差分進化算法改進研究及其在鋁熱連軋負荷分配中的應(yīng)用.pdf

1、差分進化算法是一種基于個體差異的并行隨機搜索進化算法，具有結(jié)構(gòu)簡單、控制參數(shù)少、全局搜索能力強等優(yōu)點，已被應(yīng)用于諸多領(lǐng)域。但是差分進化算法仍存在諸如容易陷入局部最優(yōu)、進化停滯、不能求解多目標優(yōu)化問題等缺點，限制了其性能的發(fā)揮，阻礙了其應(yīng)用的推廣。因此，對差分進化算法的改進研究具有重要的理論研究意義與實際應(yīng)用價值。
　　本文在對差分進化算法進行深入研究的基礎(chǔ)上，針對其存在的缺點提出了三種改進算法，并將其應(yīng)用于河南某鋁廠“1+4”鋁熱

2、連軋線的軋制力預(yù)報和負荷分配優(yōu)化中。本文的主要研究內(nèi)容如下：
　　(1)針對標準差分進化算法變異策略和控制參數(shù)固定的問題，提出了一種基于指數(shù)平滑法和混沌映射的自適應(yīng)差分進化算法(ECADE)。ECADE算法根據(jù)策略候選池中每個變異策略在當前產(chǎn)生更好個體的成功率，使用指數(shù)平滑法預(yù)測下一代的成功概率，并使用輪盤賭選擇法為下一代個體選擇變異策略。此外，ECADE算法使用能平衡算法開發(fā)和探索能力的函數(shù)和Logistic映射生成控制參數(shù)值，

3、從而實現(xiàn)控制參數(shù)自適應(yīng)。經(jīng)標準測試函數(shù)驗證，ECADE算法具有收斂速度快、收斂精度高、探索和開發(fā)能力均衡等優(yōu)點。
　　(2)針對如何提高初始種群多樣性的問題，提出了一種基于對稱拉丁超立方體設(shè)計的自適應(yīng)差分進化算法(SLADE)。SLADE算法采用對稱拉丁超立方體設(shè)計(SLHD)技術(shù)初始化種群，并根據(jù)一個較大概率從先前產(chǎn)生更好個體的策略列表或策略候選池中為個體隨機選擇變異策略。此外，SLADE算法引入柯西分布和正態(tài)分布生成控制參數(shù)值

4、，并且根據(jù)產(chǎn)生更好個體的控制參數(shù)值進行自適應(yīng)。實驗結(jié)果表明SLADE算法較其他算法具有更強的尋優(yōu)能力，并且SLHD技術(shù)的引入提高了SLADE算法的性能。
　　(3)針對如何實現(xiàn)差分進化算法求解多目標優(yōu)化問題，提出了一種基于角度鄰域的多目標差分進化算法(ANMODE)。ANMODE算法在選擇操作中引入了弱支配的概念，實現(xiàn)了對多目標優(yōu)化問題的求解。角度鄰域的引入使得變異操作可以在鄰域內(nèi)進行，保證了個體的進化方向。此外，ANMODE算法

5、的外部存檔維護機制對于改善Pareto前沿近似解集的分布性也起到了關(guān)鍵作用。實驗結(jié)果表明ANMODE算法求解到的Pareto前沿近似解集具有良好的收斂性和分布性，性能明顯優(yōu)于對比算法。
　　(4)針對如何減少傳統(tǒng)軋制力模型誤差的問題，提出了一種基于SLADE的BP神經(jīng)網(wǎng)絡(luò)軋制力預(yù)報模型(S-BP)。該模型使用SLADE算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，從而提高軋制力的預(yù)報精度。此外，為了增強S-BP模型的抗干擾能力，在S-BP模型的基礎(chǔ)上引入

6、了模型自學(xué)習(xí)，提高了軋制力預(yù)報的穩(wěn)定性。實驗結(jié)果表明S-BP模型的軋制力預(yù)報精度明顯高于傳統(tǒng)軋制力模型和BP神經(jīng)網(wǎng)絡(luò)，模型自學(xué)習(xí)也有效地改善了S-BP模型的魯棒性。
　　(5)針對如何避免精軋機組負荷分配不合理及打滑的問題，使用ECADE算法、SLADE算法和ANMODE算法優(yōu)化鋁熱連軋的負荷分配。將負荷分配優(yōu)化分別作為單目標和多目標優(yōu)化問題，使用上述改進算法針對不同目標函數(shù)進行優(yōu)化。實驗結(jié)果表明優(yōu)化后的負荷分配方案減輕了精軋機組