CN104267695B - 一种选矿过程工艺指标优化决策系统及方法 - Google Patents

Abstract

一种选矿过程工艺指标优化决策系统及方法，该系统包括指标获取单元、工艺指标优化决策单元、优化设定单元。选矿过程工艺指标优化决策的方法，获取设定的综合生产指标期望值，采集当前选矿过程工况条件，设定选矿过程工艺指标的边界条件，建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解。

Description

一种选矿过程工艺指标优化决策系统及方法

技术领域

本发明属于选矿过程技术领域，具体涉及一种选矿过程工艺指标优化决策系统及方法。

背景技术

钢铁工业是国民经济的基础产业，对推进工业现代化进程、提高国家经济和军事地位都起着极为重要的作用，是保证社会稳定发展、国力日益提高的重要支柱产业。钢铁工业的迅速发展带动铁矿石需求不断上涨。虽然铁矿石的地质存储丰富，但以铁含量较低的贫矿居多。贫矿难于直接利用，开采选别难度较大，且铁矿石属于不可再生的矿产资源，在钢铁工业大量消耗下，许多矿井也在不断枯竭、废弃。因此，矿石资源的有效利用是目前亟待解决的重要问题。

选矿过程是将从地下开采出来的铁矿石经一系列操作分离成有用矿物和脉石，使得有用矿物成分富集，从而获得品位合格的精矿和尾矿的过程，包括破碎、磨矿和分选等多道工序。选矿过程是原矿石到钢铁生产链中的第一个处理过程，亦是一个关键环节，直接关系到铁矿石的有效利用。当前，选矿工业企业已经由过去的单纯追求大型化、高速化、连续化，转向注重提高产品质量、降低生产成本、减少资源消耗和环境污染、可持续发展的轨道上来。这就对选矿生产全流程的运行优化与控制提出了更高的要求。选矿过程工艺指标决策是根据生产计划部门和调度部门给出的综合生产指标在空间尺度上转化为各个工序的工艺指标、实现对选矿过程各工序的工艺指标进行优化决策的过程。在生产全流程的运行与控制流程中，工艺指标决策过程的作用至关重要，由它来协调选矿生产流程的全局，保证整个生产过程目标的完成，对于实现全流程的优化起着承上启下和在各个工序之间相互协调的重要作用。

虽然在选矿过程的工艺设计阶段，会对各工序的工艺指标的最佳范围进行设计，并在计划调度指令中给出相应的指导值，但由于选矿生产原料种类繁多，工艺上不能一次性对所有原矿类型进行设计。为了能够生产出质量合格的产品，生产运行过程需要根据不同矿石种类及性质设定工艺指标和过程参数，才能保证生产出合格产品。此外，选矿过程中的工艺指标值不能及时在线获得，而是通过抽样的方式化验得到，对整个过程造成一定的滞后性。因此为了更好的实现综合生产指标，仅仅凭借人工设定及调整是难以满足越来越高的工艺指标要求，这就需要对选矿过程进行优化调控，即根据综合生产指标的信息，寻找出最佳的工艺指标设定值，然后将每个设定值下达给运行控制层转化成控制回路中的操作参数，使得每个工序都能实现每个工艺指标的要求，进而完成企业生产管理者下达的综合生产指标的要求。

因此，研究如何在有效的对选矿生产全流程的各个工序(设备/过程)的工艺指标进行协调决策是极其重要的。选矿工业中，在提高产品质量、降低企业生产成本、减少社会资源消耗和环境污染并保持可持续发展等方面，选矿生产全流程的工艺指标优化决策系统及方法起着不可替代的作用。

