Алгоритм решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями

Автор: Антипина Евгения Викторовна, Мустафина Светлана Анатольевна, Антипин Андрей Федорович, Морозкин Николай Данилович

Журнал: Инженерные технологии и системы @vestnik-mrsu

Рубрика: Технологии, машины и оборудование

Статья в выпуске: 3, 2022 года.

Бесплатный доступ

Введение. Задача определения оптимальных режимных параметров при математическом моделировании химико-технологических процессов является важнейшей задачей. Численные методы и алгоритмы решения создают основу для разработки программных комплексов для расчета процессов и их цифровых двойников. Математическую модель химико-технологического процесса можно описать системой дифференциальных уравнений, выделив фазовые переменные, определяющие состояние процесса, и параметры управления, которые можно изменять и влиять тем самым на течение процесса. Целью работы является разработка численного алгоритма решения задачи оптимального управления химико-технологическим процессом при наличии терминальных ограничений и ограничений на параметр управления. Материалы и методы. Сформулирована задача оптимального управления в общем виде. Для ее решения применены метод штрафов и метод искусственных иммунных систем. Описан способ включения ограничений в функцию штрафа и выбора последовательности коэффициентов, с которыми берется штраф. Для преодоления локальных экстремумов использован случайный выбор начальных значений управляющих параметров. Результаты исследования. Приведен пошаговый численный алгоритм решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями. Проведен вычислительный эксперимент для модельного примера, в результате которого определена структура оптимального управления процессом и соответствующие оптимальные траектории фазовых переменных. Показано, что рассчитанное решение задачи оптимального управления согласуется с решением, полученным методом игольчатой линеаризации. Обсуждение и заключение. Разработанный алгоритм позволяет найти численное решение задачи оптимального управления химико-технологическим процессом с терминальными ограничениями. Решение не зависит от выбора начального приближения.

Еще

Задача оптимального управления, терминальные ограничения, метод штрафов, искусственные иммунные системы, химико-технологический процесс

Короткий адрес: https://sciup.org/147238934

IDR: 147238934   |   DOI: 10.15507/2658-4123.032.202203.410-422

Текст научной статьи Алгоритм решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями

Основная задача промышленного предприятия состоит в максимально эффективном использовании имеющихся ресурсов с минимальными издержками производства. Решить данную проблему можно путем применения цифровых двойников химико-технологических процессов. Это позволит смоделировать работу технологической установки или конкретный химико-технологический процесс.

Поэтому возникает необходимость в установлении тесной связи производства и научных организаций для создания новых цифровых технологий и решения ряда задач по оптимизации и модернизации, в частности определения оптимальных параметров проведения химико-технологических процессов в различных условиях.

Задачу определения оптимальных режимных параметров ведения химико-технологических процессов можно решить путем применения методов математического моделирования. Для ее формализации необходимо составить математическую модель процесса (например в виде системы дифференциальных уравнений), выделить управляющие параметры и область их изменения, а также обозначить критерий качества управления. В задачах оптимального управления ограничения могут быть наложены не только на управляющие параметры, но и на фазо- вые переменные. Если ограничения на фазовые переменные заданы в конечный момент времени функционирования системы, то такая задача является задачей с терминальными ограничениями [1]. Разработка численных методов решения задачи оптимального управления с терминальными ограничениями представляет научный и практический интерес, поскольку более сложные задачи с фазовыми и промежуточными ограничениями могут быть сведены к терминальным задачам путем применения математических редукций [2].

Цель работы - разработка численного алгоритма решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями.

Обзор литературы

Для решения задач оптимального управления с фазовыми ограничениями существует несколько подходов. Один из них предполагает вывод точных условий оптимальности и исследование свойств получаемых решений [3; 4]. Необходимые условия оптимальности решений задач оптимального управления с фазовыми ограничениями в форме принципа максимума Понтрягина получены как в работах российских авторов [5; 6], так и в зарубежных исследованиях [7; 8]. Однако при разработке численных алгоритмов решения задач оптимального управления данный подход трудно реализовать на практике.

Другой подход основан на применении метода штрафов для практической реализации алгоритмов решения задачи оптимального управления с ограничениями, наложенными на фазовые переменные. Основная идея метода штрафов заключается в замене задачи с фазовыми ограничениями на задачу без ограничений путем добавления «штрафа» к критерию оптимальности. При этом последовательность решений новой задачи оптимального управления дает решение исходной задачи.

