资源介绍
)
在当今全球追求碳中和与可持续发展的背景下，如何从系统工程的角度优化工业流程、降低能耗、减少排放，已经成为工程界和学术界共同关注的核心议题。由Can Li主编的《可持续过程系统优化：多尺度模型与不确定性》一书，正是面向这一重大挑战，系统梳理了当前过程系统工程领域最前沿的优化方法与理论框架。这本书虽然由威立出版社于2026年出版，却以其扎实的学术内容和实用的工程导向，为从事过程工业优化、化学工程、系统工程等相关领域的研究者和工程师们提供了一本兼具理论深度与实践价值的参考读物。
全书共包含五个核心章节，每一章都围绕一个特定的技术主题展开深入讨论。第一章由Rishabh Gupta等学者撰写，专注于双层优化及其在可持续系统工程中的应用。双层优化是一种具有层级结构的数学规划问题，其中一个优化问题的解受到另一个优化问题的约束，这种特性使其特别适合描述涉及上下层决策者互动的复杂系统工程问题。章节从双层优化的基本理论出发，依次介绍了KKT重构、混合整数规划重构、切割平面法、值函数重构等求解技术，并探讨了在机器学习超参数调优和数据驱动的逆优化中的应用前景。对于希望理解多层级决策优化问题的读者而言，这一章提供了从理论到算法的完整知识链条。
第二章承接双层优化的讨论，转向鲁棒优化这一处理不确定性的重要范式。当实际工业过程中存在原料成分波动、设备性能衰减、市场需求变化等不确定性因素时，传统的确定性优化方法往往难以给出可靠的决策建议。鲁棒优化通过将不确定性纳入模型构建，在最坏情况下保证解的可行性，从而为工程决策提供更强的鲁棒性保证。本章详细阐述了鲁棒优化的数学原理、典型重构技巧，以及可调鲁棒优化的扩展框架，并通过具体案例展示了这些方法在可持续系统设计中的实际应用效果。
第三章由Ilias Mitrai和Prodromos Daoutidis合作完成，聚焦于如何利用网络分解技术处理可持续工程问题的多尺度结构特征。现代过程工业系统往往呈现出明显的层次性和网络化特征，从单个反应器单元到整个供应链网络，不同尺度之间既相互独立又彼此耦合。作者创新性地将优化问题映射为图结构，通过随机块模型学习问题的隐含结构，进而采用基于变量图的Benders分解和基于约束图的拉格朗日分解实现问题的高效求解。绿色氨供应链网络转型作为典型案例，充分说明了这种结构化方法在实际工业优化中的可行性和优越性。
第四章探讨了面向网络化黑箱系统的多目标贝叶斯优化方法，作者包括Akshay Kudta、Wei-Ting Tang和Joel A. Paulson。在许多真实的工程优化场景中，目标函数的评估代价高昂甚至完全缺乏解析表达式，只能通过耗时的仿真或实验进行黑箱查询。多目标贝叶斯优化通过构建统计代理模型和智能采样策略，在有限的函数评估次数内尽可能逼近Pareto最优解集。本章特别关注了与网络化系统相关的函数网络结构如何被融入优化框架，以及如何在生物乙醇过程设计等实际案例中实现更绿、更智能的系统优化。局部敏感性分析部分则为读者提供了评估优化结果可靠性的实用工具。
第五章由Asha Ramanujam和Can Li共同撰写，作为全书的收官之作，提供了多时间尺度优化模型与算法的系统教程。工业过程中的决策往往涉及从分钟级的实时控制到年度级的产能规划等多个时间尺度，如何在不同时间分辨率之间建立一致的优化框架是一个极具挑战性的问题。本章不仅详细介绍了全空间方法、Benders分解、拉格朗日分解、Dantzig-Wolfe分解等主流算法，还引入了近年来兴起的数据驱动方法如PAMSO，并通过一个综合示例完整展示了各种方法的求解过程和性能对比。这种理论与实践紧密结合的讲解方式，使得抽象的优化算法变得具体可感。
从整体上看，这本书的最大特色在于其系统性和前沿性的有机统一。主编Can Li作为过程系统工程领域的知名学者，成功地将多尺度建模与不确定性处理这两大核心主题贯穿全书，形成了清晰的知识主线。同时，各章节的作者均为活跃在研究一线的专家学者，他们带来的不仅是成熟的理论成果，还包括最新的研究进展和开放性问题。书中大量采用案例研究来验证方法的有效性，这种做法有助于读者将抽象的数学工具与具体的工程问题建立联系。无论你是相关领域的研究生正在寻找研究切入点，还是工业界的工程师希望了解最新的优化技术，这本书都值得一读再读。