目前，选矿生产过程的工艺指标决策主要以人工决策、案例推理和基于进化方法进行优化决策几种方式。对于凭经验进行人工协调的方式，常常存在随机性大、不能及时反应等问题；基于案例推理或专家规则等方法优化决策出的控制回路设定值往往偏离优化设定值，还需预报、校正等环节；而基于智能进化方法的工艺指标决策优化，可以根据生产实际工况在满足多目标和约束要求的非支配解集中选取合适的设定值，所以采用智能方法进行指标决策进行工艺指标值决策具有良好的效果和效率。现阶段基于智能进化方法的工艺指标决策优化主要采用的是NSGA-II进化方法，方法选取较为单一。且NSGA-II方法虽然目前应用较广，但方法仍然有缺陷：NSGA-II方法的种群初始化仅采用简单的随机初始化方法，无法将所有个体均匀分布到整个待探索的优化空间中；NSGA-II方法的进化过程仅采用单线式的种群进化方式，从而对决策空间的搜索效率较低。

综上所述，设计一个综合性能良好的选矿过程工艺指标优化决策系统及方法具有非常重要的研究意义和实际应用价值。

发明内容

针对现有技术的不足，本发明提供一种选矿过程工艺指标优化决策系统及方法。

本发明的技术方案是，一种选矿过程工艺指标优化决策系统，包括指标获取单元、工艺指标优化决策单元、优化设定单元。

所述的指标获取单元用于获取选矿过程中设定的选矿过程综合生产指标期望值、当前选矿过程工况条件、设定的选矿过程工艺指标的边界条件；

选矿过程综合生产指标期望值包括综合精矿产量期望值和综合精矿品位期望值；

选矿过程工况条件包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时；

选矿过程工艺指标包括：一次溢流回收率、弱磁精矿品位、弱磁尾矿品位、强磁精矿品位、强磁尾矿品位、强磁磨矿粒度和弱磁磨矿粒度；

所述的工艺指标优化决策单元用于建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将选矿过程工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出；运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将选矿过程工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解；

所述的优化设定单元用于将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标。

采用选矿过程工艺指标优化决策系统进行工艺指标优化决策的方法，包括以下步骤：

步骤1：获取选矿过程中设定的综合生产指标期望值，包括：综合精矿产量期望值和综合精矿品位期望值；

步骤2：从选矿现场中采集当前选矿过程工况条件，包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时；

步骤3：设定选矿过程工艺指标的边界条件，包括：一次溢流回收率的范围、弱磁精矿品位的范围、弱磁尾矿品位的范围、强磁精矿品位的范围、强磁尾矿品位的范围、强磁磨矿粒度的范围和弱磁磨矿粒度的范围；

步骤4：建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出；

步骤5：运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解；

步骤5.1：将选矿过程工艺指标作为种群个体，将选矿过程工艺指标可行解的最大个体数作为进化种群大小，初始化进化种群大小NP和最大进化代数；

步骤5.2：利用选矿过程工艺指标的边界条件运用正交试验技术建立正交种群，将该正交种群作为初始进化种群；

步骤5.2.1：以选矿过程工艺指标个数N＝7作为因素数，设定总水平数Q和正交指数J，建立一个正交表L_M(Q^N)，其中，M＝Q^J；

步骤5.2.2：设选矿过程工艺指标的边界条件为[l_k，u_k]，l_k为各个工艺指标的取值下界，u_k为各个工艺指标的取值上界，将每个选矿过程工艺指标的边界条件量化为Q个水平；量化原则为：当j＝1时，α_k，j＝l_k；当2≤j＜Q-1时，当j＝Q时，α_k，j＝u_k；α_k，j为第k个工艺指标的第j个水平，j＝1，2...Q；

步骤5.2.3：根据正交表L_M(Q^N)在量化后的工艺指标中选取相应的水平，组成M个子个体，每个子个体包括N个量化后的工艺指标；

步骤5.2.4：从M个子个体中随机选取NP个个体建立正交种群，将该正交种群作为初始进化种群；

步骤5.3：利用存档机制建立存档种群，将正交种群中的个体输入选矿过程工艺指标决策多目标优化模型中，求出各个体的目标函数值，即综合精矿产量和综合精矿品位，利用Pareto排序将正交种群中的非劣个体放入存档种群，将该存档种群作为初始存档种群；

