CN105321000B - 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 - Google Patents

基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 Download PDF

Info

Publication number
CN105321000B
CN105321000B CN201510753959.7A CN201510753959A CN105321000B CN 105321000 B CN105321000 B CN 105321000B CN 201510753959 A CN201510753959 A CN 201510753959A CN 105321000 B CN105321000 B CN 105321000B
Authority
CN
China
Prior art keywords
bacterium
neural network
flora
mobfoa
algorithms
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510753959.7A
Other languages
English (en)
Other versions
CN105321000A (zh
Inventor
易军
黄迪
李太福
何海波
周伟
张元涛
陈实
刘兴华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201510753959.7A priority Critical patent/CN105321000B/zh
Publication of CN105321000A publication Critical patent/CN105321000A/zh
Application granted granted Critical
Publication of CN105321000B publication Critical patent/CN105321000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Water Treatment By Electricity Or Magnetism (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，包括以下几个步骤：一：统计对电流效率、吨铝能耗以及全氟化物排放量影响大的参数作为决策变量X；二：利用BP神经网络建立铝电解生产过程模型；三：运用MOBFOA算法对决策变量在其取值范围内进行优化；四：按照最优决策变量进行现场控制。有益效果：利用非线性映射能力强的BP神经网络建立铝电解生产过程模型；优化方法指导菌群跳出局部最优，可快速获得最佳的生产过程参数，达到了高效、降耗、减排的目的。

Description

基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法
技术领域
本发明涉及铝电解工业生产领域，具体的说是一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法。
背景技术
铝电解是一个复杂的工业生产过程，在生产过程中，会产生大量温室气体，环境污染严重。因此，在保证铝电解槽平稳生产的前提下，如何提高电流效率、降低能耗、降低污染气体排放量，以实现高效、节能、减排已成为铝电解企业的生产目标。但是，铝电解槽内部复杂的物料化学变化以外部多种不确定作业因素导致槽内参数较多，参数间呈现出非线性、强耦合性等特点，且诸如极距、保温材料厚度等参数难以实时测量、调整，给铝电解生产过程控制优化带来一定难度。
发明内容
针对上述问题，本发明提供了一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，快速的得到优化数据，并将优化后的数据运用到实际铝电解生产中，来提高电流效率，降低吨铝能耗和全氟化物排放量。
为达到上述目的，本发明采用的具体技术方案如下：
一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，包括以下步骤：
S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；
S2：选定铝电解工业现场，采集N组决策变量X1，X2，…，XN及其对应的电流效率y1，y2，…，yN；对应的吨铝能耗z1，z2，…，zN和对应的全氟化物排放量w1,w2,…,wN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi以及全氟化物排放量wi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；
S3：利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，优化时，通过计算非劣解的拥挤距离并根据拥挤距离对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；
S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，使其达到节能、降耗和减排的目的。
进一步描述，结合实际生产情况，步骤S1中选定了8个参数构成决策变量，分别为系列电流x1、下料次数x2、分子比x3、出铝量x4、铝水平x5、电解质水平x6、槽温x7、槽电压x8。
