“华为杯”研究生数学建模竞赛2020年-【华为杯】B题：基于数据挖掘技术的汽油辛烷值优化研究（附获奖论文和python代码实现）

目录

摘 要：

一、问题重述

1.1 研究背景

1.2 问题的提出

二、问题分析

2.1 问题一的分析

2.2 问题二的分析

2.3 问题三的分析

2.4 问题四的分析

2.5 问题五的分析

三、模型假设

四、名词解释与符号说明

4.1 补充名词解释

4.2 符号说明

五、模型的建立与求解

5.1 对问题一的分析与求解

5.1.1 对附件 3 的 285 和 313 号样本进行整定

5.1.2 问题一的求解结果及分析

5.2 对问题二的分析与求解

5.2.1 附件 1 全部 325 个样本的数据整定

5.2.2 附件 1 的数据整定结果及分析

5.2.3 主要影响变量的筛选流程

5.2.4 相关系数矩阵法

5.2.5 距离相关系数矩阵法

5.2.6 递归特征消除法（RFE）

5.2.7 主成分分析（PCA）

5.2.8 四种方法的结果及分析

5.2.9 建立四种方法的综合筛选模型

5.2.10 求解综合筛选模型得到高相关性变量

5.2.11 改善综合筛选模型提高代表性

5.2.12 利用改善后的综合筛选模型进行独立性筛选

5.2.13 形成最终的主要影响变量

5.3 对问题三的分析与求解

5.3.1 数据挖掘技术与 LSTM

5.3.2 长短期记忆网络（LSTM）的建模

5.3.3 基于 LSTM 网络的辛烷值损失预测模型

5.3.4 辛烷值及辛烷值损失预测评价指标

5.3.5 GA-LSTM 算法改进参数优化

5.3.6 辛烷值预测结果及分析

5.3.7 其他预测方法简介

5.3.8 与其他预测方法的对比

5.4 对问题四的分析与求解

5.4.1 辛烷值优化流程

5.4.2 产品硫含量与脱硫率建模

5.4.3 脱硫率预测结果及分析

5.4.4 辛烷值优化问题的建模

5.4.5 GA 算法的初始种群设计

5.4.6 GA 算法的求解过程

5.4.7 产品辛烷值优化结果及分析

5.4.8 优化的操作条件举例分析

5.4.9 GA 与 PSO 优化结果对比

5.5 对问题五的分析与求解

5.5.1 133 号样本主要操作变量的变化次数

5.5.2 辛烷值和硫含量随调整步长的变化

5.5.3 t 分布随机邻域嵌入降维和 PCA 降维的差异

六、模型的评价和推广

6.1 模型的评价

6.1.1 模型的优点

七、参考文献

代码实现 

问题一的程序 

问题二的程序

1. 计算各个评价指标

 2. 根据综合评价体系筛选特征

 3. 并查集对高度相关变量进行划分

问题三的程序

1. 预测主程序

 2. LSTM 模型程序

问题四的程序

1. 智能搜索算法

 2. 遗传算法中二进制编码的染色体与汽油生产的操作变量值的转换

 3. 遗传算法主循环

 问题五的程序

---

摘 要：

辛烷值（ RON ）是反映汽油燃烧性能的最重要指标。然而，现有技术在对催化裂化汽

油进行脱硫和降烯烃过程中，普遍降低了汽油辛烷值，造成了经济损失和环境压力。随着

信息技术的发展，数据挖掘技术已逐步应用于化工过程，亟需探索数据挖掘技术下的辛烷

值模型和优化方法。围绕如何建立辛烷值模型和优化方法这一问题，本文串联起每一子问