基于改进差分进化算法的烧结矿配料优化

格式：pdf
大小：324.02 KB
文档页数：7

下载文档原格式

优化烧结配料生产实践及措施

莱钢科技
２０１６年ｌ２月
优化烧结配料生产实践及措施
秦书财（型钢炼铁厂）
摘要：针对烧结配料生产中存在的问题，分析了影响烧结配料稳定性的因素，并结合生产实
际，采取了一些有效的技术控制措施，稳定了配料工艺过程，进而稳定了烧结生产。
加之称料过程盘子在皮带上有一定的运行速度，产生相当大的冲量，所以抓取盘子相当闲难，大大增加了职工劳动强度。１．４存在诸全隐患；另外自动配料过程也存在一些问题，如宽带出现问题以及料种出现变化都不能及时发现，也不能作出及时处理与调整。
患。
综合以上因素，跑盘称料法配合电子称校称的方式在实际的烧结生产中不能很好的达到精确配料
的目的。
１）称料过程容易卡盘子，卡盘后需停机取出；２）称料频次影响。正常情况每两个小时就要进行一次全料种（混匀料、白云石、生石灰、焦分、返
２．１．１自动配料系统工作原理
４１
金工程专业。工程师，从事技术管理工作。
秦书财：优化烧结配料生产实践及措施
第６期（总第１８６期ｌ２．２采用双报警系统实时监测下料量
自动配料每种料的下料工艺过程为：料种通过宽带给料机从料仓中输出，再经过皮带电子称输送至输料大皮带，即采用宽带给料机＋电子皮带秤的给料方式。其工作原理为：当料仓料口大小一定时，

基于改进差分进化算法的微网容量优化配置方法[发明专利]

专利名称：基于改进差分进化算法的微网容量优化配置方法专利类型：发明专利
发明人：吴定会,张子恒,欧阳洪才,祝志超,张娟,马睿洁
申请号：CN202110008891.5
申请日：20210105
公开号：CN112836423A
公开日：
20210525
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于改进差分进化算法的微网容量优化配置方法。

以总成本最低为目标，建立基于改进差分进化算法的微网容量优化配置方法。

包括以下步骤：1.确定微网对象，对微网的进行数学建模。

2.根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略。

3.以成本最低为目标函数，构建系统的目标函数方程。

4.利用matlab软件对系统的数学模型进行编程与仿真，在算法部分，采用群智能算法对问题进行优化求解。

分别在种群初始化阶段，变异阶段对差分进化算法进行改进。

将改进后的差分进化算法应用于微网的容量优化配置中。

克服了传统优化算法求解精度不高，速度较慢的问题，改进了微网容量配置的科学性和经济性。

申请人：江南大学
地址：214122 江苏省无锡市滨湖区蠡湖大道1800号
国籍：CN
代理机构：无锡华源专利商标事务所(普通合伙)
代理人：聂启新
更多信息请下载全文后查看。

基于遗传算法的烧结配料优化方法

基于遗传算法的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）01-0118-021 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：minimizesubject to2.1 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）。

基于改进差分进化算法的层合板优化设计

DESIGN CALCULATION 设计计算
基于改进差分进化算法的层合板优化设计
韩启超赵启林南京工业大学南京 211816
摘要：针对复合材料具有可设计性以及经典差分进化算法自身的缺陷，提出一种改进的差分进化算法对复合材料层合板进行以铺层角为设计变量、蔡 - 吴（Tsai-Wu）强度准则为约束条件、层合板强度最大为目标函数的优化设计。考虑差分进化算法在寻优过程中个体间差异越来越小，采用随机选择突变策略和增加扰动机制的方法，增大个体间差异，避免算法陷入局部最优解。通过数值算例和工程算例验证了改进的差分进化算法具有较好的全局收敛性。
Keywords: composite laminate; improved differential evolution algorithm; optimization; global optimization
0 引言
复合材料为新型材料，其强度高，刚度大，质量轻且具有可设计性，在航空航天、机械、船舶、建筑等工程领域得到广泛应用 [1]。各向异性作为复合材料的突出特点，导致复合材料优化设计中设计变量种类很多。传统的优化设计方法大多基于数学梯度信息，要求设计变量是连续的；初始点的选择也对优化结果影响很大。故传统算法具有一定的局限性。
关键词：复合材料层合板；改进差分进化算法；优化；全局最优
中图分类号：TB332 文献标识码：A 文章编号：1001-0785（2020）01-0093-04 Abstract: Considering the designability of composite materials and the defects of classical differential evolution algorithm, this paper proposes an improved differential evolution algorithm to optimize the design of composite laminates with the ply angle as the design variable, Tsai-Wu strength criterion as the constraint condition, and the maximum strength of the laminate as the objective function. Considering that the difference between individuals is getting smaller and smaller in the optimization process of differential evolution algorithm, this paper adopts the method of randomly selecting mutation strategy and increasing disturbance mechanism in order to increase the difference between individuals and avoid the algorithm falling into local optimization. Verifications through numerical and engineering examples show that the improved differential evolution algorithm has a better global convergence.

