基于群智能优化算法的烧结配矿研究.docVIP

基于群智能优化算法的烧结配料研究 0 引言 烧结是将粉状物或细粒矿进行高温加热，在不完全熔化的情况下烧结成块的过程。而烧结配矿就是将几种铁矿粉合理搭配并与熔剂、燃料等，根据烧结过程和烧结质量的要求进行配料和烧结。国内外在烧结配料领域的长期研究取得了丰硕的成果。国外钢铁企业具有稳定而充足的矿源，主要研究不同比例矿石烧结成矿后微观下烧结矿结构特点，进而找到矿石配比与烧结矿冶金性能的关系[1]，并未关注成本优化的问题,因此配比成份稳定、价格较高。国内钢铁企业的矿石来源多而不稳定，主要研究在保证烧结矿冶金性能的前提下，通过建立配料优化模型，求解优化配比实现降低成本的目的。在配料优化的研究中，专家经验[2]和线性规划[3]广泛应用于配料优化。随着对烧结过程研究的逐步深入，越来越多地把非线性因素考虑到配料优化模型中，基于群智能的遗传算法[4]、粒子群算法[5]、蚁群算法[6]等智能优化算法被应用于求解优化配比以降低配料成本。然而，专家经验带有很强的主观性，线性规划算法难以适应非线性优化问题的求解，单一算法又有一定的不足。为此本文提出粒子群蚁混合优化的方法，在满足烧结矿质量的前提下，可进一步降低配料成本。 1 粒子群算法原理 粒子群优化算法(PSO)是基于群体的演化算法，源于鸟群捕食行为的研究，最先由Eber-hart博士和Kennedy博士提出。在鸟群觅食过程中，每个个体可以被看成一个粒子，则鸟群可以被看成一个粒子群。假设在一个D维的目标搜索空间，有m个粒子组成一个群体，其中第i个粒子（i=1,2，…，m）位置表示为,即第i个粒子在D为搜索空间中的位置Xi。换言之，每个粒子的位置就是一个潜在解，将Xi代入目标函数就可以计算出其适应值，根据适应值的大小衡量其优劣。粒子个体经历过的最好位置记为,整个群体所有粒子经历过的最好位置记为。粒子i的速度记为。 粒子群算法采用下列公式对粒子所在位置不断更新： ⑴ ⑵ 其中，i=1,2,…,m; d=1, 2,…,D; w是非负数，称为惯性权重。加速常数c1，c2是非负常数，通常定义c1=c2=2。r1,r2是在［0，1］区间内均匀分布的随机数。 研究发现在算法的迭代过程中动态的调整惯性权重，可以改变搜索能力的强弱。例如在文献[8]中提出了线性递减权重策略，惯性权重W随迭代次数可从0.9到0.4线性减少。由于线性减小使其保持较大值和较小值的时间都很短，不能满足开始搜索速度快些、搜索后期速度慢些的要求。为此本文采用一种由柯西分布函数演化而来的调整函数，基于此调整函数，开始搜索时能较长时间保持较大值以提高搜索效率，在搜索后期又能较长时间保持较小值以提高搜索精度。惯性权重w的改进公式为： （3） 其中，Tmax表示算法的最大迭代数；K∈(0,1)，K的大小决定拐点的位置，调整K的值得到不同下降趋势的曲线；t表示当前的迭代数，u为幅度调节参数。 2蚁群算法原理 蚁群算法是由意大利学者Dorigo等人首次提出的，他们称之为蚁群系统，并用该方法求解TSP问题，取得了较好的试验效果。其迭代过程由移动规则和信息素强度更新规则组成。以TSP问题为例说明基本蚁群算法的框架。设有m个城市，n只蚂蚁，采用dij(i ,j =1,2,…,m)表示城市i和城市j之间的距离，τij(t)表示在时刻t城市i和城市j之间的路径上的残留信息素强度，以此来模拟实际蚂蚁的分泌物。蚂蚁k在行进过程中，根据各条路径上的信息素强度来决定下一步所行进的路径，采用pi jk (t)表示在时刻t蚂蚁k由城市i转移到城市j的概率，则有： （4） 其中Tablek表示蚂蚁k下一步允许行进的城市集合，它随蚂蚁k的行进过程而动态改变。信息素强度τij (t)随时间的推移会逐步消逝，用ρ表示它的消逝程度。ηij (t)为启发函数，其表达式如下：ηij (t)=1/dij。为避免残留信息素过多引起残留信息淹没启发信息，在每只蚂蚁走完一步或者完成对所有n个城市的遍历后，对残留信息素按（5）和（6）式进行更新处理： （5） （6） ρ为信息素挥发系数， ，Δτijk表示蚂蚁k在本次循环中在城市i和城市j之间的路径上留下的信息素，一般为： （7） 其中：Q为常数，Lk为蚂蚁k在本次循环中所行走路径的总长度。 3 粒子群算法与蚁群算法融合策略 粒子群算法与蚁群算法融合的设计思想是采用粒子群算法的快速性、全局收敛性作为前期搜索,将粒子群算法搜索到的各粒子的历史最优值作为后期蚁群算法的初始信息素分布,弥补蚁群算法初始信息素匮乏的缺陷，再利用蚁群算法的正反馈机制以及求解效率高等特征，达到优势互补。融合算法的总体