TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 13, No. 1, Janua ry 201 5, pp. 174 ~  179   DOI: 10.115 9 1 /telkomni ka. v 13i1.682 5          174     Re cei v ed O c t ober 1 1 , 201 4; Revi se d Novem b e r  17, 2014; Accept ed De cem b e r  11, 2014   Nonlinear Equations Solving Base on Immune Genetic  Algorithm       Peng  Qiong    Schoo l of Information Sci enc e and En gi neer ing, Hu na n Internatio nal Ec on omics Univ ersit y   Cha ngsh a , Chi na, postco de: 410 20 5   email: matl ab_ b y s j @1 26.com       A b st r a ct   A stea m c onv ersio n  of  hydr ocarb o n  mass  ba l anc of th e n onl in ear  eq uatio ns  of the  i m mu n e   gen etic al gorit h m   meth od is r e search ed i n  thi s  pap er.  T he n onli n e a r eq uati onsis tra n sfor me d int o  no nli n ear   opti m i z at ion pr obl e m s; T t he transfor m ati on  process a n d  im pl em en ta ti on a r e  d i scu ssed , th i s  m e tho d  i s   used  to quick l y   and easi l y obtai the effective  sol u tion  of the pro ducti on tech nol ogy.  T he pro ducti o n   process us ed to solve pr actic a l pro b le ms, o p timi z e  pr oduct i on a nd i n creas e econ o m ic effi ciency.     Ke y w ords i m mu ne g e n e tic alg o rith m, non li near so lver, hy drocar bon ste a m  refor m i ng, materia l  bal anc e      Copy right  ©  2015 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   A colle ction  of peopl e called the hyd r o c arbon  hy dro c arbon s, a c cordin g to its  pha se in   turn  divided  i n to ga se ou hydro c a r bo ns, liquid  and   solid hyd r o c a r bon s di amete r . Hyd r o c a r bo ns  with water va por u nde r certain co ndition s, the c hemi c al rea c tion to  prod uce with  CO, CO2, CH4,  H2 a nd oth e r  compo nent s of the  con v ersio n  of  ga s, peo ple u s ed to ref e r t o  the reactio n  of  hydro c a r bo steam  refo rm ing re actio n . Into gas i s  th e ba sic  ra material s, am monia, synth e tic  hydroxyl, hydroge n is  wid e ly available  and so on,  so steam  refo rming of hyd r oca r bo ns i n  the  fertilizer industry, petrochemical indu st ry occupies a specifi c  position.  For the  stea m reforming  of gaseou s h y drocarbon are n a tural  g a s, oil ga s, re finery ga s,  co ke oven g a s , etc.; liquid  hydro c a r bo ns are na pht ha,  light distillate raffinate oil ,  to expand the  sou r ces of ra w materi als, rece nt resea r ch has b egu n conve r si on of  heavy oil steam.  Therm odyna mics of hyd r o c arbon  ste a m  reform ing  an d materi als, e nergy  cal c ula t ion for  two pu rpo s e s : First, hyd r ocarbon  ste a m refo rmin g rea c tion in vestigated th e extent of the   cha nge s wit h  the proce ss  co ndition s for the  proce s s condit i ons  sele cte d  to provid e  the   thermo dynam ic ba sis. Se cond, do the  material of the syste m , heat cal c ulatio ns, cal c ul ate d   con s um ption indicators;  provide  the ba sis for progra m  rating s.  With the h y drocarbon  steam  reforming  re acti on ch aracte ristics a n d  transfe cha r a c teri stics of the pro c e ss d eepe n s  the unde rstanding, lea r n from relate d disci pline s  to   develop  mat hematical m odelin g tra n sformation   proce s s; an be te sted in  pra c tice, de rived   stru ctural pa rameters an d operating pa rameters su ch  as catalyst activity, water ca rbo n  rati o ,  workin g lo ad,  exce ss  air  ratio of th e reacto st ate,  ope rating  fl exibilit y, energy co nsumpti on,  temperature distrib u tion, con c e n tration   distri b u tion  trend. By hydro c a r bo n st eam refo rmi ng  pro c e ss,  wit h  low en erg y  con s um ption i s  r unnin g  a lo ng  cy cle  of high   co st si gnifica nt  advantag es,  as chemi c al s, fe rtilizers, in dustri a l ba ckbone.       