为了满足建模需求，步骤S2中的BP神经网络由输入层、隐藏层和输出层构成；
针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800。
再进一步描述，步骤S3中的MOBFOA算法包括以下步骤：
S31：将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；
S32：初始化系统参数，包括细菌群体大小Nn，趋向次数Nc，趋向行为执行中前进次数Ns，繁殖次数Nre，驱散次数Ned，执行驱散行为的概率Ped，外部档案规模K；
S33：执行趋向操作，包括翻转和前进；
假设第i(i＝1,2,…,L)只细菌在第j次趋向操作第k次复制操作和第l次驱散操作之后的位置为θi(j,k,l)，则：
θi(j+1,k,l)＝θi(j,k,l)+C(i)*dcti，式中，dcti是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dcti方向前进的步伐长度，且Δi为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；
S34：根据个体间的信息素浓度Jcc执行聚群操作：
S35：计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；
对给定的k、l，每只细菌的健康函数为式中，表示第i只细菌的能量，J(i,j,k,l)表示细菌i在第j次趋向操作第k次复制操作和第l次驱散操作之后的适应度函数值，Nc表示趋向次数，越大，表示细菌i的觅食能力越强；
S36：将S35产生的菌群与前一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；
S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；
S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，如不满足，则转至S38；
S39：根据菌群进化状态调整步长，并跳转至步骤S33循环执行。
再进一步地，步骤S36中利用个体Pareto熵更新菌群，包括以下步骤：
A1：如果待更新的外部档案A＝φ，则更新后的外部档案A'＝{P}其中P为进化算法获得的一个新解，此时返回P；
A2：如果P被A中的任意一个成员ai∈A占优，则此时返回A；
A3：对于任意的ai∈A，如果ai被P占优，则A＝A/(ai)；
A4：如果A的成员个数|A|＜K，K表示外部档案的最大容量，则A'＝A∪{P}，此时返回A'；
A5：令B＝A∪{P}，对所有B的成员bi∈B，评估bi的个体密度；
A6：查找B中具有最大个体密度的成员bmax；
A7：如果P就是bmax，则A'＝A，此时返回A'；
A8：令A'＝B/(bmax)∪{P}，此时返回A'。
步骤S39中第i只细菌前进步长C(i)的调整方法如下:
B1：在第t次迭代过程中，如果算法获得的近似Pareto前端PFappr向真实Pareto前端PFtrue在目标空间中发生了距离逼近时，则称该算法在时刻t处于收敛状态，则：Ci(i)＝Ci-1(i)-λ(1+|ΔE(t)|)
B2：在第t次迭代过程中，如果算法获得的新解替换了PFappr上质量较低的旧解，则称该算法在时刻t处于多样化状态，则Ci(i)＝Ci-1(i)+μ|ΔE(t)|；
B3：在第t次迭代过程中，如果算法获得的新解被拒绝进入PFappr，则算法在时刻t处于停滞状态，则Ci(i)＝Ci-1(i)；
其中λ、μ为(0,1)之间的随机数，ΔE(t)为菌群Pareto解的差熵。
本发明的有益效果：BP神经网络的非线性映射能力强，适用于铝电解生产过程中高效、节能、减排指标的映射关系，建立铝电解生产过程的映射模型；加之利用MOBFOA算法，进行Pareto熵对外部档案进行更新和动态调整菌群步长以引导菌群快速移动并避免陷入局部最优；根据优化后的工艺参数最优值进行实际生产指导，来提高电流效率、降低吨铝能耗以及全氟化物排放量。
附图说明
图1是本发明的流程框图；
图2是电流效率预测效果图；
图3是电流效率预测误差图；
图4是吨铝能耗预测效果图；
图5是吨铝能耗预测误差图；
图6是CF4排放量预测效果图；
图7是CF4排放量预测误差图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
实施例
从图1可以看出，一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于包括以下步骤：
S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；
在实施过程中，是通过统计铝电解生产过程中，对电流效率、吨铝能耗以及全氟化物排放量有影响的原始变量，并从中确定在铝电解生产过程中对电流效率、吨铝能耗以及全氟化物排放量影响最大的作为决策变量X；
通过对实际工业生产过程中测量参数进行统计得到对电流效率、吨铝能耗以及全氟化物排放量影响最大的变量为：系列电流x1、下料次数x2、分子比x3、出铝量x4、铝水平x5、电解质水平x6、槽温x7、槽电压x8共8个变量。
S2：选定铝电解工业现场，采集N组决策变量X1，X2，…，XN及其对应的电流效率y1，y2，…，yN；对应的吨铝能耗z1，z2，…，zN和对应的全氟化物排放量w1,w2,…,wN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi以及全氟化物排放量wi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；