Разработке методов решения задач оптимального управления с терминальными ограничениями на основе метода штрафа посвящен ряд работ [9–13]. Численная реализация данного метода представлена в работах, в которых последовательность оптимизационных задач без ограничений решается с помощью градиентного метода [14; 15]. Однако недостатком градиентных методов является чувствительность решения оптимизационной задачи к выбору начального приближения, что может привести к попаданию решения в локальный экстремум или в область, противоречащую физическому смыслу задачи.

Основные трудности, возникающие при программной реализации методов решения задач оптимального управления, связаны с нелинейностью описания процесса, высокой размерностью пространства поиска, наличием фазовых ограничений, а также чувствительностью найденного решения к начальной точке поиска [16; 17]. Преодолеть перечисленные трудности позволяет применение эволюционных методов оптимизации, к которым относится метод искусственных иммунных систем.

Метод искусственных иммунных систем основан на имитации функционирования иммунной системы живых организмов. Функционирование заключается в защите от неблагоприят- ных внешних воздействий (патогенов, антигенов) [18–20]. В этом процессе основную роль играют защитные клетки – антитела, вырабатываемые иммунными клетками и претерпевающие изменения в ходе борьбы с антигенами и патогенами. Наиболее приспособленные для защиты антитела подавляют чужеродные тела, и именно эти клетки запоминает иммунная система для их воспроизведения при повторной атаке организма схожим патогеном.

В настоящее время искусственные иммунные системы находят широкое применение при решении задач распознавания образов [21], прогнозирования [22], классификации [23], оптимизации [24] и оптимального управления [25].

По сравнению с классическими методами оптимизации метод искусственных иммунных систем обладает рядом преимуществ, к которым можно отнести независимость найденного решения оптимизационной задачи от начального приближения. Отсутствие чувствительности решения задачи к начальному приближению достигается за счет того, что в начале поиска задается набор векторов возможных решений, которые заполняются случайными допустимыми значениями и в ходе работы алгоритма путем применения операторов метода претерпевают изменения, приближаясь к решению оптимизационной задачи. По сравнению с другими эволюционными методами искусственные иммунные системы оперируют в своей работе лучшими решениями, найденными на предыдущей итерации поиска, что позволяет применять их при решении задач мультимодальной оптимизации [26].

В настоящей работе представлен пошаговый алгоритм для поиска численного решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями и его апробация на модельном примере.

Материалы и методы

Пусть динамика протекания химико-технологического процесса описы- вается системой обыкновенных ференциальных уравнений dX = f (x (t), u (t), t)

dt

диф-

с начальными условиями x (0) = X0,              (2)

где x ( t ) = ( x 1 ( t ), x 2 ( t ),..., x n ( t )) T - вектор фазовых переменных; u ( t ) e U -параметр управления; U - множество допустимых значений управления; t e [0, 1 1 ] - время, f ( x ( t ), u ( t ), t ) = ( f(t), u(t), t),f.(x(t), u(t), t), ...,f(x(t), u(t), t))T-вектор-функция, непрерывная вместе со своими частными производными [27].

Пусть множество U задается неравенством

U a U ( t ) U b ,             (3)

где u a , u b - верхняя и нижняя допустимые границы значений параметра управления.

Пусть на фазовые переменные в момент времени t 1 наложены ограничения:

r j ( x ( t 1 )) = 0, j = 1, m,       (4)

r j ( x ( 1 1 )) 0, j = m + 1, p, (5) где r j ( x ) - непрерывно дифференцируемые функции.

Введем функционал качества управления:

R ( u ) = r 0( x ( 1 1 )) ^ min.      (6)

Требуется для химико-технологического процесса, описываемого системой дифференциальных уравнений (1) с начальными условиями (2), найти та- кую управляющую функцию u* (t) e U, с учетом ограничений (4), (5), для которой критерий оптимальности (6) принимает минимальное значение.

Для решения задачи оптимального управления (1)–(6) применим метод штрафов и метод искусственных иммунных систем.