一种烧结配料优化方法[发明专利]

专利名称：一种烧结配料优化方法
专利类型：发明专利
发明人：刘颂,赵志伟,甘丽,冯伟健,熊志坚,冯伟,赵亚迪,刘小杰,李欣,李福民,吕庆
申请号：CN202210007141.0
申请日：20220105
公开号：CN114358424A
公开日：
20220415
专利内容由知识产权出版社提供
摘要：本发明提供一种烧结配料优化方法，包括步骤：基于工厂历史生产中混合料性能、生产工艺参数、烧结矿成分与质量，采用机器学习算法构建混合料性能预报模型；以含铁原料配料成本最低为目标函数，结合工厂原料条件与库存情况，构建烧结原料的一配配比计算模型与二配配比计算模型；根据混合料性能预报模型预测得到的混合料性能，采用智能优化算法对一配配比计算模型与二配配比计算模型进行求解，获得满足要求的烧结实时原料配比。

本发明所述烧结配料优化方法具有实时性强、参数融合性高、能在线动态调整原料配比、成本低、烧结矿配料质量高等特点，可广泛应用于配料领域。

申请人：唐山学院,华北理工大学
地址：063000 河北省唐山市大学西道9号
国籍：CN
代理机构：焦作加贝专利代理事务所(普通合伙)
代理人：任昕
更多信息请下载全文后查看。

针对烧结自动配料系统完善优化的研究与应用

针对烧结自动配料系统完善优化的研究与应用作者：李亮贾海涛张坤来源：《中国新技术新产品》2012年第03期摘要：烧结生产实践证明，烧结配料质量是影响烧结矿质量的重要因素。

因此，精确配料是十分重要的。

本文针对实际需要，在配料系统的控制上进行完善优化，使其配料时更加精准。

关键词：烧结配料；PID调节；恒流控制中图分类号：TP29文献标识码：A1. 引言烧结的自动配料采用PLC控制技术，其核心控制是“配料秤-二次仪表-PLC-变频器”形成闭环控制，通过变频器调节宽带给料机、螺旋给料机来调节料流量，以达到设定的配比，完成配料功能。

变频器和PLC的通信方式以及配料秤自身的稳定程度是影响配料精度和稳定性的制约环节。

但在现场应用中发现配料秤由于现场环境和其他干扰因素的影响不可避免的会出现信号瞬间大幅度抖动而造成下料在短时间不稳的情况，针对这种情况必须在控制上进行完善优化，尽可能的滤除这种干扰信号，确保下料稳定，毕竟外部的影响很难根本解决。

2. 恒流控制模型要确保烧结配料成分的稳定，13个宽带和2个螺旋的流量控制是关键。

在流量的采集上配料系统使用了拉姆齐公司的XR-2105P型流量控制仪。

我们知道，当输送机输送物料时，测量皮带称上每单位长度的载荷值q（Kg/M）与皮带在同一时刻的运行速度V（M/S）相乘，所得结果即物料的瞬时流量 : q.v（ K g／S）．因物料输送的不均匀性和皮带速度随时间的变化，所以在T时间间隔的累积流量可以用以下积分式表示： W= q（t）V（t） dt 式中：W－T 时间间隔内所输送物料的累计量（kg或T）； T一物料通过称的时间（S或h）；q（t）一皮带单位长度上的物料重量（kg／M 或 T／M ）； V（t）一物料在皮带上的运行速度（M／S）。

从式中可以看出，只要保证q（t）．V（t）的乘积不变，就可以保证物料流量的恒定．即随皮带上物料重量的变化控制皮带运行速度做出相应的调整，就可以保证物料流量的恒定．在本系统中皮带秤的速度是恒定不可调的，所以要控制流量的恒定只能调节皮带上物料重量，而重量的改变又只能通过改变变频器的频率，以求改变宽带和螺旋下料的速度。

基于线性规划和遗传_粒子群算法的烧结配料多目标综合优化方法_李勇

其中: di 表示烧结配料第i种原料的烧损率, R表示烧结矿碱度, Rmin , Rmax 分别表示碱度上限与下限, 其他变量与前文所述一致. 烧结配料优化模型中约束条件为非线性约束条件, 故烧结配料优化模型为非线性优化模型. 但是, 通过适当的代数变换, 可以将非线性约束条件等价成为多个线性约束条件, 使非线性优化模型转变成为线性优化模型. 式(6)可以等价称为 n [Yi − Ymin (1 − di )]xi 0, i=1 (9) n [Yi − Ymax (1 − di )]xi 0,
(4)
公式(1)∼(4)中: Ci , xi (i = 1, 2, · · · , n)表示n种预配料原料中第i种原料的价格和配比; ximin 表示第i种原料的下限, ximax 表示第i种原料的上限; j = 1, · · · , 7时, aji 分别表示第i种原料的铁品位TFei , 氧化钙含量CaOi , 二氧化硅含量SiO2i , 氧化镁含量 MgOi , 氧化铝含量Al2 O3i , 硫含量Si , 磷含量Pi ; bj min 分别表示铁品位下限TFemin , 氧化钙含量下限CaOmin , 二氧化硅含量下限SiO2min , 氧化镁含量下限MgOmin , 氧化铝含量下限Al2 O3min , 硫含量下限Smin , 磷含量下限Pmin ; bj max 分别表示铁品位上限TFemax , 氧化钙含量上限CaOmax , 二氧化硅含量上限SiO2max , 氧化镁含量上限MgOmax , 氧化铝含量上限Al2 O3max , 硫含量上限Smax , 磷含量上限Pmax ; α为硫含量成本折算因子, 可以由本次配料的所有含硫原料的单价与硫含量比值的平均值确定, 可按式(5)计算: 1 L Cl α= , (5) L l=1 Sl 其中: L为二次配料中所有含硫原料的数量, Cl 为二