步骤5.4：利用差分变异方法从当前进化种群和当前存档种群中选取选矿过程工艺指标可行解；

步骤5.4.1：从初始进化种群中随机选取一个个体作为基向量；

步骤5.4.2：利用基向量对进化种群的父个体进行差分变异，产生子个体；

步骤5.4.3：对进化种群个体进行更新：将步骤5.4.2产生的子个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，利用Pareto占优方法对子个体与父个体进行逐一比较，若子个体Pareto占优其父个体，则用该子个体替换其父个体；若父个体Pareto占优其子个体，则舍弃该子个体；若父个体与子个体互不占优，则将子个体加入子种群；

步骤5.4.4：对存档种群进行更新：将进化种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，对进化种群中个体进行Pareto排序，将进化种群中的非劣个体存入存档种群；

步骤5.4.5将存入存档种群中的进化种群的非劣个体与当前存档种群中的所有个体进行自适应ε占优比较，若存入存档种群中的进化种群的非劣个体自适应ε占优当前存档种群中的某个个体，或者存入存档种群中的进化种群的非劣个体与当前存档种群中的某个个体互不占优，则将该存入存档种群中的进化种群的非劣个体替换当前存档种群中的个体，否则，删除该存入存档种群中的进化种群的非劣个体；

步骤5.4.6：对进化种群进行更新：把子种群和当前进化种群合并，将合并后的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即综合精矿产量和综合精矿品位，采用Pareto排序方法对合并后的种群进行排序，选择出NP个Pareto占优的个体作为下一代进化种群，并对进化代数进行累计；

步骤5.4.7：判断当前进化代数是否达到最大进化代数，若当前进化代数达到最大进化代数，则执行步骤5.4.9，否则，执行步骤5.4.8；

步骤5.4.8：设选择控制参数λ，且0＜λ＜1，判断当前进化代数是否小于最大进化代数的λ倍，若当前进化代数小于最大进化代数的λ倍，则从进化种群中随机选择一个个体作为基向量，返回步骤5.4.2，否则，从存档种群中随机选取一个个体作为基向量，返回步骤5.4.2；

步骤5.4.9：将进化种群和存档种群进行合并，将合并的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，对合并后的种群进行Pareto排序，将合并后的种群中的非劣个体作为选矿过程工艺指标可行解；

步骤6：在选矿过程中，将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标。

本发明的有益效果是：一种选矿过程工艺指标优化决策系统及方法针对的是选矿工业过程中工艺指标的优化设定，获取设定的选矿过程综合生产指标后，利用改进的智能进化方法对工艺指标进行综合决策优化。

与传统方法比较，本发明提出的改进的差分进化方法引入正交实验技术增强了种群多样性；引入存档机制减少了优秀解丢失的概率；同时存档种群作为精英池，利用池中精英解指导种群进化，加快了该方法的收敛速度；引入自适应ε占优技术使得期望解的数量可控，大幅提高了运行速度，同时自适应技术的引用还减少了待设定参数个数，提高了该方法的易用性。

附图说明

图1为本发明具体实施方式的一种选矿过程工艺指标优化决策系统的结构框图；

图2为本发明具体实施方式的一种选矿过程工艺指标优化决策方法的流程图；

图3为本发明具体实施方式的基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法的流程图；

图4为本发明具体实施方式的条件一下七种不同方法对选矿过程运工艺指标决策模型进行优化计算的超体积性能指标计算结果对比图；

图5为本发明具体实施方式的条件二下七种不同方法对选矿过程运工艺指标决策模型进行优化计算的超体积性能指标计算结果对比图；

图6为本发明具体实施方式的条件三下七种不同方法对选矿过程运工艺指标决策模型进行优化计算的超体积性能指标计算结果对比图；

图7为本发明具体实施方式的条件四下七种不同方法对选矿过程运工艺指标决策模型进行优化计算的超体积性能指标计算结果对比图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种选矿过程工艺指标优化决策系统，包括指标获取单元、工艺指标优化决策单元、优化设定单元，结构框图如图1所示。

所述的指标获取单元用于获取选矿过程中设定的选矿过程综合生产指标期望值、当前选矿过程工况条件、设定的选矿过程工艺指标的边界条件。

选矿过程综合生产指标期望值包括综合精矿产量期望值和综合精矿品位期望值。

选矿过程工况条件包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时。

选矿过程工艺指标包括：一次溢流回收率、弱磁精矿品位、弱磁尾矿品位、强磁精矿品位、强磁尾矿品位、强磁磨矿粒度和弱磁磨矿粒度。

所述的工艺指标优化决策单元用于建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将选矿过程工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出；运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将选矿过程工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解。