在本实施例中，取用重庆天泰铝业有限公司170KA系列电解槽中的223#槽2013年全年生产数据以及2014年前40天数据，共计405组数据，数据样本如表1所示：
表1电解槽数据样本
样本编号 1 2 3 4 …
x1 1681 1681 1681 1746 …
x2 628 715 625 727 …
x3 2.50 2.52 2.51 2.45 …
x4 1230 1230 1240 1240 …
x5 18 16.5 17.5 21 …
x6 14 15 15 17 …
x7 943 939 947 943 …
x8 3710 3720 3710 3723 …
y 94.66 94.66 95.43 91.52 …
z 12364.8 12396.3 12273.1 12797.1 …
w 4.21 4.87 4.03 4.15 …
步骤S2中的BP神经网络由输入层、隐藏层和输出层构成；
神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经网络设计中的难点，这里采用试凑法来确定隐层的节点数：
其中p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，a为1～10之间的常数。
BP神经网络的设置参数如下表2所示：
表2 BP神经设置参数
目标函数 电流效率 吨铝能耗 全氟化物排放量
迭代次数 800 800 800
隐含层传递函数 Tansig Logsig Tansig
输出层传递函数 Purelin Purelin Purelin
隐含层节点数 13 12 13
从表2可以看出，针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800。
神经网络的训练过程中主要按照以下步骤进行：
设置Xb＝[xb1,xb2,…,xbM](b＝1,2,…,T)为输入矢量，T为训练样本个数，为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，Yb(g)＝[yb1(g),yb2(g),…,ybP(g)](b＝1,2,…,T)为第g次迭代时网络的实际输出，db＝[db1,db2,…,dbP](b＝1,2,…,T)为期望输出；
步骤S2中建立铝电解生产过程模型具体包括如下步骤：
S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)一个(0,1)区间的随机值；
S22：随机输入样本Xb；
S23：对输入样本Xb，前向计算BP神经网络每层神经元的输入信号和输出信号；
S24：根据期望输出db和实际输出Yb(g)，计算误差E(g)；
S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；
S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；
S27：对输入样本Xb反向计算每层神经元的局部梯度δ；
S28：计算权值修正量ΔW，并修正权值，计算公式为：式中，η为学习效率；令g＝g+1，跳转 至步骤S23；
S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。
通过上述过程，可得到BP神经网络预测效果如图2、3、4、5、6、7所示。铝电解生产过程优化的基础是优化模型的建立，模型精度直接影响优化结果。通过对图2、3、4、5、6、7分析可知，经BP神经网络训练，电流效率的最大预测误差为-3％，吨铝能耗预测误差为-4.9％，全氟化物排放量误差为2.3％，BP神经网络模型预测精确度高，满足建模要求。
S3：利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，优化时，通过计算Pareto熵并根据Pareto熵对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；
各个变量的上限值和下限值如表3所示：
表3决策变量取值范围
变量名 下限值 上限
x1 1660 1710
x2 610 710
x3 2.35 2.55
x5 16 21
x6 14 18
x7 930 970
x8 3600 3750
步骤S3中的MOBFOA算法包括以下步骤：
S31：将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；
S32：初始化系统参数，包括细菌群体大小Nn，趋向次数Nc，趋向行为执行中前进次数Ns，繁殖次数Nre，驱散次数Ned，执行驱散行为的概率Ped，外部档案规模K；
在本实施例中，细菌群体大小N＝100，趋向次数Nc＝100，趋向行为执行中前进次数Ns＝4，繁殖次数Nre＝6，驱散次数Ned＝4，执行驱散行为的概率Ped＝0.25，外部档案规模K＝100；
S33：执行趋向操作，包括翻转和前进；
假设第i(i＝1,2,…,L)只细菌在第j次趋向操作第k次复制操作和第l次驱散操作之后的位置为θi(j,k,l)，则：
θi(j+1,k,l)＝θi(j,k,l)+C(i)*dcti，式中，dcti是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dcti方向前进的步伐长度，且Δi为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；