一种改进的差分进化算法及其在补料分批式生化反应器动态优化中的应用

ｐｏｂｅｓｎｈｓａｒｎＤＥＡ，ａｎｖｅｒｐｅｅａｉｎｆｈｅｏｎｒｌａｉｂｅｗａｐｒｐｅｆｒｒｌｍｉｔｉｐｐｅ．ＩＩｏｌｅｒｓｎｔｔｏｏｔｃｔｏｖｒａｌｓｓｏｏｓｄｏ
能进化算法的数值方法在动态优化中的应用越来越广泛，但是这些方法局部寻优能力不强，容易陷人局部最优，并且求解速度相对较慢。针对这些方法的不足，提出了一种改进的差分进化算法，设计了新的局部寻优算子来增强算法的局部寻优能力，并且采用一种新的控制策略表示方法来求解动态优化问题。通过求解补料分批式生化反应器的动态优化实例，证明了算法的有效性和鲁棒性。通过与其他几种方法进行对比，实验结果表明，所
ＳＵＮａＦｎ。ＤＵｎｉＷｅｌ，ＱＩｅｇＡＮＦｎ
（ｙＬｂｒｔｒｆＡｄａｃｄＣｏｔｏｎｔｍｉａｉｎｆｏｈｍｉａｏｅｓｓＫｅａｏａｏｙｏｖｎｅｎｒｌａｄＯｐｉｚｔｏｒＣｅｃｌＰｒｃｓｅ，ＭｉｉｔｙｏＥｄｃｔｏｎｓｒｆｕａｉｎ，ＥａｔｈｉａＵｎｖｒｉｙｏｃｅｃｎｃｎｌｇｓＣｎｉｅｓｔｆＳｉｎｅａｄＴｅｈｏｏｙ，Ｓａｇａ０２７ｈｎｈｎｈｉ２０３，Ｃｉａ）

北京科技大学科技成果——烧结矿优化配料技术

北京科技大学科技成果——烧结矿优化配料技术成果简介本技术应用于钢铁企业中有带式烧结机的烧结厂，使之配料成分稳定，配料成本最低。

烧结矿配料是冶金生产中最基本同时也是最重要的工序之一。

尤其对于铁前系统的生产，涉及到的原料种类多、成份复杂，而且原料成本占生产成本的很大一部分，因此研究各种原料之间的合理搭配，既要满足生产产品成份要求又要降低混合料成本，具有很重要的现实意义。

多年以来，冶金配料一直使用解方程或试算方法，只能满足几个重要成份的要求而无法考虑成本或更多的成份要求。

“最优化”指的是在有限的资源内确定最佳的决策方案。

对于冶金配料而言，是否“最佳”可以用配料成本是否最低来衡量，“有限的资源”包括有限的单种原料供应量、对混合料的各种化学成份限制等等。

它与传统配料方法的本质区别在于，它能够一步到位得到所有可行方案中最优的配料方案，即：在满足所有化学成份要求、各种原料允许用量要求的基础上，配料成本最低；而传统配料方法无论经过多少次计算得到的都是无数个可行的配料方案中的一种，只有通过多计算、多比较，才能找到相对较优的方案，而且由于计算量的限制，考虑的混合料成份数有限。

七十年代，国外有些钢铁生产配料已采用了最优化技术，例如美国学者先后将线性规划方法用于高炉配料问题的研究，又如电炉装料和补加合金的配料计算系统也采取线性规划模型，但有关详细技术资料没有见到报道。

在国内，本课题组首先将线性规划技术应用到冶金配料工作中，并做了系统的研究和应用。

目前在该技术的应用方面取得了突破性进展，不仅仅局限于进行配料计算，还能通过模拟各种条件下的生产过程，将生产和产品信息反馈到决策层，实现计算机辅助决策。

由人为经验转为科学决策，使生产管理制度更为科学合理。

技术特点1、技术投入很少，采用优化配料技术原则上无需改动流程、装备和基建，故技术投入资金很少；2、经济效益大，每吨烧结矿配料成本约可降低1元人民币，另外由于烧结矿成分稳定性有一定的提高，有利于高炉炼铁技术经济指标的改善；3、配料岗位实现计算机辅助操作；4、实施方便、见效快，根据现场装备和原料条件，约半年至一年即可实现正常运行，无需停产减产进行安装调试，当年可回收投入。

