基于遺傳算法的燒結配料優(yōu)化

楊 釗，李 智

(武漢工業(yè)學院電氣信息工程系，湖北武漢430023)

基于遺傳算法的燒結配料優(yōu)化

楊 釗，李 智

(武漢工業(yè)學院電氣信息工程系，湖北武漢430023)

針對燒結配料實驗的復雜性和多變性，將遺傳算法和廣義回歸神經(jīng)網(wǎng)絡相結合，發(fā)揮神經(jīng)網(wǎng)絡的泛化能力，使神經(jīng)網(wǎng)絡具有較快的收斂性和較強的學習能力，發(fā)揮遺傳算法的魯棒性。通過現(xiàn)場試驗和優(yōu)化分析，優(yōu)化方法符合生產(chǎn)實際，為燒結配料優(yōu)化生產(chǎn)提供有效的參數(shù)依據(jù)。

廣義回歸神經(jīng)網(wǎng)絡;遺傳算法;燒結;優(yōu)化

燒結礦配料優(yōu)化從20世紀80年代就開始研究，在研究中知道，燒結配礦規(guī)律和知識的總結是把握配礦的關鍵，但配礦問題十分復雜，影響因素很多，即便是配礦專家也很難全面、明確表達出配礦規(guī)律和知識。而且由于在配礦過程中礦石之間的相互作用，影響因素過多，限于成本的原因，難以進行全面的配礦試驗。配礦數(shù)學模型通過多大量的生產(chǎn)和實驗數(shù)據(jù)進行分析處理，采用機器學習，探討配礦規(guī)律。在一定程度上解決了許多問題。

近年來，許多學者用不同的理論知識來建立的數(shù)學模型來進行燒結配料的優(yōu)化，取得了很好的效果［1］。攀鋼蔣大軍等針對攀鋼燒結使用的原料品種越來越多，運用均勻設計法優(yōu)化燒結實驗工藝參數(shù)，提高燒結試驗效率與質(zhì)量。李智等［2－3］針對人工智能的配礦方法作了一些研究，分別利用神經(jīng)網(wǎng)絡，Hopfield神經(jīng)網(wǎng)絡和改進的模擬退火算法來建立了武鋼燒結廠相應的原料混均數(shù)學模型，并進行了優(yōu)化計算。

1 燒結配料優(yōu)化模型

燒結配料的目的在于：根據(jù)不同種類的鐵礦石的化學成分，將原料礦進行合理的搭配，使混勻礦的化學成分符合燒結生產(chǎn)的要求。同時，配料中還可以用多種含鐵廢料替代鐵礦石。然而在燒結過程中，水分、制粒時間、透氣性、配碳、料層、燒結原料及其配比、燒結負壓、物化性能以及軟化性能等因素之間存在著相互制約的非線性關系。一般燒結礦石種類不同，含MgO、FeO以及SiO2等的含量也各不相同，其約束范圍如表1所示。

表1 原料中一些元素的含量范圍

在燒結礦石中，負壓(X9)的大小對燒結速度也有一定影響，其范圍一般為1≤X9≤1.3。

因此預測模型是以燒結的生產(chǎn)性能為優(yōu)化目標，即轉(zhuǎn)鼓強度Y1(X)和燒結速度Y2(X)最大為原則，即：

由于GRNN(General regression neural network)具有明確的概率意義和較好的泛化能力，能逼近任意非線性函數(shù)，其建立過程實質(zhì)是通過樣本學習調(diào)整各層的權值和徑向基層的光滑因子。因此采用三層GRNN網(wǎng)絡作為燒結配料預測模型，其網(wǎng)絡結構如圖1所示［4］。

圖1 GRNN預測模型結構圖

取 Xk，k=1，2…9為輸入，Vj為第二層輸出，其神經(jīng)元的個數(shù)等于輸入向量維數(shù)，其輸出為：

則模型的輸出 Zi，i=1，2為

其中Cjk為隱含層單元的中心;δj為光滑因子;Wij為網(wǎng)絡權值。

2 優(yōu)化算法

有了GRNN網(wǎng)絡模型之后，還需要對它進行訓練，由上面的式子知道δj、Cjk、Wij需要通過訓練來確定，如何確定這些參數(shù)實際就是求解一組合適的數(shù)值使GRNN網(wǎng)絡的精度誤差最小［5-6］，而遺傳算法在求解非線性問題方面具有獨到的優(yōu)勢，因此本文采用結合遺傳算法的方法訓練神經(jīng)網(wǎng)絡。

