái)源于某石化企業(yè)催化裂化汽油精制裝置運(yùn)行4年所采集到的325個(gè)樣本數(shù)據(jù)，其中每個(gè)數(shù)據(jù)樣本都包含7個(gè)原料性質(zhì)、2個(gè)待生吸附劑性質(zhì)、2個(gè)再生吸附劑性質(zhì)、2個(gè)產(chǎn)品性質(zhì)等變量以及另外354個(gè)操作變量，共計(jì)367個(gè)特征變量。表1中僅列出367個(gè)變量中的前30個(gè)具體信息(由于變量太多，此次降為30個(gè))。由于367個(gè)特征變量中存在大量的冗余變量，不利于汽油辛烷值損失值預(yù)測(cè)模型的建立和求解，所以利用特征工程篩選出建模的主要變量，特征工程的總體流程如圖2所示。

表1 影響汽油辛烷值損失的特征變量Table 1 Characteristic variables affecting octane loss in gasoline

MIC—Maximum mutual information coefficient method圖2 特征工程的主要變量選取流程圖Fig.2 Flow chart for selection of key variables

由圖2可知：首先需要對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，由于各特征的數(shù)值量綱之間存在較大差異，數(shù)據(jù)歸一化可以使所有特征具有零均值和同一階數(shù)上的方差，以方便后續(xù)的機(jī)器學(xué)習(xí)模型訓(xùn)練；然后運(yùn)用方差閾值法的思想進(jìn)行特征的粗略篩選，計(jì)算數(shù)據(jù)特征的方差值，剔除方差較低的特征，得到剔除后的前100個(gè)變量特征；然后分別利用Pearson相關(guān)系數(shù)法、最大互信息系數(shù)(MIC)法和基于隨機(jī)森林的特征選擇法對(duì)各特征進(jìn)行重要度計(jì)算；最終利用3種特征選擇方法的融合進(jìn)行變量特征的精確篩選。Pearson系數(shù)法僅反映不同變量之間的線性關(guān)系，最大互信息法能同時(shí)反映變量間的線性和非線性關(guān)系，基于隨機(jī)森林的特征重要度排序方法以包裹式的特征選取方式進(jìn)行特征重要度計(jì)算。考慮到選取的特征應(yīng)具有獨(dú)立性、代表性的要求，因此，按照Pearson系數(shù)法權(quán)重∶最大互信息系數(shù)法權(quán)重∶隨機(jī)森林法權(quán)重比為2∶3∶5進(jìn)行特征重要度的融合。各類方法對(duì)于特征變量的重要度排序如圖3所示。

圖3 各方法的特征重要度排序Fig.3 Feature importance ranking sequence of each method(a)Pearson method;(b)Maxmium mutual information coefficient method;(c)Random forest method;(d)Weight coefficient method

基于權(quán)重法融合結(jié)果的前25項(xiàng)特征的重要度之和占所有特征重要度之和的95%以上，故從得到的前100個(gè)特征中選取前25個(gè)特征作為建模的主要特征，其特征變量如表2所示。

表2 建模選取的主要特征變量Table 2 Main characteristic variables

3 模型應(yīng)用與結(jié)果分析

以特征工程后的催化裂化汽油精制裝置歷史運(yùn)行數(shù)據(jù)為訓(xùn)練集，分別采用多個(gè)機(jī)器學(xué)習(xí)模型建立汽油辛烷值損失值與25個(gè)主要特征變量之間的映射函數(shù)，并在測(cè)試集上利用各種評(píng)價(jià)指標(biāo)進(jìn)行模型對(duì)比，從而驗(yàn)證XGBoost模型的預(yù)測(cè)性能。

3.1 模型評(píng)價(jià)指標(biāo)

(12)

(13)

(14)