所述的优化设定单元用于将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标。

采用选矿过程工艺指标优化决策系统进行工艺指标优化决策的方法，如图2所示，包括以下步骤：

步骤1：获取选矿过程中设定的综合生产指标期望值，包括：综合精矿产量期望值和综合精矿品位期望值。

步骤2：从选矿现场中采集当前选矿过程工况条件，包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时。

本实施方式中，采集的当前选矿过程工况条件如表1表示：

表1 选矿过程工况条件

步骤3：设定选矿过程工艺指标的边界条件，包括：一次溢流回收率的范围、弱磁精矿品位的范围、弱磁尾矿品位的范围、强磁精矿品位的范围、强磁尾矿品位的范围、强磁磨矿粒度的范围和弱磁磨矿粒度的范围。

本实施方式中，设定的选矿过程工艺指标的边界条件如表2所示：

表2 选矿过程工艺指标的边界条件

步骤4：建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出。

选矿过程工艺指标决策多目标优化模型的优化目标是：在给定生产条件下，即给定原矿属性、设备能力、设备运行时间、能源消耗条件下，在选矿过程工艺指标的边界条件范内最大化综合精矿品位、最大化精矿产量。

综合精矿品位η用于衡量产品中有用矿物成分含量的百分比。综合精矿品位越高表明产品中杂质越少，而综合精矿品位越高代表着需要选矿过程代价越大，比如需要消耗更多的能源、抛弃更多难以选别的较低品位的矿石，造成资源利用率低。

综合精矿产量O的高低直接影响选矿过程的生产效率和设备的利用率。综合精矿产量低则生产效率低，设备利用率低，相对的生产成本就高。

选矿过程工艺指标决策多目标优化模型J_ω如公式(1)所示：

$J_{\mathrm{\ω}}\left\{\begin{array}{c}\max \mathrm{\η}=f_{\mathrm{\β}}(\∂,P_i{\mathrm{\β}}_i,{\mathrm{\θ}}_i,{\mathrm{\α}}_i,Q_i,R_i,{\mathrm{\β}}_w)\\ \max O=f_Q(\∂,P_i{\mathrm{\β}}_i,{\mathrm{\θ}}_i,{\mathrm{\α}}_i,Q_i,R_i,{\mathrm{\β}}_w)\end{array}\right.i=\mathrm{1,2}---\left(1\right)$

选矿过程工艺指标决策多目标优化模型的约束条件s.t.如公式(2)所示：

$s.t.\left\{\begin{array}{c}{\∂}_L\≤\∂\≤{\∂}_H\\ {\mathrm{\β}}_{\mathrm{iL}}\≤\mathrm{\β}\≤{\mathrm{\β}}_{\mathrm{iH}}\\ P_{\mathrm{iL}}\≤P\≤P_{\mathrm{iH}}\\ {\mathrm{\θ}}_{\mathrm{iL}}\≤\mathrm{\θ}\≤{\mathrm{\θ}}_{\mathrm{iH}}\end{array}\right.---\left(2\right)$

其中，为一次溢流回收率的下限，为一次溢流回收率的上限，β_iL为弱磁精矿品位、强磁精矿品位的下限，β_iH为弱磁精矿品位、强磁精矿品位的上限，P_iL为弱磁磨矿粒度、强磁磨矿粒度的的下限，O_iH为弱磁磨矿粒度、强磁磨矿粒度的的上限，θ_iL为弱磁尾矿品位、强磁尾矿品位的下限，θ_iH为弱磁尾矿品位、强磁尾矿品位的上限。