從國內(nèi)外城市發(fā)展歷程來看，城市蔓延在城市建設發(fā)展初期會帶來有利方面，主要表現(xiàn)在以下幾個方面：①有效引導及疏散大城市繁華商業(yè)街周邊居住區(qū)的人口，改善了中心區(qū)市民的居住和生態(tài)環(huán)境；②分散不適合在城市中心區(qū)發(fā)展的工業(yè)企業(yè)，保護了城市中心居民的居住環(huán)境；③土地的無止境的擴張對城市郊區(qū)的發(fā)展起到了拉動作用，土地利用效率也有了顯著提高。但隨著城市不斷發(fā)展，城市蔓延產(chǎn)生如耕地銳減、土地利用效率低下、城市環(huán)境污染、城市開發(fā)成本投資過高等諸多弊端。

以上參數(shù)采用實數(shù)編碼較佳，δj、Cjk、Wij依次按順序存入一個數(shù)組，每一個變量即相當于一個個體的一個輸入維度，那么個體的進化與改變即是對參數(shù)的優(yōu)化過程。遺傳個體的適應度(目標函數(shù))，一般采用全局精度誤差為數(shù)據(jù)樣本的目標值。

遺傳算法(Genetic Algorithms.GA)是基于“優(yōu)勝劣汰，適者生存”的一種模擬自然界遺傳機制和生物進化論而成的并行隨機搜索最優(yōu)化方法。它將問題的求解表示成“染色體”的適者生存過程，按所選擇的適配值函數(shù)并通過遺傳中的復制、交叉及變異對個體進行篩選，使適配值高的個體保留下來，組成新的群體，直到滿足一定的約束條件后停止迭代進化。其算法簡單，具有良好的全局尋優(yōu)性能，已經(jīng)廣泛應用于多種組合優(yōu)化問題的求解中。標準遺傳算法的基本操作步驟主要有下面三種。

(1)復制。即從一個舊種群中選擇生命力強的個體位串產(chǎn)生新種群的過程。它應用了達爾文的適者生存的理論，模擬自然現(xiàn)象，從舊種群中選擇生命力強的個體位串，產(chǎn)生的新種群則有可能在下一代中產(chǎn)生一個或多個子孫。復制操作可以通過隨機方法來實現(xiàn);

(2)交叉。通過隨機方法進行的復制操作，從舊種群中選擇出優(yōu)秀個體，不能創(chuàng)造出新染色體，新的優(yōu)良品種只能通過二個染色體的交換組合來產(chǎn)生，這是模擬了生物進化過程中的繁殖現(xiàn)象;

(3)變異。變異是通過用一個等于變異率的概率隨機地改變被選擇染色體上的一個或多個基因。它以很小的概率隨機的改變遺傳基因的值。在染色體以二進制編碼的系統(tǒng)中，若沒有變異，則無法在初始基因組合以外的空間進行搜索，使進化過程在早期就陷入局部解而進入終止過程，從而影響了質(zhì)量。為了在盡可能大的空間中獲得質(zhì)量較高的優(yōu)化解，必須采用變異操作。

遺傳算法實現(xiàn)燒結優(yōu)化的流程，如圖2所示。

圖2 遺傳算法流程圖

3 仿真與實現(xiàn)

由均勻設計方法對9個影響因素和2個實驗結果進行設計，由經(jīng)驗所得的因素上下限均勻劃分其區(qū)間，通過實驗得到數(shù)據(jù)樣本，提出少量幾組作為測試樣本，其余組作為訓練樣本集在GRNN網(wǎng)絡中進行訓練。網(wǎng)絡中的待定參數(shù)經(jīng)過遺傳算法的迭代優(yōu)化，GRNN的網(wǎng)絡輸出逐漸向燒結試驗的實際數(shù)值逼近，直到最后輸出誤差的精度滿足給定值。