改进的差分演化算法及其在函数优化中的应用

改进的差分演化算法及其在函数优化中的应用鄢靖丰【摘要】差分演化算法是一种简单、高效的函数优化方法,但也存在算法结果不稳定,容易陷入局部最优解等情况,针对上面问题,提出了混合混沌和逆向学习算子来初始化种群,保持种群的多样性,加快算法的收敛速度;提出了随机排序的选择策略,提高种群演化后期的多样性,避免算法提前陷于局部最优,通过对国际上通用22个标准测试函数进行验证,本文提出的算法在最优解的质量与稳定性优于其它被比较的算法.【期刊名称】《许昌学院学报》【年(卷),期】2018(000)006【总页数】4页(P54-57)【关键词】差分演化算法;函数优化;混沌算法;局部最优解【作者】鄢靖丰【作者单位】许昌学院信息工程学院,河南许昌461000【正文语种】中文【中图分类】TP391在复杂的工程设计应用领域中经常会涉及到一些较为复杂函数优化问题, 这些函数的特点往往是非线性、不可导、不连续、多峰值、多极值、凹凸性不明确, 而且时常还带有各类的约束条件, 因此, 利用传统的数学方法(共轭梯度法、单纯性法等)很难得到理想的结果. 近年来, 许多学者把演化算法应用到复杂函数优化问题中, 取得较好的效果.差分演化算法就是其中的一种，差分演化算法(Differential Evolution, DE)[1]是由Storn 和Price科学家在1995年提出的一种高效简单的全局优化算法.本算法最大的优势在于差分变异算子具有较好的自搜索方向、自搜索步长等特点.目前，该算法已经较成功的应用在多个实际工程应用领域，如神经网络、模式识别、数据挖掘、滤波器设计、电路优化设计、函数优化等问题中.原始的差分演化算法里面主要涉及到三个基本参数：杂交概率CR；缩放因子F；种群规模NP；相关研究[2-4]表明，算法成功的关键就是参数的正确选择.传统的参数设置大部分是根据经验来进行设置，如果参数设置不合理，可能导致算法效率不高，算法容易陷于局部最优，JDE[5]、SADE[6]、CoDE[7]等是目前较好的自适应差分演化算法，每种算法也有其各自的优劣势.基于以上的问题，本文对基本差分演化算法进行了改进, 提出一种改进的差分演化算法(本文的算法简称IDE算法), 该算法的主要特征是: 提出了混合混沌和逆向学习算子来初始化种群，保持种群的多样性，加快算法的收敛速度，同时增强算法的全局搜索能力；提出了随机排序的选择策略，避免算法提前陷于局部最优，通过国际上标准的测试函数进行验证本算法的优越性.1 问题的描述本文研究以最小化函数优化为目标，如公式1所示，其中S⊆RD,RD称为搜索空间,D是变量维数,f(x)为目标函数，X是n维解向量X=[x1,x2,…,xn]T, 每个自变量xi满足一定的约束条件，如公式2所示.最终的目标为求解目标函数的最小值作为最优，记做min(f(x)).X=(x1,x2,…,xn)∈Rn，(1)Li≤xi≤Ui,i=1,2,…,n.(2)2 算法思路与框架流图差分演化算法求解函数优化问题需要通过对不同个体进行杂交，变异，选择，优胜劣汰等自适应操作，经过若干代演化，求出算法的相对的最优解.基本的差分演化化算法求解问题伪代码如表1所示[8]，其中从第5行到第13行是DE/rand/1/bin算法的变异策略；第9行是DE/rand/1算法的变异算子；第17行到第19行选择算子rndint(1,D)函数表示在[1,D]区间随机均匀生成整数变量，自变量维数为D；rndreal[0,1]函数代表在[0,1]之间随机均匀产生浮点数.算法停机条件设置为演化代数、适应值的评价次数的极限等，需要用户预先设置.表1 求解问题伪代码3 实现的关键技术设计3.1 混沌算子和逆向学习算子混合初始化种群基本的差分演化算法采用随机方法来生成初始化种群，由于随机函数的性质，导致种群的不确定性，最终带来结果的不稳定，为了尽量减小初始化种群对算法结果的最终影响，本文提出了混沌算法来初始化种群, 有效的改善了种群多样性与稳定性，加快了算法的收敛速度.生成初始化种群的方法如表2所示，部分参数如下：迭代次数N=500，m=3.88，X=(X1,X2,Xi,…,XSD) 为最终的种群.表2 初始化种群的方法3.2 改进的选择策略在演化算法中，群体的多样性对算法能否快速收敛到全局最优解极为重要，群体的多样性越大，算法陷入局部最优解的可能性越小，为了尽可能保持群体的多样性，本文算法克服传统的算法容易陷于局部最优解的思想，提出了采用了随机排序选择策略来保持种群的多样性，避免陷于局部最优解，根据适应度函数值进行排序时，通过一个随机排序控制参数μ来控制排序过程，从而可以对排序结果进行一定的扰动，算法随机排序过程描述为表3.表3 算法随机排列过程表通过实验发现μ值越大，其随机扰动就会越小，NP代表种群的规模，文中设置为100，种群所有个体执行每代算法后，按照小到大顺序排序，按照排序的结果，从中选择α个个体形成选择群体，本文的α=4.4 实验与结论4.1 实验环境及参数设置为了验证本文提出了IDE算法的性能，我们选择了国际通用标准22个测试函数[9]进行了测试，测试函数大概可以划分为三大类(1)单峰测试函数f1-f5;(2)多峰测试函数f06-f14;(3)混合单峰、多峰测试函数(f15-f22).这些测试函数绝大多数具有位移或旋转等特性，用普通的数学办法很难求得最优解.本文中所有参数如下:群体规模:M=100; 杂交概率: CR=0.85; DE策略:DE/rand/1/bin; 最大评价次数极限: NFFE=250 000; 父个体数目: P=6; 停机精度:ε=1e-30; 决策变量分块大小: 当自变量维数N>8时, F=2; 其他, F=N; 等式约束容差:η=0.000 01，每个函数独立运行50次，各类算法在相同条件下，运行的最优解如下表4所示.4.2 结果与分析本文提出的IDE算法以及被比较的其它三种算法，按照相同的测试函数重复进行50次独立实验，得出实验数据，从表4来看，对于绝大多数测试函数, IDE算法比其它SADE、JDE和CODE算法都获取了较理想的最优解，其它测试函数(如f12,f18,f19,f20)IDE与其它方法基本持平，表中加粗的部分表示四种方法的最好结果.因此本文提出用混沌算法与逆向学习算子相结合来初始化种群与随机排序的选择策略应用在函数优化问题中，在绝大多数测试函数本文的方法均优于被比较的其它算法.