3.2 實(shí)驗(yàn)分析與模型對(duì)比

基于催化裂化汽油精制裝置歷史運(yùn)行數(shù)據(jù)分別訓(xùn)練了XGBoost汽油辛烷值損失值預(yù)測(cè)模型和其他機(jī)器學(xué)習(xí)模型，如線性回歸模型[10]、K近鄰模型[11]、支持向量機(jī)(SVM)[12]、決策樹(DT)[13]和隨機(jī)森林(RF)[14]等。實(shí)驗(yàn)平臺(tái)為AMD Ryzen 74800H with Radeon Graphics(2.90 GHz)，配置了16.0 GB的RAM內(nèi)存和8 GB的GTX 1070Ti顯卡。其中SVM、DT和RF等模型均在python的第三方庫(kù)scikit-learn中實(shí)現(xiàn)。表3給出了上述10個(gè)機(jī)器學(xué)習(xí)模型對(duì)于汽油辛烷值(RON)損失值的預(yù)測(cè)精度、訓(xùn)練時(shí)間和測(cè)試時(shí)間。

由表3可見(jiàn)，后6個(gè)模型的R2均超過(guò)0.97而具有很高的預(yù)測(cè)精度，并且其中模型RF和XGBoost的R2均高達(dá)0.99以上，遠(yuǎn)超其他模型。表現(xiàn)最為突出的XGBoost模型R2值更是高達(dá)0.9981，并且MAE和RMSE均處在所有模型的最低值。然而2種線性模型LR和Linear-SVM的預(yù)測(cè)精度都很差，其R2均在0.95左右，證明了汽油RON損失值與25 個(gè)特征變量之間存在明顯的非線性關(guān)系。其他模型DT和KNN的預(yù)測(cè)精度則處于中等水平。

表3 不同汽油辛烷值(RON)損失值預(yù)測(cè)模型的對(duì)比Table 3 Comparison of different RON loss value prediction models

XGBoost模型預(yù)測(cè)的汽油辛烷值損失值與真實(shí)值的對(duì)比曲線如圖4所示。由圖4可以看出XGBoost模型的擬合效果很好，兩條曲線幾乎完全重合。為了進(jìn)一步說(shuō)明XGBoost模型的擬合效果，圖5繪制了測(cè)試集數(shù)據(jù)中汽油辛烷值損失的真實(shí)值與XGBoost模型預(yù)測(cè)值之間的散點(diǎn)分布，散點(diǎn)越接近直線則表示模型的預(yù)測(cè)能力越強(qiáng)[15]。從圖5可以直觀看出該模型具有良好的汽油辛烷值預(yù)測(cè)能力。

圖4 XGBoost模型汽油辛烷值(RON)損失預(yù)測(cè)值與真實(shí)值對(duì)比Fig.4 Comparison of RON loss predicted values by XGBoost model and actual values

圖5 XGBoost模型汽油辛烷值(RON)預(yù)測(cè)值與真實(shí)值的散點(diǎn)分布Fig.5 Distribution of RON loss predicted values by XGBoost model and actual values

綜上所述，XGBoost模型的R2最高，并且訓(xùn)練時(shí)間、預(yù)測(cè)時(shí)間、MAE以及RMSE均相對(duì)較小。所以XGBoost模型在預(yù)測(cè)汽油辛烷值損失值的問(wèn)題上比其他模型更加有效，筆者最終采用XGBoost模型預(yù)測(cè)汽油辛烷值的損失值。

4 基于改進(jìn)差分灰狼算法的汽油辛烷值損失優(yōu)化模型

為盡可能降低汽油辛烷值損失，同時(shí)由于國(guó)六車用汽油標(biāo)準(zhǔn)要求硫質(zhì)量分?jǐn)?shù)不大于5 μg/g，為了保證汽油產(chǎn)品脫硫效果，對(duì)數(shù)據(jù)樣本的25個(gè)特征變量進(jìn)行優(yōu)化，建立了一種單目標(biāo)優(yōu)化模型。約束條件包括硫含量、操作變量的取值范圍等。為了建立硫質(zhì)量分?jǐn)?shù)不大于5 μg/g的約束條件，同樣采用XGBoost建立了硫含量與這些操作變量的映射函數(shù)關(guān)系，并作為限制條件求解。由于該優(yōu)化模型的變量有25個(gè)，維度較高，筆者提出了一種改進(jìn)的差分灰狼優(yōu)化算法進(jìn)行求解，可以較大提高模型的求解精度和效率。結(jié)果表明模型的建立與求解過(guò)程是合理的。具體的求解思路如圖6所示。