2. Material Balance Equa tions of  Nonl inear Binary   Hydro c a r b on  steam  refo rm ing re actio n  o f  t he system,  peopl e are int e re sted in  the  three  rea c tion s, na mely ca rbo n  monoxide  shift re a c tion,  methan e conversion  re action, m e th ane  decompo sitio n  rea c tion.   Whe n  condu cting mate ria l  balan ce, gi ven two eq u ilibrium tem p eratu r e inte rval, an   increa se of t w o rest rictio n  equation s , t he eq uival ent  of two key compon ents  of a given that  th e   following holds Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Nonli nea r Equation s  Solvi ng Base o n  Imm une Gene tic Algorithm  (Peng  Qiong 175   ) 2 )( 1 ( n 10 ) 2 m - 4 - 4b (3a 0.974P   K 2 T -10 3 2 Pms b a R b a      ( 1 )           ( 2 )   E D m b a R n T 2 4 ) ( 2 1   n T --to bal an ce the system' s  total numbe r of moles, m o l.   P--total pressure, Pa; bala n ce of the sy stem con s tan t M--hyd ro ca rb on in th e  hydro c a r bo n feed stock of hydro g en to  carb on ratio,  dimen s ionl ess.  R--ra w hydro c arbon  mol a r ratio  of  ca rb on in   the  wa ter, dime nsi o nless; g a consta nt,  8.3143K J (kmol.K)   D--hydrocarb on ra w materi als in nitro g e n  and carb on  ratio of hydro c arbon   E--in the hyd r oca r bo n feed stock hy d r ocarbo n ca rb on  ratio of argo K Pms --ca r bo n monoxide  shi ft reaction eq uilibriu m  con s tant  K Pmgs -- the co nversi on of m e thane e quili brium  con s ta nts    General form ula for the equilib rium constant expressi on:    J 3 * 2 * * ln * * lnKp 3 4 2 3 2 1 0 R T a R T a R T a R T a T R a        ( 3 )   T - temperatu r e, K;  J - re act i o n  is  split  busi n e s s;   ln - natural lo garithm.     Polynomial coefficient s in  enthalpy an stand ar d free  enthalpy of the kn own co ndition s,  obtaine d:    29.878849 - T 10 4.289387 T 10 5.138576 T 10 5.3148 - T 8.771694ln 47T -22632.811 lnK 3 12 - 2 7 - 3 - -1 Pms   4.991881 - T 10 5.99947 T 10 4.886386 - T 10 1.807258 T 0.158666ln - 6T 5041.39944 lnK 3 11 - 2 7 - 3 - -1 Pwgs     The va riou s t y pe (1 ), (2),  only a, b  are  two  un kno w ns, in  the p a s t an d mo re  with the  style differen c e, gen eratio n method, to sen d  on be ha lf of the method is very cu mbersom e . With  the proliferation of comput ers, some wit h  quas i - Ne wton method, b u t also troubl e; Here we u s e   geneti c  algo ri thm, to solve quickly and a c cura tely an d  to avoid local  minimum poi nts.  We a r e in the  hydrog en m a terial b a lan c e, pro c e ss  op timization, en ergy saving d e vice s,  the no nlinea r bina ry en co unter  equ atio ns  (1 ), (2 ) of  the solutio n In  the obtai ned a,  b value,  rec e iv e:    T n b a ) 1 ( 100 mol%)   ( CH 4   T n b a R O ) 2 ( 100 mol%)   ( H 2   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 1, Janua ry 2015 :  174 –  179   176 T n m b a ) 2 2 4 3 ( 100 mol%)   ( H 2   T n a 100 mol%)   CO(   T n D 100 mol%)   ( N 2       3. Immune Genetic  Algori t hm   Immune ge n e tic algo rithm  (IGA) is b a sed  on bi ologi cal immu ne  mech ani sm i n  re cent  years, a n  i m prove d  ge netic alg o rith m is pr opo sed, is a n e w  computati onal intellig e n ce  approa ch, which i s  the p r inci ple of life scien c e a n d  tradition al geneti c  immu ne grate met hod   combi nation.  