步骤5：运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解，如图3所示。

步骤5.1：将选矿过程工艺指标作为种群个体，将选矿过程工艺指标可行解的最大个体数作为进化种群大小，初始化进化种群大小NP和最大进化代数。

本发明设置了四组进化种群大小NP和最大进化代数，以分析不同进化条件下的优化效果，如表3所示：

表3 四组进化种群大小NP和最大进化代数

步骤5.2：利用选矿过程工艺指标的边界条件运用正交试验技术建立正交种群，将该正交种群作为初始进化种群。

步骤5.2.1：以选矿过程工艺指标个数N＝7作为因素数，设定总水平数Q和正交指数J，建立一个正交表L_m(Q^N)，其中，M＝Q^J。

本实施方式中，设定总水平数Q＝99，正交指数J＝2。

步骤5.2.2：设选矿过程工艺指标的边界条件为[l_k，u_k]，l_k为各个工艺指标的取值下界，u_k为各个工艺指标的取值上界，将每个选矿过程工艺指标的边界条件量化为Q个水平；量化原则为：当j＝1时，α_k，j＝l_k；当2≤j＜Q-1时，当j＝Q时，α_k，j＝u_k；α_k，j为第k个工艺指标的第j个水平，j＝1，2...Q。

步骤5.2.3：根据正交表L_M(Q^N)在量化后的工艺指标中选取相应的水平，组成M个子个体，每个子个体包括N个量化后的工艺指标。

步骤5.2.4：从M个子个体中随机选取NP个个体建立正交种群，将该正交种群作为初始进化种群。

步骤5.3：利用存档机制建立存档种群，将正交种群中的个体输入选矿过程工艺指标决策多目标优化模型中，求出各个体的目标函数值，即综合精矿产量和综合精矿品位，利用Pareto排序将正交种群中的非劣个体放入存档种群，将该存档种群作为初始存档种群。

步骤5.4：利用差分变异方法从当前进化种群和当前存档种群中选取选矿过程工艺指标可行解。

步骤5.4.1：从初始进化种群中随机选取一个个体作为基向量。

步骤5.4.2：利用基向量对进化种群的父个体进行差分变异，产生子个体C_l。

差分变异公式(3)如下：

C_l＝X_r1+F(X_r2-X_r3) l＝1，2，...NP (3)

其中，X_r1为基向量，X_r2、X_r3为在进化种群中任意选取的个体。

F为差分变异步长缩放因子，本实施方式中选取F＝0.5。

步骤5.4.3：对进化种群个体进行更新：将步骤5.4.2产生的子个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，利用Pareto占优方法对子个体与父个体进行逐一比较，若子个体Pareto占优其父个体，则用该子个体替换其父个体；若父个体Pareto占优其子个体，则舍弃该子个体；若父个体与子个体互不占优，则将子个体加入子种群。

步骤5.4.4：对存档种群进行更新：将进化种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，对进化种群中个体进行Pareto排序，将进化种群中的非劣个体存入存档种群。

步骤5.4.5将存入存档种群中的进化种群的非劣个体与当前存档种群中的所有个体进行自适应ε占优比较，若存入存档种群中的进化种群的非劣个体自适应ε占优当前存档种群中的某个个体，或者存入存档种群中的进化种群的非劣个体与当前存档种群中的某个个体互不占优，则将该存入存档种群中的进化种群的非劣个体替换当前存档种群中的个体，否则，删除该存入存档种群中的进化种群的非劣个体。

步骤5.4.6：对进化种群进行更新：把子种群和当前进化种群合并，将合并后的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即综合精矿产量和综合精矿品位，采用Pareto排序方法对合并后的种群进行排序，选择出NP个Pareto占优的个体作为下一代进化种群，并对进化代数进行累计。

步骤5.4.7：判断当前进化代数是否达到最大进化代数，若当前进化代数达到最大进化代数，则执行步骤5.4.9，否则，执行步骤5.4.8。

步骤5.4.8：设选择控制参数λ，且0＜λ＜1，判断当前进化代数是否小于最大进化代数的λ倍，若当前进化代数小于最大进化代数的λ倍，则从进化种群中随机选择一个个体作为基向量，返回步骤5.4.2，否则，从存档种群中随机选取一个个体作为基向量，返回步骤5.4.2。