圖6 基于改進(jìn)的差分灰狼優(yōu)化算法的汽油辛烷值(RON)損失優(yōu)化模型的建立與求解過(guò)程Fig.6 Establishment and solution of RON loss optimization model

4.1 模型建立

由數(shù)據(jù)可知，大多數(shù)樣本的汽油辛烷值損失還是偏大的，有必要對(duì)其特征變量進(jìn)行優(yōu)化來(lái)減少其損失值。因此，建立了一個(gè)優(yōu)化模型，并在保證硫質(zhì)量分?jǐn)?shù)不大于5 μg/g的條件下，分別對(duì)這325個(gè)樣本對(duì)應(yīng)的操作條件進(jìn)行優(yōu)化求解。具體的建模過(guò)程如下：

目標(biāo)函數(shù)：使辛烷值損失最小，采用XGBoost的汽油辛烷值損失與主要操作變量的映射函數(shù)，用f(X)來(lái)表示，其中X=[X1,X2,X3,…,XM](M=25)，代表影響汽油辛烷值損失的25個(gè)主要操作變量，并且下標(biāo)與表2中的排序一一對(duì)應(yīng)。

min(f(X))

(15)

硫含量的約束條件：利用XGBoost建立硫含量與25個(gè)主要操作變量的映射函數(shù)，即利用主要操作變量預(yù)測(cè)硫含量，用g(X)表示，并使得其質(zhì)量分?jǐn)?shù)不大于5 μg/g。

操作變量的約束條件：每個(gè)操作變量的取值范圍如表4所示。于是，最終的優(yōu)化模型如下：

表4 影響汽油辛烷值損失的25個(gè)主要操作變量的取值范圍Table 4 25 main operational variables affecting RON loss

min(f(X))

(16)

4.2 改進(jìn)的差分灰狼優(yōu)化算法設(shè)計(jì)

對(duì)于優(yōu)化問(wèn)題，傳統(tǒng)的數(shù)學(xué)規(guī)劃方法在求解過(guò)程中難以實(shí)現(xiàn)全局最優(yōu)，且收斂性差。目前，基于種群迭代的智能優(yōu)化算法由于其較快的求解速率在工程上得到了廣泛應(yīng)用?；依莾?yōu)化(Gray Wolf Optimizer,GWO)[16]算法作為一種較新的智能優(yōu)化算法，憑借其結(jié)構(gòu)簡(jiǎn)單、需要調(diào)節(jié)的參數(shù)較少和較好的魯棒性的特點(diǎn)，也得到了許多學(xué)者的關(guān)注。但是，與其他智能優(yōu)化算法類似，基本的灰狼優(yōu)化算法也存在著一些缺點(diǎn)，比如對(duì)于高維問(wèn)題容易陷入局部最優(yōu)、求解精度不高等。針對(duì)此問(wèn)題，筆者提出了一種改進(jìn)的差分灰狼優(yōu)化算法來(lái)對(duì)模型進(jìn)行求解。

4.2.1 基本灰狼優(yōu)化算法

GWO算法是借鑒大自然中狼群捕食行為和社會(huì)領(lǐng)導(dǎo)階層分工的思想而提出的一種新型智能優(yōu)化算法。在一個(gè)小型灰狼群體中，有3個(gè)最優(yōu)的個(gè)體，分別為α狼、β狼和δ狼，它們處于金字塔的上層，其他狼聽(tīng)從這些狼的指揮。