Biological di versity of the immun e  system ha s a n tibodie s , self-reg u lation,  and   other characteristics of t he imm une   memory  fun c tion [3], im mune  ge neti c  al go rithm  is  in tr o d u c e d  ba s e d  on  ge ne tic  a l g o r i th ms  th e ba s i chara c te risti c s of bi ologi cal   immune  sy stem.  No w re sea r ch and appli c ation sho w  that the  immune gen etic  algorith m  both the sea r ch ing   spe ed, glob al  sea r ch ability and local  search  capa bil i ties, optimal  desi gn is b e coming on e of the   hot area s of rese arch [4].  Immune  gen etic al gorithm  to solve the  probl em to  b e  corre s pon di ng to the  anti gen, the   solutio n  of the pro b lem co rre sp ondi ng to antibodi es antigen s an d antibodi es by  affinity feasible  solutio n  an optimal  soluti on de scrib ed  in the ap proximation [5-6]. Firstly, to re ceive an a n tig en  (co r respon din g  to a spe c i f ic pro b lem ) , then  ran d o m ly generate d  a set of i n itial antibodi es  (co r respon din g  to the initial can d idate  solutio n ); the n  cal c ulate t he fitness of each a n tibo d y   (affinity), crossover an d m u tation of  anti body; ag ain Con c e n tratio ns of  po pulati on-b a sed up date  strategy g e n e rate s the n e xt  generatio n of antibod y group, u n t il a terminati ng condition,  the  algorith m  end s.          Figure 1. Immune ge netic al gorithm flo w  ch art shown      The ba sic  ste p s are as foll ows:  1) Algo rithm i n itialization.  Antigen inp u t and p a ramet e setting: en ter the target  function   and  con s trai nts, as th e a n tigen in put; set po pulatio n si ze Po psi z e, sele ct the pro bability  Ps,   cro s sove r pro bability Pc, mutation metho d  and othe r p a ram e ters.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Nonli nea r Equation s  Solvi ng Base o n  Imm une Gene tic Algorithm  (Peng  Qiong 177 2) The initial  antibody. In the first iteration,  the antib ody use d  in the sol u tion space is  usu a lly the method of ran d o m gene ratio n 3) T h e  affinity and  co nce n tration  calculatio n s . Cal c ulate  the fit ness  of antib ody an antigen a nd a n tibody co ncentration s we re cal c ul ated.   4) Te rmin ation of conditi onal. Determ ine w hethe the termin ating condition  is the   highe st fitne ss  will be  wi th the antige n  ant ibody i mmune m e m o ry datab ase  join, and th en   terminate; oth e rwi s contin ue.  5) T h e  sele ction,  crosso ver a nd m u tation.  Acco rding to  the   choi ce  of  se tting the  prob ability of Ps, the crossover  pro bability  Pc and  mutatio n   method s sele cted anti body  sele ction, cro s sover an d m u tation.  6) Acco rding  to the above update the g r oup after the  operation go t o  step 3 )     4. Design Pr oblem Solv ing  4.1. Design  of Affinit y  F unction   At a tempera t ure T  = 7 0 5   Ԩ , the cl aim  to: ca rbon   monoxide  shift reactio n  eq uilibriu m   con s tant K Pms  =14.50 39.   At a tempe r ature  = 7 40  Ԩ , th cl aim to: the  conve r si on  o f  methane  e quilibri um  con s t ant sK Pwgs  =1.3211.         In the example, ente r : P=9.84e5  m = 3 . 6683 D=0.0 1133 R 3.8 618 Into th above  (1), (2) have  a, b of the binary nonlin ear  equatio ns:     (4)            0 14.5039 - ) 2 8618 . 3 )( 1 ( ) 7073 . 4 2 2 ( 0.1659) - 4b + 94.3081(3a ) , ( 2 3 1 b a b a b a b a g   (5)    0 1.3211 - ) 2 8618 . 3 ( 0.1659) - 4b + b(3a ) , ( 2 b a a b a g     Set affinity  func tion:     2 2 2 1 )) , ( ( )) , ( ( 1 1 ) , ( b a g b a g b a f         ( 6 )   1 ) , ( 0 b a f     Affinity function imag es  shown in Fig u r e 2,  the o r ig inal eq uation s  an d into Qi uqin a nd  the maximum  value of the solutio n  functi on.          