現(xiàn)用16組測試樣本數(shù)據(jù)，選取前14組作為訓練樣本，后2組作為測試樣本，模型預測結果如表2所示。

表2 網(wǎng)絡模型預測1 /%

遺傳算法的實際學習誤差曲線如圖3所示。

圖3 學習誤差曲線

在實際實際燒結生產(chǎn)過程中，當采用14組數(shù)據(jù)作為訓練次數(shù)，它所產(chǎn)生的樣本訓練相對誤差曲線如圖4所示。

圖4 訓練樣本相對誤差曲線

使用武鋼燒結廠提供的140組實際生產(chǎn)記錄的數(shù)據(jù)進行建模測試，隨機抽取10組數(shù)據(jù)作為測試樣本，剩下的130組數(shù)據(jù)作為訓練樣本，最后的模型仿真結果如表3所示。

表3 網(wǎng)絡模型預測2

兩次實例預測結果表明，通過GRNN神經(jīng)網(wǎng)絡建立的燒結試驗模型可以滿足燒結試驗的設計要求，人工神經(jīng)網(wǎng)絡建立的燒結礦模型不僅是合理的，而且優(yōu)于以往通過理論、經(jīng)驗等建立的公式模型，具有更高的可靠度、準確度和簡便性。在使用遺傳算法對人工神經(jīng)網(wǎng)絡模型進行優(yōu)化時能夠?qū)Y試驗參數(shù)進一步尋優(yōu)提供可靠的基礎。

4 結束語

就燒結配料而言，隨著變量和約束條件繼續(xù)增多，模型規(guī)模和復雜度的擴大，遺傳算法能夠滿足以后高性能求解配料優(yōu)化模型的要求，并且其獨有的懲罰函數(shù)可以靈活地處理各種約束條件，通過控制懲罰度的大小對約束條件劃分優(yōu)先順序，使配料過程的優(yōu)化模型求解更符合燒結操作者的意愿，實現(xiàn)配料的人工智能。

由于傳統(tǒng)的遺傳算法在面對類似于神經(jīng)網(wǎng)絡求解等高維度、復雜的目標函數(shù)等非線性問題時候常常表現(xiàn)出容易陷入局部最小值、收斂速度過慢或者難以收斂等缺點。所以針對燒結配料的優(yōu)化還需要做進一部的努力，從而達到更加的效果。

該試驗數(shù)據(jù)已成功應用于企業(yè)生產(chǎn)，符合生產(chǎn)實際。

［1］ 馮建生，王秀芝.一個基于神經(jīng)網(wǎng)絡的配礦專家系統(tǒng)［J］.冶金自動化，1999，(4)：7-10.

［2］ 李智，姚駐斌，張望興，等.基于神經(jīng)網(wǎng)絡的混勻配料優(yōu)化方法［J］.鋼鐵研究，2000(4)：10-12.

［3］ 李智，姚駐斌，張望興，等.模擬退火算法在冶煉Mn－Si合金優(yōu)化配料中的應用［J］.鋼鐵研究，2000(5)：36-39.

［4］ 董立巖，李永麗，時景榮，等.基于遺傳算法和神經(jīng)網(wǎng)絡的因素分析［J］.吉林工業(yè)大學自然科學學報，2001.

［5］ 米凱利維茨.演化程序—遺傳算法與數(shù)據(jù)編碼的結合［M］.北京：科技出版社，2000.

［6］ 王小平，曹立明.遺傳算法—理論、應用與軟件實現(xiàn)［M］.西安：西安交通大學出版社，2002.

Optimization of sintering ingridients based on genetic algorithm

YANG Zhao，LI Zhi
(Department of Electrical and Information Engineering，Wuhan Polytechnic University，Wuhan 430023，China)

According to the complexity and polytrope of the sintering burden，we combine the genetic algorithm with general regression neural networks，in order to develop the robustness of the genetic algorithm and neural networks’s generalization ability，which will make the neural networks with fast astringency and powerful learning ability.On carrying out the field test and optimized analysis，the model meets the actual production，providing the effective and significant data to optimize the way of sintering burden production.

general regression neural network;genetic algorithm;sintering;optimization

TF 11

A

1009-4881(2011)03-0054-04

10.3969/j.issn.1009-4881.2011.03.013

2011-05-10.

楊釗(1985-)，男，碩士研究生，E-mail：154234969@qq.com.

李智(1964-)，男，教授，E －mail：lizhihb@yahoo.com.

湖北省教育廳科學技術研究項目(B20101707).