新型進(jìn)化計算方法及其在煉鐵燒結(jié)過程建模與優(yōu)化中的應(yīng)用.pdf

1、燒結(jié)生產(chǎn)在我國鋼鐵企業(yè)中有著重要的地位。它是高爐進(jìn)料的一個重要處理過程，能夠最大程度地減小高爐原料的波動，為高爐的平穩(wěn)生產(chǎn)提供可靠保障。同時，由于燒結(jié)礦是高爐的主要進(jìn)料，因而燒結(jié)礦的質(zhì)量直接關(guān)系著高爐生產(chǎn)的產(chǎn)量和質(zhì)量。此外，隨著鐵礦石價格的攀升和金社會節(jié)能環(huán)保意識的增強，在鋼鐵工業(yè)中展開面向節(jié)能降耗的技術(shù)改進(jìn)勢在必行。作為影響高爐產(chǎn)量和質(zhì)量的重要環(huán)節(jié)，燒結(jié)過程技術(shù)改進(jìn)在整個煉鐵過程節(jié)能降耗技術(shù)改進(jìn)中必不可少。因此，燒結(jié)過程的研究具有重要

2、理論價值和實際意義。
　　 本文研究了燒結(jié)過程的兩個主要部分燒結(jié)礦配料系統(tǒng)和燒結(jié)過程熱狀態(tài)過程的建模與優(yōu)化問題，采用改進(jìn)的遺傳規(guī)劃算法(Genetic Programming，GP)建立問題的解析模型，通過非支配排序遺傳算法(Non-dominated Sorting Genetic AlgorithmⅡ，NSGAⅡ)的改進(jìn)算法解決優(yōu)化問題。本文的主要工作和貢獻(xiàn)如下：
　　 (1)提出了分層辨識遺傳規(guī)劃算法。該算法針對被

3、辨識系統(tǒng)各部分可辨識度不同的問題，采用分層辨識和反饋校正的基本思想，對研究對象分層辨識，直到辨識誤差縮小到可接受的范圍。同時，采用最小二乘法辨識模型參數(shù)，應(yīng)用M估計技術(shù)增加模型抗干擾能力。通過實驗仿真驗證了該算法所建模型的精度優(yōu)于一般遺傳規(guī)劃。
　　 (2)提出了混合分類遺傳規(guī)劃算法?；旌戏诸愡z傳規(guī)劃算法針對復(fù)雜的多工況系統(tǒng)的模型辨識問題，采用分類算法對系統(tǒng)輸入輸出數(shù)據(jù)進(jìn)行分類，然后對每一類數(shù)據(jù)分別建立模型，從而建立起能描述每個

4、工況的整體模型。同時，采用最小二乘法辨識模型參數(shù)，應(yīng)用M估計技術(shù)增加模型抗干擾能力。通過實驗仿真驗證了該算法所建模型的魯棒性優(yōu)于一般遺傳規(guī)劃算法。
　　 (3)提出了一種帶偏好的非支配排序遺傳算法。該算法通過設(shè)置目標(biāo)函數(shù)的期望值，在經(jīng)典的非支配排序遺傳算法中引入偏好信息。偏好信息引導(dǎo)搜索方向趨于決策者偏好的區(qū)域，增強算法在偏好區(qū)域的搜索能力。實驗仿真分析了在多目標(biāo)優(yōu)化問題中帶偏好的非支配排序遺傳算法的優(yōu)勢。
　　 (4)

5、建立了燒結(jié)礦化學(xué)成分和質(zhì)量預(yù)測模型，并基于預(yù)測模型提出多目標(biāo)配料優(yōu)化模型。預(yù)測模型采用了分層辨識遺傳規(guī)劃算法進(jìn)行離線建模，同時把基于部分機理的模型結(jié)構(gòu)加入到初始種群中，使得部分機理與數(shù)據(jù)驅(qū)動的建模方式相互結(jié)合。采用現(xiàn)場數(shù)據(jù)對預(yù)測模型進(jìn)行測試，并從理論上分析了模型誤差的來源。在燒結(jié)過程配料多目標(biāo)優(yōu)化模型中，優(yōu)化目標(biāo)為全鐵、堿度和轉(zhuǎn)鼓強度波動最小。為求解該優(yōu)化問題，采用基于偏好的非支配排序算法，偏好信息的引入增強了算法搜索能力，有利于決策者