本实施方式选取的λ＝0.5。

步骤5.4.9：将进化种群和存档种群进行合并，将合并的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即综合精矿产量和综合精矿品位，对合并后的种群进行Pareto排序，将合并后的种群中的非劣个体作为选矿过程工艺指标可行解。

步骤6：在选矿过程中，将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标。

在四组进化种群大小NP和最大进化代数条件下，利用本发明所述基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法(OPEADE)与目前已经应用于选矿过程工艺指标决策的方法快速非支配排序遗传方法(NSGA-II)、基本差分进化方法(DE)、基于正交的差分进化方法(ODE)、基于存档的差分进化方法(ArchiveDE)、基于ε占优的差分进化方法(E-DE)和随机初始化混合差分进化方法(RPEADE)，对选矿过程运工艺标决策模型进行优化计方，并根据所得到的综合精矿品位和综合精矿产量两个目标，利用超体积性能指标进行对比，以说明本发明所提方法性能的优越性，对比结果如表4所示：

表4 超体积性能指标评价结果统计表

方法优化结果超体积性能指标排名统计表如表5所示：

表5 方法优化结果超体积性能指标排名统计表

四种条件下七种方法对选矿过程工艺指标决策模型进行求解的结果和超体积性能指标计算结果对比图如图4-图7所示。从超体积性能指标评价结果统计表和方法优化结果超体积性能指标排名统计表及图4-图7显示，在不同条件下，对比本发明提出的基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法性能最优，本发明能寻找到综合精矿品位和综合精矿产量两个目标值都更大的解。综上所述，在对选矿工艺指标优化决策时，本发明可以获得更好的优化解集。

Claims (2)

1.一种选矿过程工艺指标优化决策的方法，采用选矿过程工艺指标优化决策系统，包括指标获取单元、工艺指标优化决策单元、优化设定单元；

所述的指标获取单元用于获取选矿过程中设定的选矿过程综合生产指标期望值、当前选矿过程工况条件、设定的选矿过程工艺指标的边界条件；

选矿过程综合生产指标期望值包括综合精矿产量期望值和综合精矿品位期望值；

选矿过程工况条件包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时；

选矿过程工艺指标包括：一次溢流回收率、弱磁精矿品位、弱磁尾矿品位、强磁精矿品位、强磁尾矿品位、强磁磨矿粒度和弱磁磨矿粒度；

所述的工艺指标优化决策单元用于建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将选矿过程工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出；运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将选矿过程工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解；

所述的优化设定单元用于将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标；

其特征在于，包括以下步骤：

步骤1：获取选矿过程中设定的综合生产指标期望值，包括：综合精矿产量期望值和综合精矿品位期望值；

步骤2：从选矿现场中采集当前选矿过程工况条件，包括：弱磁入磨品位、强磁入磨品位、强磁球磨机台时处理量、弱磁球磨机台时处理量、废石品位、强磁球磨机运时和弱磁球磨机运时；

步骤3：设定选矿过程工艺指标的边界条件，包括：一次溢流回收率的范围、弱磁精矿品位的范围、弱磁尾矿品位的范围、强磁精矿品位的范围、强磁尾矿品位的范围、强磁磨矿粒度的范围和弱磁磨矿粒度的范围；

步骤4：建立描述选矿过程工艺指标、选矿过程工况条件和综合生产指标之间函数关系的选矿过程工艺指标决策多目标优化模型，将工艺指标的边界条件作为该模型的约束条件，将选矿过程工艺指标作为该模型的输入，综合生产指标的综合精矿产量和综合精矿品位作为该模型的输出；

步骤5：运用基于正交试验设计、存档机制、自适应ε占优技术的改进差分进化方法对选矿过程工艺指标决策多目标优化模型进行求解，将工艺指标的边界条件作为该模型的约束条件，求得使综合精矿产量和综合精矿品位最大化的选矿过程工艺指标可行解；

