基于遗传算法的动力配煤模型-中国科技论文在线.PDFVIP

___________________________________________________________________ 　第 28 卷第 5 期 煤 　　炭 　　学 　　报 Vol. 28 　No. 5 　 　2003 年 10 月 J OURNAL OF CHINA COAL SOCIET Y Oct. 　 2003 　 ( ) 　　文章编号 :0253 - 9993 2003 05 - 0547 - 05 基于遗传算法的动力配煤模型 周俊虎 , 平传娟 , 刘建忠 , 周志军 , 程 　军 , 岑可法 (浙江大学 能源洁净利用与环境工程教育部重点实验室 , 浙江 杭州　310027) 摘 　要 : 遗传算法作为一种函数优化方法 , 不依赖于求解问题的本身 , 利用简单的编码技术和繁 殖机制 , 快速有效地搜索复杂、高度非线性和多维空间 , 寻求最优解. 动力配煤是一个多元优化 问题, 混煤与各组成单煤间的非线性关系增加了约束条件向确定性方程转化的难度. 将遗传算法 用于动力配煤方案优化 , 利用其全局性、并行性、快速性的特点 , 有效地解决了配煤中的非线性 多约束问题 , 取得了理想的效果. 关键词 : 遗传算法 ; 动力配煤 ; 浮点编码 ; 罚函数 ; 算术交叉 中图分类号: TQ 520 62 ; O 2212 　　　文献标识码 : A 　　动力配煤是适应我国国情的洁净煤技术 , 它将不同种类的原煤配制成符合用户需求的混煤 , 以达到安 全、经济、环保的目的. 如何确定单煤的配比是一个关键问题. 传统的加权平均、线性公式方法只是一种 近似 , 实际上混煤与各组成单煤间是一种非线性映射关系[1 ] . 人工神经网络[2 ,3 ]在动力配煤中的应用已取 得了良好的效果 , 但神经网络的设计是一项极其复杂的工作. 通过试验设计网络不仅费时 , 而且很难保证 能找到合适的、满足实际需要的神经网络. 　　遗传算法 ( Genetic Algorithm , GA) 是一族通过模拟自然进化过程搜索最优解的方法. 它把搜索空间 映射为遗传空间 , 把每一个可能的解进行编码 , 并按预定的目标函数评价 , 根据适应度信息进行选择、交 叉、变异等遗传操作 , 生成新的更为优良的群体. 遗传算法与传统优化方法相比其优越性体现在[4 ] : ( 1) 群体搜索策略 , 在搜索过程中不易陷入局部最优. (2) 在高维可行解空间随机产生多个起始点并同时开始 搜索 , 加快了求解速度. 这使得 GA 成为一种全局性、并行性、快速性的优化方法 , 具有很强的鲁棒性 , 可以广泛应用于工程技术中. 笔者研究了 GA 实现中的一些问题 , 如编码方式、适应度函数以及控制参数 和终止判据的确定. 并对电厂配煤进行了仿真试验 , 取得了较为理想的结果. 1 　模型的建立 11 　编码问题 　　遗传算法的一个显著特点是它必须把特定问题的解用适当的编码表示 , 然后在编码空间进行各种遗传 操作. 编码的恰当与否对问题求解的质量和速度有直接的影响. 编码的一条基本原理[5 ] 是 : 所选编码方 式应具有最小的字符集 , 自然的表达欲求解的问题. 常用的编码方式有二进制、格雷码、浮点编码、符号 编码等. 对于配煤问题 , 笔者采用浮点编码 , 代表煤种的编号和比例 , 在概念上更接近问题空间. 编码共 8 位 , 前 4 位代表进行掺混的 4 种单