表4 五种不同算法最优结果数据比较表FJDESaDECODEIDE结果比较f011.86E-06-9.83E-074.69E-13-2.80E-132.86E+02-6.65E+014.60E-24-3.22E-23+f021.22E-05-2.22E-059.21E-07-1.26E-061.28E+00-8.42E-013.06E-28-1.94E-28+f031.91E+05-1.15E+053.95E+05-1.74E+051.59E+05-1.11E+057.37E+03-5.58E+03+f041.86E-01-2.33E-013.00E+00-9.75E+004.26E+01-2.24E+015.39E-13-3.04E-12+f051.06E+03-4.38E+022.24E+03-4.62E+021.71E+03-2.55E+029.10E-01-6.02E+00+f062.93E+01-2.79E+011.37E+00-6.12E+003.41E+01-1.19E+012.39E-01-9.56E-01+f071.17E-02-9.90E-031.75E-02-1.50E-028.38E-02-3.55E-021.03E-02-8.51E-03+f082.09E+01-1.71E+002.09E+01-6.20E-022.10E+01-4.65E-022.09E+01-4.92E-02+f091.64E+01-3.48E+004.77E+01-3.73E+001.19E+02-9.29E+004.08E+00-3.55E+00+f105.54E+01-9.44E+007.30E+01-9.64E+001.81E+02-1.17E+012.46E+01-3.58E+00+f112.85E+01-1.71E+002.84E+01-1.95E+003.43E+01-9.45E-012.56E+01-1.70E+00+f121.45E+04-7.82E+033.37E+03-5.22E+031.10E+05-3.02E+043.49E+03-3.06E+03=f131.67E+00-1.54E-012.49E+00-1.99E-018.96E+00-7.32E-011.42E+00-1.47E-01+f141.30E+01-2.20E-011.27E+01-2.47E-011.32E+01-1.71E-011.22E+01-3.17E-01+f153.54E+02-9.33E+013.50E+02-1.07E+024.00E+02-9.72E-053.38E+02-9.45E+01+f167.47E+01-1.12E+011.08E+02-5.56E+012.06E+02-1.07E+016.71E+01-8.33E+01+f171.33E+02-1.70E+011.55E+02-5.08E+012.45E+02-1.26E+011.16E+02-1.07E+02+f189.06E+02-1.74E+008.92E+02-4.37E+019.04E+02-3.09E+019.11E+02-2.56E+00=f199.07E+02-1.75E+008.81E+02-5.09E+019.04E+02-2.57E+019.09E+02-1.58E+01=f209.07E+02-1.79E+008.73E+02-5.33E+019.06E+02-2.57E+019.09E+02-1.59E+01=f215.00E+02-0.00E+005.22E+02-8.87E+015.00E+02-4.32E-075.00E+02-0.00E+00+f229.02E+02-9.14E+009.20E+02-1.15E+019.50E+02-6.21E+008.98E+02-1.26E+01+参考文献：【相关文献】[1] Storn R，Price K. Differential evolution-A simple and efficient heuristic for global optimization overcontinuous spaces[J]. J. of Global Optim, 1997, 11(4): 341-359.[2] Das S, Abraham A, Konar A. Automatic clustering using an improved differential evolution algorithm[J].IEEE Trans. on Syst. Man, Cybern. A, Syst., Humans, 2008, 38(1): 218-237.[3] Swagatam Das, Ponnuthurai N. Suganthan. Differential evolution: A survey of the state-of-the-art[J]. IEEE Trans. on Evol. Comput, 2011, 15(1): 4-31.[4] Brest J, Greiner S, Boˇskovi′c B, et al. Self-adapting control parameters in differentialevolution: A comparative study on numerical benchmark problems[J]. IEEE Trans. on Evol. Comput, 2006, 10(6): 646-657.[5] Mallipeddi R,Suganthan P N. Ensemble of constraint handling techniques[J]. IEEE Trans. on put, 2010, 14(4): 561-579.[6] Mallipeddi R, Mallipeddi S, Suganthan P N. Ensemble strategies with adaptive evolutionary programming[J]. Information Sciences, 2010, 180(9): 1 571-1 581.[7] Qin A K, Huang V L, Suganthan P N. Differential evolution algorithm with strategy adaptation forglobal numerical optimization[J]. IEEE Trans. on Evol. Comput, 2009, 13(2): 398-417.[8] Mallipeddi R, Suganthan P N, Pan Q K, et al. Tasgetiren. Differential evolution algorithm with ensemble of parameters and mutation strategies[J]. Applied Soft Computing, 2011, 11(2): 1 679-1 696.[9] Yong Wang, Zixing Cai, Qingfu Zhang. Differential evolution with composite trialvector generationstrategies and control parameters[J]. IEEE Trans. on Evol. Comput, 2011, 15(1): 55-66.。