步骤5.1：将选矿过程工艺指标作为种群个体，将选矿过程工艺指标可行解的最大个体数作为进化种群大小，初始化进化种群大小NP和最大进化代数；

步骤5.2：利用选矿过程工艺指标的边界条件运用正交试验技术建立正交种群，将该正交种群作为初始进化种群；

步骤5.3：利用存档机制建立存档种群，将正交种群中的个体输入选矿过程工艺指标决策多目标优化模型中，求出各个体的目标函数值，即综合精矿产量和综合精矿品位，利用Pareto排序将正交种群中的非劣个体放入存档种群，将该存档种群作为初始存档种群；

步骤5.4：利用差分变异方法从当前进化种群和当前存档种群中选取选矿过程工艺指标可行解；

步骤5.4.1：从初始进化种群中随机选取一个个体作为基向量；

步骤5.4.2：利用基向量对进化种群的父个体进行差分变异，产生子个体；

步骤5.4.3：对进化种群个体进行更新：将步骤5.4.2产生的子个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，利用Pareto占优方法对子个体与父个体进行逐一比较，若子个体Pareto占优其父个体，则用该子个体替换其父个体；若父个体Pareto占优其子个体，则舍弃该子个体；若父个体与子个体互不占优，则将子个体加入子种群；

步骤5.4.4：对存档种群进行更新：将进化种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即到综合精矿产量和综合精矿品位，对进化种群中个体进行Pareto排序，将进化种群中的非劣个体存入存档种群；

步骤5.4.5将存入存档种群中的进化种群的非劣个体与当前存档种群中的所有个体进行自适应ε占优比较，若存入存档种群中的进化种群的非劣个体自适应ε占优当前存档种群中的某个个体，或者存入存档种群中的进化种群的非劣个体与当前存档种群中的某个个体互不占优，则将该存入存档种群中的进化种群的非劣个体替换当前存档种群中的个体，否则，删除该存入存档种群中的进化种群的非劣个体；

步骤5.4.6：对进化种群进行更新：把子种群和当前进化种群合并，将合并后的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即综合精矿产量和综合精矿品位，采用Pareto排序方法对合并后的种群进行排序，选择出NP个Pareto占优的个体作为下一代进化种群，并对进化代数进行累计；

步骤5.4.7：判断当前进化代数是否达到最大进化代数，若当前进化代数达到最大进化代数，则执行步骤5.4.9，否则，执行步骤5.4.8；

步骤5.4.8：设选择控制参数λ，且0＜λ＜1，判断当前进化代数是否小于最大进化代数的λ倍，若当前进化代数小于最大进化代数的λ倍，则从进化种群中随机选择一个个体作为基向量，返回步骤5.4.2，否则，从存档种群中随机选取一个个体作为基向量，返回步骤5.4.2；

步骤5.4.9：将进化种群和存档种群进行合并，将合并的种群中个体输入选矿过程工艺指标决策多目标优化模型中，求出其目标函数值，即综合精矿产量和综合精矿品位，对合并后的种群进行Pareto排序，将合并后的种群中的非劣个体作为选矿过程工艺指标可行解；

步骤6：在选矿过程中，将选矿过程工艺指标可行解作为选矿过程控制系统的设定参数，调整选矿过程各工序的工艺指标。

2.根据权利要求1所述的选矿过程工艺指标优化决策的方法，其特征在于，所述的步骤5.2包括以下步骤：

步骤5.2.1：以选矿过程工艺指标个数N＝7作为因素数，设定总水平数Q和正交指数J，建立一个正交表L_M(Q^N)，其中，M＝Q^J；

步骤5.2.2：设选矿过程工艺指标的边界条件为[l_k，u_k]，l_k为各个工艺指标的取值下界，u_k为各个工艺指标的取值上界，将每个选矿过程工艺指标的边界条件量化为Q个水平；量化原则为：当j＝1时，α_k，j＝l_k；当2≤j＜Q-1时，当j＝Q时，α_k，j＝u_k；α_k，j为第k个工艺指标的第j个水平，j＝1，2...Q；

步骤5.2.3：根据正交表L_M(Q^N)在量化后的工艺指标中选取相应的水平，组成M个子个体，每个子个体包括N个量化后的工艺指标；

步骤5.2.4：从M个子个体中随机选取NP个个体建立正交种群，将该正交种群作为初始进化种群。