Figure 2. The  fitness fun c tion     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 1, Janua ry 2015 :  174 –  179   178 4.2. Upda te  on the Conc entra t ion of  Population   To en sure the diversity of  antibodie s  to im prove th e global  sea r ch capa bility, using a  Euclide a n  distance  ba se on a n tibody   and  antibo d y to  cal c ulate  the similarity  of fitness a nd  con c e n tration  method s. An tibody x i  and  x j  in mind the  Euclid ean  di stan ce  D(x i x j ) re spe c tiv e l y the fitness f(x i ) and  f(x j ), given  the ap prop riate   co n s tant  δ > 0,   ε > 0,   su ch  as  t o  s a t i sf y  t h following formula:    D(x i x j ) ≤δ   | f(x i )- f(x j )|  ≤ε     x j  , x j  antibody and antib ody called  si milar to  antib odie s  and an tibody similar to th e   numbe r of  x i  as  x i   the co n c entration   of antibody,  d e noted by C i antibodi es were  sele cted  as  likely x i  ,p(x i ), namely:    ) ( ) ( ] ) ( ) ( 1 [ ) ( x M x f x M x f C x p i i i i     Whe r e,  α β  for the  (0,1 ) b e twee n the a d justa b le p a rameters, M  (x) for all  antibodie s  of   the large s t fitness value, C i  is the con c e n tration of ant ibody x i It can  be  se e n  from  the  a bove e quatio n: Wh en  th e antibody co n c entration  i s  high,  the  antibody i s   selecte d  to  ad apt to hi gh  probability to   small; wh en th e antib ody  co nce n tration  is not   high, the anti body is selected to adapt to high pr o b ability for large. This not  only retain s the   excelle nt indi viduals, but a l so redu ce th e choi ce  of si milar antib odi es, to ensure  the diversity of  the individual.      4.3. Genetic  Opera t ion   Immune ge n e tic algo rith m can mai n tain the diversity of antibodie s  and e v entually  conve r ge to the optimal solutio n  to a major ope ration, that is, a choice i n  the algorit hm,  cro s sove r a n d  mutatio n  o perato r   exist s so th at th e fitness of t he  whol e a n tibody p opul ation  along the di re ction of better search.   1)   Sele ct the operator. Sel e ction o perator with the fol l owin g:    i C n i i i i s e N x x x P 1 ) 1 ( ) ( ) ( ) ( 1     Whe r e: ) ( i x  is the type of fitness fun c ti on for the  vector di stan ce; C i  is the  con c e n tration  of antibody x i α  and  β  is the co nsta nt adjustme n t factor, N is the total numbe r of  antibodi es  within the pop ul ation.  2)   Two cros s-c u tting method.  Let ] ,..., , [ 1 2 1 1 1 1 n l x x x X ] ,..., , [ 2 2 2 1 2 2 n l x x x X is l o n  beh alf o f  the two   antibodi es, in  the first point and d, i-p o int arit hmeti c  impleme n tation of two cro s s-cutting  to   prod uce the n e xt generatio n of antibodie s  are:      ] ,..., , ,..., ,..., [ 1 1 1 ' ' 1 1 1 1 n j j i l x x x x x X   ] ,..., , ,..., ,..., [ 2 1 2 " " 1 2 2 1 n j j i l x x x x x X     Whe r e x’ an d x” k (i k j )  G enerated by a  linear combi nation of the followin g :     x’ k  = ζ x 1 k +(1 - ζ )x 2 k   x” k  = ζ x 2 k +( 1- ζ )x 1   Whe r e ζ [0 1] the scal e factor.   3) Ga ussian  mutation met hod. Gau s sia n  mutati on, the first de cod i ng of the antibody to  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Nonli nea r Equation s  Solvi ng Base o n  Imm une Gene tic Algorithm  (Peng  Qiong 179 the co rrespo nding n e two r k struct u r e, i n  acco rda n ce with the f o llowin g  formula to cha nge  own e rship of  the netwo rk v a lue:     ) 1 , 0 ( ) ( i x f i i m e x x     Whe r e, x m i  i s  the va riatio n of th e a n tibody, x i  is a  variatio n of  the antib ody  befo r e;  ) 1 , 0 ( is mean 0,  varian ce 