关于烧结配料优化的认识

关于烧结配料优化的认识作者：詹卫华来源：《中国科技纵横》2014年第04期【摘要】概述了铁矿粉的烧结基础性能，指出以铁矿粉烧结性能为基础，建立综合全面的烧结配矿系统达到烧结优化配矿的目的。

应充分利用数据挖掘技术，对历史的配矿数据进行分析，最终建立相应的网络模型，对新配矿数据按照烧结矿技术指标进行预测，从而指导并调整配矿比例。

【关键词】铁矿粉烧结基础性能优化配矿数据挖掘技术目前我国高炉的炉料结构是以高碱度烧结矿为主，配以适量的酸性球团矿和少量块矿。

烧结矿的质量直接影响着高炉生产的顺行和生铁质量。

但是，随着烧结矿用量的增大，优质的铁矿粉资源越来越少。

尤其是近年来，各钢铁企业使用的低品位复杂铁矿粉和外矿粉量呈上升趋势。

复杂的铁矿资源给生产带来了一定的麻烦，矿粉怎么搭配最经济，效果最理想是亟待解决的问题。

在这种情况下烧结配矿研究显得尤为重要。

合理的配矿方案能有效降低成本，改善烧结矿质量，降低能源和资源消耗。

基于此，本文分析了铁精粉的烧结基础性能和烧结配矿的研究现状，提出了以铁精粉烧结基础性能为基础，建立烧结优化配矿专家系统。

1 铁矿粉烧结基础性能长期以来，人们多用铁矿粉的常温性能来考察铁矿粉对烧结矿性能的影响。

研究表明，烧结矿的性能不仅与矿粉的常温性能有关，还与矿粉的高温性能，即烧结基础性能有非常密切的关系。

铁矿粉的烧结基础性能是指铁矿石在烧结过程中呈现出的自身的物理性质，是评价铁矿粉对烧结矿各种冶金性能影响的基本指标，为改善烧结矿质量提供了依据。

它主要包括同化性、液相流动性、黏结相强度和铁酸钙生成能力。

1.1 铁矿粉的同化性铁矿粉的同化性是指铁矿石在烧结过程中液相的生成能力。

通过对铁矿粉同化性的研究分析可知，矿粉同化性受下列因素的影响：第一，铁矿石的常温物理特性，包括铁矿粉的孔隙率、结晶水含量、矿物形貌等。

这些物理性质都是影响矿粉与CaO反应的传质因素，孔隙率大，铁矿粉与CaO的反应界面大，反应就容易发生，而且矿石中的结晶水分解增加了气孔率，使反应更容易发生，孔隙率和结晶水含量与同化性正相关。

211172593_基于容差算法的烧结矿质量预测模型优化研究

管理及其他M anagement and other基于容差算法的烧结矿质量预测模型优化研究王彬1，汪世峰1，周子兴1，任鑫英2，3，4，5，6，李杰2，3，4，5，6摘要：在对烧结矿进行质量预测时，与真实值比较，预测值在一定的误差范围内即可认为预测命中。

现有的预测模型评价算法没有考虑到烧结矿质量预测的命中条件，因此，无法反映出烧结矿质量预测模型的真实性能。

针对此问题，提出了一种基于容差算法的烧结矿质量预测模型的评价算法，以反映出烧结矿质量预测模型的真实性能。

通过构建烧结矿质量预测模型，得到大量烧结矿质量指标的预测值，使用容差算法对烧结矿质量预测模型进行评价。

经过测试，容差算法可以对烧结矿质量预测模型进行客观评价，并展现出更为良好的性能。

与传统的预测模型评价方法做比较，容差算法可以更快地完成模型评价。

此外，容差算法应用到其他领域的预测模型也有良好的表现性能。

关键词：容差算法；模型评价；烧结矿质量预测钢铁工业是国民经济的基本保障，推动了国家经济的发展。

烧结过程是钢铁冶炼过程中极其重要的一个环节，烧结矿的质量直接影响高炉炉况和钢铁产品的好坏。

而烧结矿的质量检测技术存在滞后问题，实际生产过程中无法对烧结矿的质量进行精准预测和及时调整。

因此，建立烧结矿质量预测模型并对其进行合理评价，对钢铁冶炼工艺具有十分重要的意义。

为了解决烧结矿质量检测中存在的问题，众多学者建立了不同的烧结矿质量预测模型对烧结矿质量进行预测，并使用了不同的评价方法对预测模型进行评价。

刘加达等为了解决烧结配料工序完成后烧结矿质量难以及时准确判断的问题，建立了静态的BP神经网络和动态的Elman递归神经网络模型，应用于烧结矿质量预测中，并使用均方根误差对预测模型的效果进行评价，通过仿真试验得出建立的模型可以实现对烧结矿质量的准确预测。

张军红等利用遗传算法与神经网络相结合的方法，建立了烧结矿质量预测模型，并用平均绝对误差来评价模型的好坏，结果表明在一定范围内该模型对检验样本有较高的准确度。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于改进差分进化算法的烧结矿配料优化李凯斌, 卢建刚, 吴燕玲, 孙优贤浙江大学工业控制技术国家重点实验室，杭州(310027）E-mail ：kbli@摘要：本文针对差分进化算法(differential evolution algorithm)存在的早熟问题和停滞现象作了改进并把改进的算法应用于烧结矿配料优化，用matlab 编程，仿真结果表明符合实际生产工艺要求，证明了改进的差分进化算法对烧结矿配料优化的有效性，从而指出了改进的差分进化算法在配料优化中的应用价值。

关键词：差分进化，停滞，烧结矿，配料优化中图分类号：TF5411．前言钢铁企业中炼铁系统能耗占整个钢铁生产能耗的60% ～70% ，生产成本也占54% ～58%，所占比重都较大[1]。

