基于遗传算法烧结配料优化方法.docVIP

基于遗传算法烧结配料优化方法 　　摘要：配料是烧结的基础，烧结配料效果的好坏直接影响到企业的生产效益。传统的烧结配料试算模型存在配料成分不稳定，配料成本高等诸多弊端，本文介绍了利用遗传算法进行烧结优化配料的方法，将优化方案应用到实际生产中取得明显的经济效益。 关键词：烧结 优化配料 遗传算法 中图分类号：TF04 文献标识码：A 文章编号：1007-9416（2013）01-0118-02 1 前言 配料是烧结的基础，烧结配料效果的好坏直接影响到烧结矿的化学成分及稳定性，并影响到原料的使用成本。传统的试算模型存在配料成分不稳定，配料成本高，配料能力不足，资源利用不合理等诸多弊端。而传统的求解最优化方法又大多要求搜索空间具有连续可导性，且通常只能给出局部最优解，不易获得全面最优解。 近几年来发展起来的遗传算法则较好地解决了这些问题，遗传算法（Genetic Algorithms，GA）是基于自然选择和基因遗传学原理的有导向随机搜索算法，其求解问题不依赖于系统模型的表达方式，而是对参数集进行了编码的个体进行操作，搜索过程从一个潜在解的群体开始，以模型对应的适应度函数作为寻优判据，根据自然选择和适者生存的竞争策略求解问题。 因此将遗传算法应用到冶金配料当中，必定会在生产中取得显著的经济效益。 2 烧结配料模型的构建 烧结厂通常使用多种含铁原料（精粉、澳矿、富粉、返矿、印巴粉）、溶剂（生石灰）配成烧结混合料。其配比是否合理，不仅影响烧结矿的产量、质量，而且极大地影响烧结矿的成本（占整个烧结矿成本的70%～85%），因此烧结配料要满足低成本（经济性）、优良的烧结性能（工艺性）及最终烧结矿优良的冶金性能（质量性）等指标。但由于工艺性和质量性的精确量化较为困难，因此将成本作为目标。把工艺性和质量性要求作为约束条件处理。同时由于这些约束条件都是线性，所以烧结配料最优化问题可以视为线性约束最优化问题来处理。 线性约束最优化问题的一般形式可以描述为： Minimize Subject to 2.1 原料条件 各种原料的成分见（表1），各种原料的价格见（表2），对烧结矿化学成分的规定要求见（表3）。 2.2 建立配料计算数学模型 以配1000kg矿粉为例，设需要精矿粉量为kg ，澳矿粉量为kg，印度粗粉量为kg，富粉量为kg，返矿量为kg，生石灰量为kg。 目标函数为最低成本 Minimize= （1）配1000kg矿粉约束条件： （2）烧结矿的品位必须大于某一数值，否则冶炼价值低，厂内规定大于57%。即： （3）氧化钙含量大于3.30%，即： （4）氧化镁的含量大于3.50%，即： （5）二氧化硅含量小于10.00%，即： 将上面约束条件整理简化得烧结配料数学模型 目标函数： Minimize= 约束条件： 3 遗传算法的设计和实现 3.1 确定编码方案 在求解连续参数优化问题时，基于实数编码的遗传算法不存在编码和解码过程，能够大大提高解的精度和运算速度。故在遗传算法中采用实数编码[1][2][3]。 3.2 确定适应度函数 遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据[4]，利用种群中每个个体的适应度值来进行搜索。从上节表2烧结所用材料价格表可以得出目标函数的最大值不会超过300。目标函数为最小问题，则适应度函数： 3.3 选择方法设计 选择的方法有多种，这里选用轮盘赌选择法。 3.4 交叉设计 在实数编码策略的遗传算法中，算法的效率及全局优化性能与交叉操作和变异操作密切相关。实数编码的整体算术交叉算法如下： 设和是两个父解向量，而和是通过交叉获得的两个后代。整体算术交叉为：首先在[0，1]区间内生成随机数，则两个后代分别为 式中。另外可以取。 从上式可以看出算术交叉产生的后代，其分量依然在其定义的区间内。 3.5 变异设计 变异操作是对群体中个体串的某些基因值作变动，变异的目的是使遗传算法具有局部随机搜索能力，自适应变异是在非一致性变异操作的基础上发展起来的。其操作过程如下： 设是解空间的一个父解向量， 若分量被选进行变异，其定义区间为[，]，则变异后的解向量为，其中 式中，是（0，1）上的随机数，是决定变异程度的一个参数，其取值一般为2～5。 4 优化计算 4.1 参数确定 遗传算法中需预先选择的运行参数主要有：种群数、迭代次数、交叉率、变异率等。这些参数对遗传算法的运行性能及效率影响较大，参数的适当取值很关键。 种群数（popsize）：种群规模