1 n o rmal rand o m  variable;  γ (-1 1), the mutation rate of th e   individual; f(x i ) Is  the fitnes s of antibody x i , that is t he fitne s s val ue of th e o b jective fun c tio n Instru ction s  o n  the type of variation an d adaptat io n  antibody is inversely pro portion al to the   degree th at t he lo we r fitne s s (th e   small e r th e fitne s s value  of the   obje c tive fun c tion),  the  hig her  the mutation rate of the individual, and vice versa. Vari ation, the re-f ormatio n  of a new a n tibody Take  the i n itial po pulation   size  = 20  a nd  oth e r para m eters,  the  cl aim  to:  a = 0.2052, b  = 0.359 1, the fitness f (a, b)  = 0.9 9 98, the total School to t hen come to  the numbe r of  coeffici ents n T  = 5.835 9, and thus  Con s i dere d   as  cont ent of each  compon ent in Table 1.       Table 1. The  conte n t of each compo nen Components   CH4   H2O H2  CO CO2   N2  mol%  7.4661  50.3506   32.3195  3.5157   6.1536  0.1941         5. Conclusio n   This p ape r prese n ts a  stea m conve r si on  of  hydrocarb on ma ss b a la nce of the n o n linea equatio ns of t he imm une  g enetic alg o rit h m meth od, and achieved   goo d results.   Immune   ge n e tic   algorith m  i s   a refe re nce  adaptive im mune  syst e m  re co gni ze  and  elimin a t e foreig n b ody  penetrated th e body of the  function of a n tigen,  the immune  syste m , learnin g , memory, an d  the   diversity of the introdu ction  of genetic algorithm s. Gai  algorithm ha s the geneti c  algorith m  based   on the introd uction  Gau ssian mutation  and u pdat strategy ba se d on antib od y con c entration  adju s tment m e ch ani sm, ca n effectively maintain the  diversity of a n tibodie s , wh ich exi s t in the   geneti c  algo rithm to avoid the prem ature conv e r gen ce probl em [3]. In  solving p r a c tical  probl em s, the obje c tive fu nction  and  constraint s a s  the antig en i nput, then  ge nerate  the ini t ial  antibody gro up, and thro ugh a se rie s  of genetic  manipul ation and the cal c ulation of antibody  affinity, antibody diversity in maintai n in g the  ci rcum stance s , to id e n tify the antig en for A n tibo dy,  that is, the  solution  of th e proble m . Immune  ge ne tic alg o rithm  The  ba sic feature s  i n cl u de:  improve d  a b il ity of global   sea r ch  algo rithm, to avoi falling into  th e lo cal  optim al solution;  with   best individ u a l  memory; wit h  fast global  conve r ge nce.       Referen ces   [1]  Z un-Ho ng Yu. ed h y dr ocarb o n  steam reforming e ngi ne eri ng. H y droc arb on Pr ocess i ng  Press. 1989 ;   78-1 10.   [2]  W ang  Xiao pi n g , so  on. Ge n e tic a l gor ithms  - the o r y ,  a ppl i c ation  an d s o ftw a r e  imp l eme n tation  of [M].  Xi' a n: Xi' an Jia o tong U n iv ersity Press. 20 02.   [3]  Xi e Kem i ng,  Guo Ho ng bo  Xi e Gan g . Artificial  immu ne  alg o rithm a n d  its ap plic ati on.  Co mpute r   Engi neer in g an d Appl icatio ns . 200 5; 29(1 8 ): 77-80.   [4] W o ldem ariam   KM Vacci ne-E nha nce d  Artific i al Immu ne  S ystem for Multi m oda l F uncti o n  Optimiz a tion.   IEEE transactions on systems, m an, an d cybernetics. Part B, Cybernetics .  2010; 4 0 (1).   [5] Jieqi on Z hen g Yu nfan g C hen W e i Z h a ng. A Surve y  of artifici al immune a ppl ic ations.Artifici a l   Intelli genc e Re vie w . 20 10; 34( 1).  [6] Castro  LND T i mmis J Arti ficial immune  s y stems A ne w  comp utatio n a i n tell ig ence  appr oach. UK;   Sprin ger-Ver la g. 2002.       Evaluation Warning : The document was created with Spire.PDF for Python.