這些灰狼在追逐和包圍獵物過(guò)程可以抽象為一個(gè)數(shù)學(xué)模型，提出了以下公式：

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

式中：umax為最大迭代次數(shù);其他灰狼個(gè)體根據(jù)α、β和δ的位置分別更新各自的位置。

4.2.2 灰狼算法的改進(jìn)策略

(1)基于sigmoid函數(shù)的收斂因子調(diào)整

根據(jù)前面灰狼算法的機(jī)理分析可知，A值的大小代表灰狼包圍獵物時(shí)的范圍，A越大說(shuō)明包圍圈越大，反之包圍圈越小，即代表了灰狼的全局勘探和局部精細(xì)搜索的能力。而A的取值是隨收斂因子a變化的。也就說(shuō)明了收斂因子影響著灰狼算法的全局搜索和局部搜索能力。然而，在基本的GWO中，收斂因子是線性遞減的，這種搜索策略在實(shí)際尋優(yōu)過(guò)程難以適應(yīng)實(shí)際情況。為了使得灰狼在開(kāi)始階段搜索的范圍較廣，并在結(jié)束階段能夠在很小的范圍內(nèi)進(jìn)行精細(xì)搜索，采用sigmod函數(shù)來(lái)控制收斂因子的取值，可以使算法的全局勘探和局部搜索能力更強(qiáng)，其收斂因子的更新策略如公式(25)所示，采用這種策略，既有利于加快收斂速率，又能使算法在迭代末期獲得最優(yōu)值。

(25)

(2)基于差分變異策略的個(gè)體更新

在基本的GWO算法中，由式(24)可以看出，群體中其他灰狼個(gè)體的更新是由α狼、β狼和δ狼這3種狼的位置決定的。如果這3種狼陷入了局部最優(yōu)解的周圍，會(huì)導(dǎo)致其他狼的個(gè)體的多樣性減少，從而使得算法出現(xiàn)早熟現(xiàn)象，無(wú)法跳出局部最優(yōu)的包圍圈，求解效果會(huì)變得較差。為了解決這一問(wèn)題，可以引入變異操作算子，使得算法避免這種陷入局部最優(yōu)的狀況。常見(jiàn)的變異算子有高斯變異、柯西變異等。

受到差分進(jìn)化算法的啟發(fā)，筆者采用差分變異算子來(lái)對(duì)其他狼的位置進(jìn)行調(diào)整。即利用當(dāng)前灰狼個(gè)體、最優(yōu)灰狼個(gè)體和隨機(jī)選擇的灰狼個(gè)體進(jìn)行隨機(jī)差分選擇進(jìn)行位置更新，其表達(dá)式如下：

(26)

4.2.3 改進(jìn)差分灰狼優(yōu)化算法的步驟

4.3 模型求解與結(jié)果分析

根據(jù)325個(gè)樣本數(shù)據(jù)的操作變量的原始值，分別對(duì)改進(jìn)的差分灰狼優(yōu)化算法進(jìn)行初始化，通過(guò)優(yōu)化算法的不斷迭代可以求解每個(gè)數(shù)據(jù)樣本對(duì)應(yīng)的主要變量?jī)?yōu)化后的操作條件。表5列出了第1個(gè)樣本優(yōu)化前后的操作變量和汽油辛烷值損失值的數(shù)據(jù)，同時(shí)還給出了硫含量的值。由表5可以發(fā)現(xiàn)硫質(zhì)量分?jǐn)?shù)在5 μg/g以下，滿足國(guó)六車用汽油標(biāo)準(zhǔn)要求的硫含量取值范圍。

表5 第1個(gè)樣本操作變量和汽油辛烷值損失優(yōu)化前后結(jié)果Table 5 Operation variables of the first sample and RON loss before and after optimization

為了進(jìn)一步驗(yàn)證改進(jìn)差分灰狼優(yōu)化算法的效果，對(duì)數(shù)據(jù)集前325個(gè)樣本優(yōu)化前后的辛烷值損失值大小進(jìn)行了可視化，如圖7所示。由圖7可知，325個(gè)樣本中辛烷值損失值的初始值都較大，大部分超過(guò)了1，而優(yōu)化后的值卻在0.4上下波動(dòng)，證明了改進(jìn)的差分灰狼算法很大程度上降低了汽油辛烷值損失值，這進(jìn)一步說(shuō)明了所建立的模型和設(shè)計(jì)的算法的有效性。