Для того чтобы применить метод штрафов, необходимо построить новый критерий оптимальности, содержащий штрафной функционал W ( u , S k ), значение которого равно нулю при выполнении ограничений (4), (5) и больше нуля в противном случае. Поэтому введем в рассмотрение критерий оптимальности

P(u ) = R(u ) + W(u , s k ) ^ min, (7)

где W ( u , sk ) - штрафной функционал, определяемый по формуле

W(u,sk) = sk (m                p                       ^

= vl E l r j (x(1 1 ) I2 + E (max(0, r , ( x(1 1 ))))2 I ,

2 ^ j = 1                   j = m + 1                          )

где k – номер итерации, sk – параметр штрафа.

На каждой итерации поиска решения необходимо найти решение задачи оптимального управления без ограничений. Найденный параметр управления u * ( t ) становится начальным для следующей итерации с увеличенным значением параметра штрафа.

Последовательность решений задачи оптимального управления (1)–(3), (7) дает решение исходной задачи (1)–(6).

Для решения задачи оптимального управления (1)-(3), (7) применим метод искусственных иммунных систем. Критерий оптимальности (7) соответствует понятию приспособленности иммунной клетки к борьбе с антигенами и патогенами и представляет собой фитнес-функцию. Пусть иммунной клеткой является вектор управляющих параметров и = (и 1, и2, .., U)), а набор из count_u таких векторов составляет популяцию

u‘ = (ui,u2,...,u‘i), i = 1,count_u. (8)

Наиболее приспособленной иммунной клетке и соответствует наименьшее значение фитнес-функции (7), так как решается задача на поиск минимума критерия оптимальности.

Результаты исследования

Сформулируем численный алгоритм решения задачи оптимального управления с терминальными ограничениями, основанный на комбинации метода штрафов и метода искусственных иммунных систем:

  • 1.    Задать параметры алгоритма искусственных иммунных систем: начальное значение параметра штрафа s 0, размер популяции count_u , количество иммунных клеток с наихудшим значением фитнес-функции maxf, количество клеток-родителей для селекции sel , количество клонов для оператора клонирования klon , параметр оператора мутации mut , параметры завершения поиска решения ε 1, ε 2.

  • 2.    Случайным образом заполнить начальную популяцию иммунных клеток (8) допустимыми значениями из области U .

  • 3.    Вычислить значение фитнес-функции (7) для ка ждой иммунной клетки и, , i = 1, count _ u .

  • 4.    Применить к текущей популяции оператор клонирования. Для этого выбрать наиболее приспособленные иммунные клетки (клетки-родители) и создать для каждой klon копий.

  • 5.    Применить к каждому вектору-клону оператор мутации. Для этого сгенерировать случайные числа q 1 е [0, U b - u i ], q 2 е [0, u i - U a ], q 3 e [0,1] для каждой клетки-родителя. Координаты клона вычислить по формуле [28]:

    u mi ut


    <


  • 6.    Вычислить значение фитнес-функции (7) для каждой клетки-мутанта.

  • 7.    Применить к каждому клону-мутанту оператор селекции. Для этого выбрать среди них наиболее приспособленные клетки и поместить в популяцию вместо клетки-родителя при условии, что она менее приспособлена по сравнению с клоном-мутантом.

  • 8.    Случайным образом сгенерировать maxf новых иммунныx клеток и вычислить для них значение фитнес-функции.

  • 9.    Выбрать из популяции maxf наименее приспособленные иммунные клетки и заменить их новыми клетками.

  • 10.    Проверить условие окончания поиска решения задачи оптимального управления без ограничений. Если изменение значения фитнес-функции не превышает заданной малой величины ε 1, то выбрать из последней популяции клетку и * с наименьшим значением фитнес-функции, иначе перейти к шагу 4.

  • 11.    Проверить условие окончания работы алгоритма. Если W ( и * , sk ) S 2, то увеличить штраф по правилу:

ui + q 1 • mut, q3 > 0,5, ui - q2 • mut, q3 < 0,5.

sk+1 = 10 • sk.

В качестве начальной популяции для следующей итерации алгоритма задать наиболее приспособленную иммунную клетку и *. Затем перейти к шагу 4.

Если W(u * , s k ) е 2, то остановить работу алгоритма. Решением задачи оптимального управления будет наиболее приспособленная иммунная клетка и * из последней популяции.

Найдем численное решение задачи оптимального управления с терминальными ограничениями с помощью описанного алгоритма.

Пусть химико-технологический процесс описывается системой обыкновенных дифференциальных уравнений

dx 1

„"dt " u’ dx 2 . dt " x ”

<

где x ( t ) = ( x 1 (t ), x 2( t )) - вектор фазовых переменных; u ( t ) - параметр управления; t e [0,1] - время функционирования системы.