而烧结又是生产高炉炼铁精料的关键工序，烧结生产中，可以将不同原料，熔剂进行精确配料，以调整烧结矿化学成分，满足高炉对炉料成分的要求。

烧结矿的优化配料是一项极其重要的工作，配料的目的在于：根据不同种类的铁矿石的化学成分，将原料矿进行合理的搭配，使混匀矿的化学成分符合烧结生产的要求。

烧结矿配料优化从上个世纪80年代就开始研究，最初运用的是线性规划方法，优化对象也仅限于烧结矿的化学成分[2]。

近几十年来，进化算法发展十分迅速，其应用也越来越广泛。

其中由Rainer Storn 和Kenneth Price 提出的差分进化算法[3] (differential evolution ，简称DE)作为一种较新的全局优化算法，以其收敛性好，模型简单，容易实现，控制参数比较少得到广泛应用。

在日本召开的第一届国际禁化优化计算竞赛(ICEO)中[6]，DE 表现突出，已经成为进化算法(EA)的一个重要分支。

近几年来，DE 在约束优化计算，模糊控制器优化设计，神经网络优化，滤波器设计等方面得到了广泛应用。

本文运用改进的差分进化算法对烧结矿配料进行优化。

2．差分进化算法DE 作为一种较新的全局搜索算法与遗传算法，进化规划，进化策略不同，它是由父代个体差分矢量构成变异算子，然后按一定交叉概率，父代个体与变异个体进行交叉，生成试验体，最后在父代与试验体之间根据适应度选择个体。

2.1 差分进化原理(1)选定种群规模N ，加权因子F ∈[0，2]最大进化代数MAX G ，杂交率CR ∈[0，1] (2)生成初始种群0W ：{w 0i (i=1,2,…N)}，令进化代数G=0 (3)对Gi w 执行(4)~(6)步，生成G+1代(4)变异：1G i w +ٛ=G i w +F(G j w -G kw )其中1≤j ，k ≤N ，且i ，j ，k 互异 (5)杂交：1G ij w +=1()()Gij G ij w random CR w random CR +⎧>⎪⎨≤⎪⎩ٛ 其中Gij w 为第G 代第i 个个体的第j 个基因，CR 为杂交率，random ∈[0，1](6)选择：1G iw+= 111(()())(()())G G G i i i G G Gi i i w A w A w w A w A w +++⎧≤⎪⎨>⎪⎩ ()G i A w 为第G 代第 i 个个体的适应值(7)G=G+1，若G 超过了MAX G 或者精度达到要求则停止，否则转到第(3)步。

2.2 差分进化算法的早熟问题DE 是根据父代个体间的差分矢量进行变异，交叉和选择，与遗传算法很类似所以也存在着易陷于局部最优过早收敛的现象[7，8]。

本文采用自适应变异算子，能根据算法的搜索进展情况，自适应地确定变异率，使算法在初期有较大的变异率保持个体的多样性，避免早熟；在后期随着进化代数的增加逐步降低变异率，保留优良信息，避免最优解遭到破坏，增加了搜索到全局最优解的概率。

算法设计如下：F=F0*(1)2MAXGG −其中F0是变异参数, MAX G 是最大进化代数，G 是当前进化代数。

自适应变异算子在算法开始变异率为F=2F0，具有较大的变异率，从而保持个体的多样性，随着算法进展变异率逐步降低，到了算法后期变异率接近1，从而避免最优解遭到破坏。

2.3 差分进化算法的停滞现象差分进化算法存在停滞现象[4]。

看一个简单的例子：有两个参数x1,x2的优化问题，种群大小为4，当前种群有4个个体A ，B ，C ，D 经过变异式(4)下一代最多可能得到24个试验解，其中只有6个可能代替A(同样代替B ，C ，D 的也是6个)，如果这6个试验解的适应值都低于A ，那根据选择式(6)，A 将会进入下一代，若同样的情形也发生在B ，C ，D ，那下一代种群不会有新个体产生，则算法陷于停滞。

这种停滞现象不会收敛但种群仍然是多样性的，因此不同于早熟现象。

DE 的停滞现象和产生的试验解个数n 有关，若n 越大产生停滞的危险就越小，对于常规差分进化算法来说：32323232(1)(32)(0)(32)2()D N N N CR n N N N D N CR N N N N otherwise ⎧−⋅+⋅=⎪=−⋅+⋅⋅⋅=⎨⎪−⋅+⋅⋅⋅⎩其中D 为变量个数，种群大小N ，交叉率CR 对n 都有影响，种群越大，n 个数越多，停滞越不会发生，CR 不宜取1，因为这样会大大减少n 个数。

此外变异率F 的取值对n 也有很大影响。

如果F=1那么F(B-C)+D=F(D-C)+B 因此也会减少n 的个数。

综上所述，差分进化算法的停滞现象与种群大小，F 和CR 的取值有关，小种群容易产生停滞，F ，CR 的取值不当也可能产生停滞。

本文针对差分进化算法的停滞现象提出算法终结的另一个条件：如果连续N 代产生新个体的数量比较少则算法结束，重新产生初始个体，并对N ，F ，CR 其中的作调整。

在计算过程中可以根据具体情况来设定N 的值，本文在实验中的N 值等于8。

产生初始个体的方法为：首先计算出当前种群个体的上下限h 和l ，在这个范围内随机生成新个体，这样可以有效的缩小搜索范围，个体数量大约占种群大小的80%，然后在当前停滞的种群中选择最优个体a ，重新在最优个体周围按正态分布生成新个体，如下式：i a =i a +N(0,σ) i ∈1,2,...M()2jh l Gσ−=× j ∈(0,1) 其中N(0，σ)为高斯分布，M 为基因个数，G 为当前停滞时的进化代数，j 是在0到1的数，本文中j=0.5。