圖7 325個(gè)樣本辛烷值損失值優(yōu)化前后結(jié)果對(duì)比Fig.7 Result comparison before and after optimization of RON loss of 325 samples

除此之外，筆者還計(jì)算了優(yōu)化后的汽油辛烷值損失值的降幅，其計(jì)算公式為：

采用上述公式對(duì)圖7中所有樣本的降幅進(jìn)行了計(jì)算，表6給出了汽油辛烷值損失值降幅的區(qū)間范圍。由表6可以看出，辛烷值損失降幅在30%以下的只有3個(gè)樣本，大多數(shù)樣本的損失降幅在60%～80%之間，這也證明優(yōu)化的效果很好

表6 優(yōu)化后的汽油辛烷值(RON)損失降幅分布Table 6 RON loss range after optimization

4.4 算法有效性分析

為了驗(yàn)證所提出的改進(jìn)差分灰狼優(yōu)化算法的有效性，分別與差分算法(Differential Evolution Algorithm,DE)和灰狼算法進(jìn)行了對(duì)比，結(jié)果見(jiàn)圖8。

本實(shí)驗(yàn)采用python編程實(shí)現(xiàn)，電腦的處理器為：AMD Ryzen 74800H with Radeon Graphics(2.90 GHz),內(nèi)存(RAM)為16 GB，優(yōu)化1個(gè)訓(xùn)練樣本所花費(fèi)的時(shí)間為28 s，效率比較高。

由圖8可知，所提出的改進(jìn)算法在收斂速率和求解精度上均是最優(yōu)的，這進(jìn)一步驗(yàn)證了算法的有效性。

GWO—Gray wolf optimizer;DE—Differential evolution algorithm圖8 3種優(yōu)化算法的迭代曲線Fig.8 Iterative curve diagrams of three optimization algorithms

5 結(jié) 論

基于機(jī)器學(xué)習(xí)算法XGBoost建立汽油辛烷值損失值與主要特征變量之間的映射函數(shù)，并提出一種改進(jìn)的差分灰狼算法建立關(guān)于汽油辛烷值損失值最小的單目標(biāo)優(yōu)化模型，最終得出的結(jié)論如下：

(1)分別采用Pearson系數(shù)、最大互信息系數(shù)和隨機(jī)森林特征選擇法計(jì)算來(lái)篩選主要特征變量，并利用權(quán)重法對(duì)各特征重要度進(jìn)行融合，有效避免了單一特征評(píng)價(jià)方法的局限性；

(2)采用XGBoost和多種流行的機(jī)器學(xué)習(xí)模型分別預(yù)測(cè)汽油辛烷值損失，其中XGBoost算法的RMSE值、MAE值和R2系數(shù)分別為1.3197、0.3581和0.9981，通過(guò)對(duì)比分析證明XGBoost算法的預(yù)測(cè)性能最佳；

(3)針對(duì)具有高維變量的優(yōu)化問(wèn)題，提出了一種改進(jìn)的差分灰狼優(yōu)化算法，利用該算法可以將數(shù)據(jù)樣本的辛烷值損失降低至0.4左右。分別與差分進(jìn)化算法和基本灰狼優(yōu)化算法進(jìn)行對(duì)比，發(fā)現(xiàn)改進(jìn)的算法在求解速率和精度上有了一定的提升。

建立的降低汽油辛烷值損失模型可以盡量減少汽油精制過(guò)程中的辛烷值損失，為化工企業(yè)和運(yùn)營(yíng)商提供決策分析。但是此研究沒(méi)有考慮到實(shí)際工業(yè)生產(chǎn)過(guò)程中汽油辛烷值損失預(yù)測(cè)的實(shí)時(shí)性，未來(lái)的研究可以圍繞在線極限學(xué)習(xí)機(jī)模型對(duì)汽油辛烷值進(jìn)行預(yù)測(cè)，以提高汽油的生產(chǎn)質(zhì)量與效率。