Область допустимых значений параметра управления задается неравенством:

|u(t)| < 1.(10)

Пусть заданы начальные значения фазовых переменных:

x 1(0) = x 2(0) = 0.(11)

На значение фазовой переменной x1 в конечный момент времени наложено ограничение вида x ,(1) = 0.(12)

Пусть критерий оптимальности имеет вид

R(u) = jx2(t)dt ^ min. (13)

Необходимо для химико-технологического процесса, описываемого системой обыкновенных дифференциальных уравнений (9) с начальными условиями (10), найти такое управление u * ( t ), при котором выполнены ограничения (10), (12) и достигается минимум критерия оптимальности (13).

Критерий оптимальности со штрафным функционалом в нашем случае имеет вид

1 k

P ( u ) = j x 2( t ) dt + — ( x j(1))2 ^ min. (14) 0 2 2 1

Для решения поставленной задачи оптимального управления в среде визуального программирования Delphi реализовано программное средство, в основу которого положен разработанный комбинированный алгоритм.

Численное решение системы обыкновенных дифференциальных уравнений (9) с начальными условиями (11) найдено с помощью метода Рунге - Кутты четвертого порядка.

Разработанный алгоритм применен со следующими параметрами: s 0 = 0,01, count_u = 40, maxf = 10, se l = 15, klon = 10, mut = 0,5, s 1 = s 2 = 10-4.

Врезультате решениязадачи(9)–(13) с помощью разработанного алгоритма определено оптимальное управление u * ( t ) (рис. 1) и соответствующая ему оптимальная траектория процесса (рис. 2). При этом RmAи * ) = - 0,2497, а x 1 (1) = - 2,4 10 - 17 .

Для оценки решения задачи (9)-(13), найденного с помощью разработанного комбинированного алгоритма, сравним его с решением, полученным в работе В. А. Срочко с помощью метода игольчатой линеаризации (обозначим его u *L ( t ) ) 1 .

Согласно В. А. Срочко,

uIl (t) =

-1, t e

0,, 2

Относительная погрешность рассчитанного вектора оптимального управления u * составила § ( u * ) = 1,9 %, поэтому можно сделать вывод о корректной работе комбинированного

koj ,---------------------

0,8

0,6

0,4

0,2

* S o,O-

-0,2

-0,4

  • -0,6 -

    -0,8

  • -1,0 -----------------------------'

0,0       0,2       0,4       0,6       0,8       1,0

t

Р и с. 1. Оптимальное управление

F i g. 1. Optimal control

Р и с. 2. Оптимальная траектория процесса

F i g. 2. Optimal process trajectory

алгоритма решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями.

Обсуждение и заключение

Таким образом, разработанный алгоритм позволяет найти решение задачи оптимального управления химико-технологическим процессом при наличии ограничений на фазовые переменные и на параметр управления. Работа алгоритма основана на применении метода штрафов и метода искусственных иммунных систем. С помощью метода

штрафов исходная задача с терминальными ограничениями сводится к задаче оптимального управления без ограничений, решение которой ищется с помощью метода искусственных иммунных систем. Особенностью разработанного алгоритма решения задачи оптимального управления с терминальными ограничениями является независимость от начальной точки поиска решения.

С помощью алгоритма проведен вычислительный эксперимент для модельной задачи оптимального управления химико-технологическим процессом.

В результате расчетов определены параметры оптимального управления, обеспечивающего достижение минимального значения критерия оптимальности, и соответствующая оптимальная траектория процесса. Приведено

сравнение полученного численного решения модельной задачи с решением, рассчитанным с помощью метода игольчатой линеаризации. Показано, что относительная погрешность найденного решения не превышает 2 %.

418 Технологии, машины и оборудование

Поступила 06.06.2022; одобрена после рецензирования 05.07.2022; принята к публикации 20.07.2022

Об авторах:

Все авторы прочитали и одобрили окончательный вариант рукописи.

Submitted 06.06.2022; approved after reviewing 05.07.2022; accepted for publication 20.07.2022

All authors have read and approved the final manuscript.