按正态分布在最优个体周围产生的个体取20%，用两种方法产生的全部个体来代替当前种群。

这样产生个体在可行解内不但具有多样性而且还有一部分个体分布在当前的最优个体附近，利于算法收敛并可以有效解决停滞现象。

除了重新产生新个体外，还可以对F ，CR 作稍微的调整，要根据不同的具体情况而定。

本文采用这种改进的差分进化算法对烧结矿配料进行优化，取得了很好的效果。

3. 烧结矿配料优化3.1 数学模型对于烧结配料来说，目标函数就是所配加的所有原料的成本最低[9]。

即： F=1minni ii C X=∑ 其中i C 为各原料的单价(元/t), i X 为各原料的用量(万t)。

3.2 约束条件约束条件主要是烧结矿化学成分约束，如全铁(TFe )、二氧化硅(2SiO )、氧化(CaO )、三氧化二铝(23Al O )、氧化镁(MgO )、硫(S )、碱度控制(2/CaO SiO )、烧损等。

(1)满足各种化学成分的要求： min 1ni iMAX i X P XX =≤≤∑ i P 为各原料中不同化学成分的含量(2)烧结矿碱度约束： 2CaOb d SiO ≤≤ b 、d 分别为烧结矿碱度的波动范围 (3)满足各种原料用量非负约束和所有原料总量约束：i X 0≥， 1ni ii A XQ =≥∑，其中i A 是各种精铁矿及粉矿的使用量；Q 是烧结矿的总产量(万t)。

4．实例仿真已知各种精铁矿和粉矿的化学成分及价格(如表1所示) [5]，现根据条件求出在以下约束条件下的最优配料比。

烧结矿成分为：TFe =52％一53.5％；2/CaO SiO = 1．65 ±0．15；CaO = 12％一13％； 2SiO =7％一8％；23Al O = 1.5％一3％；S < 0.15％；MgO =3％一4％参与烧结矿配比的各种矿的要求是：澳大利亚粉150-200kg ／t ，朝鲜精矿90-200kg ／t ，海南粉矿≤160kg ／t ，轧钢皮≥20kg ／t ，弱磁精矿300-400kg ／t ，消石灰≤50kg ／t ，煤粉≤100kg ／t ，熔剂粉200-300kg ／t ，此次试验烧结总量Q =1000k 。

表1 各种精铁矿及粉矿的化学成分及价格Table 1 The chemical composition and price of all used mines化学成分/%品种TFeFeO2SiO 23Al O CaO MgOS烧损单价元/t 澳大利亚粉1()X 61.97 1.22 5.08 2.80 0.47 0.23 0.042 4.13 102 弱磁精矿 2()X 66.03 27.48 3.64 1.58 0.92 1.46 0.379 2.18 55.1 朝鲜精矿 3()X 60.48 24.48 13.65 1.541.12 0.38 0.045 1.11 85海南粉矿 4()X 53.60 2.13 15.61 2.35 1.17 0.44 0.258 2.11 81 轧钢皮 5()X 71.20 63.85 2.031.390.28 0.54 0.03 0.97 55熔剂粉 6()X 1.26 0.40 1.23 0.40 42.0810.38- 43.70 13.25消石灰 7()X 0.93 0.27 1.23 0.54 63.970.74 - 31.29 26煤灰粉8()X-- 8.20 4.49 0.95 0.23 0.59 -50由上述条件可得出如下数学模型：minF=0.1021X +0.05512X +0.0853X +0.0814X +0.0555X +0.013256X +0.0267X + 0.058X 各种化学成分约束为：0.52Q ≤0.61971X +0.66032X +0.60483X +0.5364X +0.7125X +0.01266X +0.00937X ≤ 0.535Q0.07Q ≤0.05081X +0.03642X +0.13653X +0.15614X +0.02035X +0.01236X +0.01237X +0.0828X ≤0.08Q0.015Q ≤0.0281X +0.01582X +0.01543X +0.02354X +0.01395X +0.0046X +0.00547X + 0.04498X ≤0.03Q0.12Q ≤0..0471X +0.00922X +0.01123X +0.01174X +0.00285X +0.42086X +0.63977X +0.00958X ≤0.13Q0.03Q ≤0.00231X +0.01462X +0.00383X +0.00444X +0.00545X +0.13086X +0.00747X +0.00238X ≤0.04Q0.000421X +0.003792X +0.000453X +0.002584X +0.00035X +0.00598X ≤0.0015Q -0.08421X -0.05452X -0.22773X -0.26154X -0.03275X +0.39936X -0.60427X - 0.1348X ≤0 -0.0741X -0.04722X -0.20043X -0.23034X -0.02875X +0.40176X +0.60827X -0.11768X ≥0 烧损约束：0.95871X +0.97822X +0.98893X +0.97894X +0.99035X +0.5636X +0.6877X +0.24368X ≥Q 各矿的用量约束： 1501X ≤≤200 3002X ≤≤400903X ≤≤2004X ≤160 5X ≥202006X ≤≤3007X ≤50 8X ≤100对上述问题，选择种群规模N=60，杂交参数CR=0.5，变异率F=0.8，进化代数MAX G =1000。