摘 要：

现有技术在对汽油进行催化裂化过程中，普遍降低了汽油辛烷值，故对汽油精制过程
进行有效建模， 具有重要的研究价值。 本文从理想到实际，逐步按需建立了降低汽油精制
过程中的辛烷值损失模型，对题目所给出的问题进行快速有效求解。

针对问题一， 对 285 号和 313 号数据样本的原始数据进行处理。首先，结合汽油精制
工业背景对原始数据和样本数据进行分析，提出四种适用于本文的数据预处理方法： 针对
采集时间异常的样本进行剔除处理； 针对超出取值范围的数据进行剔除； 针对异常非操作
变量数据采用依拉达准则进行剔除；针对缺失数据采用拉格朗日插值和均值插补进行填
充。最后，对预处理后的附件三中 285 号和 313 号原始数据样本进行计算，并将处理后的
结果分别加入到附件一中相应位置。

针对问题二， 筛选出辛烷值损失模型中的主要建模变量。首先，根据变量类型不同对
操作变量和非操作变量进行差异化筛选建模：对于操作变量，建立基于随机森林的特征重
要度筛选模型；对于非操作变量，建立基于相关性分析的非操作变量特征筛选模型。然后，
对模型进行求解，从所有变量中筛选出 26 个建模主要变量， 其中包括 16 个主要操作变量
和 10 个主要非操作变量。最后，采用信息熵理论对主要变量的代表性进行验证，采用相
关性分析法对主要变量的独立性进行验证。

针对问题三， 建立辛烷值（RON）损失预测模型。首先，分析得出辛烷值损失由“原
料辛烷值”与“产品辛烷值”经二次计算得到，直接建模预测辛烷值损失则效果不佳，考
虑进行预测目标转换， 先建立产品辛烷值的预测模型，再根据结果得到相应的辛烷值损失
值。其次，分别建立基于多元线性回归、 随机森林、 梯度提升回归的产品辛烷值预测模型，
并对三种模型的预测效果进行分析。最后，对模型进行敏感性分析， 探究代表变量与辛烷
值损失之间的内在联系。

针对问题四，对主要变量操作方案进行优化。首先，以最大化辛烷值损失降幅为目标
函数，以 16 个主要操作变量为决策变量， 以产品硫含量和决策变量取值范围为约束，建
立主要变量操作方案优化的线性规划模型。其次， 采用自适应和声搜索算法对模型进行求
解，并对算法关键内容进行针对性设计，求解得到辛烷值损失降幅大于 30%的样本占比为
71.7%，并对这部分样本的主要操作方案进行优化和分析。最后，进行算法对比分析， 证
明了自适应和声搜索算法的有效性和优越性。

针对问题五， 对模型进行可视化展示。考虑到问题特性和汽油精制过程的复杂性， 拟
从三个层面进行本文模型的可视化展示：一、产品性质层；二、操作方案层；三、内在关
联层。 并以 133 号样本为展示对象，显示出相应的可视化图像。

最后，对问题的模型与算法中的优点和不足进行了总结。

关键词： 数据挖掘；随机森林；相关分析； GBR 模型； 线性规划； 和声搜索算法；

链接：https://pan.baidu.com/s/1dnwr5h8-mqTfQGN5Hw_TuA
提取码：gqw4