Список литературы Алгоритм решения задачи оптимального управления химико-технологическим процессом с терминальными ограничениями

  • Численный алгоритм решения задачи оптимального управления с терминальными ограничениями для динамических систем / Е. В. Антипина [и др.] // Автометрия. 2020. Т. 56, № 6. С. 132-140. doi: https://doi.org/10.15372/AUT20200615
  • Горнов А. Ю. Алгоритмы решения задач оптимального управления с терминальными ограничениями // Вычислительные технологии. 2008. Т. 13, № 4. С. 44-50. URL: https://elibrary.ru/item. asp?id=11913113 (дата обращения: 10.05.2022).
  • Benita F., Mehlitz P. Optimal Control Problems with Terminal Complementarity Constraints // SIAM Journal on Optimization. 2018. Vol. 28, Issue 4. P. 3079-3104. doi: https://doi.org/10.1137/16M107637X
  • Iori T., Kawano Yu., Ohtsuka T. Algebraic Approach to Nonlinear Optimal Control Problems with Terminal Constraints: Sufficient Conditions for Existence of Algebraic Solutions // SICE Journal of Control, Measurement, and System Integration. 2018. Vol. 11, Issue 3. P. 198-206. doi: https://doi. org/10.9746/jcmsi.11.198
  • Карамзин Д. Ю. Принцип максимума Понтрягина для задачи оптимального управления с фазовыми ограничениями при ослабленных предположениях управляемости // Вопросы теории безопасности и устойчивости систем. 2018. № 20. С. 46-61. URL: https://elibrary.ru/item. asp?id=36422015 (дата обращения: 10.05.2022).
  • Арутюнов А. В., Жуков Д. А. Исследование одной линейной задачи оптимального управления с фазовыми ограничениями // Владикавказский математический журнал. 2010. Т. 12, № 1. С. 3-9. URL: http://mi.mathnet.ru/rus/vmj/v12/i1/p3 (дата обращения: 10.05.2022).
  • Longla M. Pontryagin's Principle of Maximum for Linear Optimal Control Problems with Phase Constraints in Infinite Dimensional Spaces // Discrete and Continuous Models and Applied Computational Science. 2008. Issue 4. P. 5-19. URL: https://journals.rudn.ru/miph/article/view/8586 (дата обращения: 10.05.2022).
  • Bergounioux M., Bourdin L. Pontryagin Maximum Principle for General Caputo Fractional Optimal Control Problems with Bolza Cost and Terminal Constraints // ESAIM: Control, Optimisation and Calculus of Variations. 2020. Vol. 26. P. 38. doi: https://doi.org/10.1051/cocv/2019021
  • Smith S., Mayne D. Q. Exact Penalty Algorithm for Optimal Control Problems with Control and Terminal Constraints // International Journal of Control. 1988. Vol. 48, Issue 1. P. 257-271. doi: https:// doi.org/10.1080/00207178808906173
  • Gugat M., Zuazua E. Exact Penalization of Terminal Constraints for Optimal Control Problems // Optimal Control Applications and Methods. 2016. Vol. 37, Issue 6. P. 1329-1354. doi: https://doi. org/10.1002/oca.2238
  • Gao X., Zhang X., Wang Y. A Simple Exact Penalty Function Method for Optimal Control Problem with Continuous Inequality Constraints [Электронный ресурс] // Abstract and Applied Analysis. 2014. Vol. 2014. doi: https://doi.org/10.1155/2014/752854
  • Malisani P., Chaplais F., Petit N. An Interior Penalty Method for Optimal Control Problems with State and Input Constraints of Nonlinear Systems // Optimal Control Applications and Methods. 2014. Vol. 37, Issue 1. P. 3-33. doi: https://doi.org/10.1002/oca.2134
  • Pan L. P., Teo K. L. Linear-Nonquadratic Optimal Control Problems with Terminal Inequality Constraints // Journal ofMathematical Analysis and Applications. 1997. Vol. 212, Issue 1. P. 176-189. doi: https://doi.org/10.1006/jmaa.1997.5489
  • Duan Y. Application of Penalty Function Method and the Conjugate Gradient Method in Economic Scheduling of Cascade Hydropower Stations // IFAC Proceedings Volumes. 1986. Vol. 19, Issue 10. P. 227-232. doi: https://doi.org/10.1016/S1474-6670(17)59671-8
  • An Exact Penalty Method for Free Terminal Time Optimal Control Problem with Continuous Inequality Constraints / C. Jiang [et. al.] // Journal of Optimization Theory and Applications. 2012. Vol. 154. P. 30-53. doi: https://doi.org/10.1007/s10957-012-0006-9
  • Biegler L. T. Integrated Optimization Strategies for Dynamic Process Operations // Theoretical Foundations of Chemical Engineering. 2017. Vol. 51, Issue 6. P. 910-927. doi: https://doi.org/10.1134/ S004057951706001X
  • Optimized Choice of Parameters in Interiorpoint Methods for Linear Programming / L.-R. Santos [et. al.] // Computational Optimization and Applications. 2019. Vol. 73. P. 535-574. doi: https://doi. org/10.1007/s10589-019-00079-9
  • Карпенко А. П., Щербакова Н. О., Буланов В. А. Гибридный алгоритм глобальной оптимизации на основе алгоритмов искусственной иммунной системы и роя частиц // Машиностроение и компьютерные технологии. 2014. № 3. С. 255-274. URL: https://clck.ru/uwmDo (дата обращения: 10.05.2022).
  • Wei Y. H., Wang J. Z. An Artificial Immune System Approach to Business Process Mining // AMR. 2012. Vol. 472-475. P. 35-38. doi: https://doi.org/10.4028/www.scientific.net/amr.472-475.35
  • Search for the Optimal Ratio of the Initial Substances of a Chemical Reaction Based on Evolutionary Calculations / S. Mustafina [et. al.] // ARPN Journal of Engineering and Applied Sciences. 2020. Vol. 15, Issue 1. P. 56-60. URL: http://www.arpnjournals.org/jeas/research_papers/rp_2020/jeas_0120_8067.pdf (дата обращения: 10.05.2022).
  • Михерский Р. М. Применение искусственной иммунной системы для распознавания зрительных образов // Компьютерная оптика. 2018. Т. 42, № 1. С. 113-117. doi: https://doi.org/10.18287/2412-6179-2018-42-1-113-117
  • Самигулина Г. А. Разработка интеллектуальных экспертных систем прогнозирования и управления на основе искусственных иммунных систем // Теоретическая информатика. 2009. Вып. 4. С. 15-22. URL: https://clck.ru/uvy6P (дата обращения: 10.05.2022).
  • Бардачев Ю. Н., Дидык А. А. Использование положений теории опасности в искусственных иммунных системах // Автоматика, автоматизация, электротехнические комплексы и системы. 2007. № 2. С. 107-111. URL: https://aaecs.org/bardachev-yun-didik-aa-ispolzovanie-polojenii-teorii-opasnosti-v-iskusstvennih-immunnih-sistemah.html (дата обращения: 10.05.2022).
  • Artificial Immune Systems Optimization Approach for Multiobjective Distribution System Reconfiguration / F. R. Alonso [et al.] // IEEE Transactions on Power Systems. 2015. Vol. 30, Issue 2. P. 840-847. doi: https://doi.org/10.1109/TPWRS.2014.2330628
  • Антипина Е. В., Мустафина С. А., Антипин А. Ф. Поиск оптимальных режимных параметров каталитического процесса на основе эволюционных вычислений // Теоретические основы химической технологии. 2022. Т. 56, № 2. С. 158-166. URL: https://sciencejournals.ru/view-article/?j= toht&y=2022&v=56&n=2&a=TOHT2202003Antipina (дата обращения: 10.05.2022).
  • Clonal Optimization-Based Negative Selection Algorithm with Applications in Motor Fault Detection / X. Z. Gao [et. al.] // Neural Computing and Applications. 2009. Vol. 18, Issue 7. P. 719-729. doi: https://doi.org/10.1007/s00521-009-0276-9
  • Antipina E. V., Mustafina S. A., Antipin A. F. Algorithm of Solving a Multiobjective Optimization Problem on the Basis of a Kinetic Chemical Reaction Model // Optoelectronics, Instrumentation and Data Processing. 2021. Vol. 57, Issue 6. P. 668-674. URL: https://jglobal.jst.go.jp/en/detail7JGLOBAL_ ID=202202234405460173 (дата обращения: 10.05.2022).
  • Антипина Е. В., Антипин А. Ф. Алгоритм расчета оптимальных начальных концентраций веществ химических реакций // Вестник Технологического университета. 2017. Т. 20, № 13. С. 84-87. URL: https://elibrary.ru/item.asp?id=29745220 (дата обращения: 10.05.2022).
Еще
Статья научная