S34：根据个体间的信息素浓度Jcc执行聚群操作：
S35：计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；
对给定的k、l，每只细菌的健康函数为式中，表示第i只细菌的能量，J(i,j,k,l)表示细菌i在第j次趋向操作第k次复制操作和第l次驱散操作之后的适应度函数值，Nc表示趋向次数，越大，表示细菌i的觅食能力越强；
经过一个周期的趋向操作后，按照“优胜劣汰”的法则，菌落将依据每只细菌获得的能量进行复制操作。在复制操作过程中，每只细菌按照觅得的总能量进行排序，获得能量低的半数细菌将死去，获得能量高的半数细菌进行分裂，以此维持菌落细菌总数不变。
S36：将S35产生的菌群与前一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；
其中利用个体Pareto熵更新菌群，包括以下步骤：
A1：如果待更新的外部档案A＝φ，则更新后的外部档案A'＝{P}其中P为进化算法获得的一个新解，此时返回P；
A2：如果P被A中的任意一个成员ai∈A占优，则此时返回A；
A3：对于任意的ai∈A，如果ai被P占优，则A＝A/(ai)；
A4：如果A的成员个数|A|＜K，K表示外部档案的最大容量，则A'＝A∪{P}，此时返回A'；
A5：令B＝A∪{P}，对所有B的成员bi∈B，评估bi的个体密度；
A6：查找B中具有最大个体密度的成员bmax；
A7：如果P就是bmax，则A'＝A，此时返回A'；
A8：令A'＝B/(bmax)∪{P}，此时返回A'。
S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；
在经历几代复制操作后，菌落将会集聚，使其多样性退化。为了保证菌落的多样性，菌落中的一些个体将以小概率Ped被驱散，而重新出现在搜索区域内新的位置。虽然驱散操作破坏了细菌的趋向行为，但细菌也有可能因此出现食物更加丰富的区域内。
S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，如不满足，则转至S38；
S39：根据菌群进化状态调整步长，并跳转至步骤S33循环执行；
第i只细菌前进步长C(i)的调整方法如下:
B1：在第t次迭代过程中，如果算法获得的近似Pareto前端PFappr向真实Pareto前端PFtrue在目标空间中发生了距离逼近时，则称该算法在时刻t处于收敛状态，则：Ci(i)＝Ci-1(i)-λ(1+|ΔE(t)|)
B2：在第t次迭代过程中，如果算法获得的新解替换了PFappr上质量较低的旧解，则称该算法在时刻t处于多样化状态，则Ci(i)＝Ci-1(i)+μ|ΔE(t)|；
B3：在第t次迭代过程中，如果算法获得的新解被拒绝进入PFappr，则算法在时刻t处于停滞状态，则Ci(i)＝Ci-1(i)；
其中λ、μ为(0,1)之间的随机数，ΔE(t)为菌群Pareto解的差熵。
S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，使其达到节能、降耗和减排的目的。
通过上述步骤对铝电解生产过程进行优化可以得到100组最优的决策变量与相对应的输出值，选取其中最合理的3组列于表4中：
表4最佳生产参数
对比其中最佳运行参数与2013年全年记录的平均值可知，电流效率提高了4.49％、吨铝能耗降低了1312.36KWh/t-Al、CF4排放量降低了0.33kg，满足结束要求，将数据代入生产。
本发明的上述实施例中，通过提供一种基于BP神经网络与MOBFOA算法的铝电解节能降耗减排控制方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用细菌觅食优化算法对生产过程模型进行优化，进行Pareto熵对外部档案进行更新和动态调整菌群步长以引导菌群快速移动并避免陷入局部最优,快速得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝能耗以及全氟化物排放量。该方法快速确定了铝电解生产过程中工艺参数的最优值，有效提高了电流效率，降低了吨铝能耗以及减少了全氟化物的排放量，真正达到节能降耗减排的目的。
上述说明并非是对本发明的限制，本发明也并不仅限于上述实施例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于包括以下步骤：
S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；
S2：选定铝电解工业现场，采集N组决策变量X1，X2，…，XN及其对应的电流效率y1，y2，…，yN；对应的吨铝能耗z1，z2，...，zN和对应的全氟化物排放量w1,w2,…,wN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi以及全氟化物排放量wi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；
S3：利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，优化时，通过计算Pareto熵并根据Pareto熵对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；
S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，使其达到节能、降耗和减排的目的；
步骤S3中的MOBFOA算法包括以下步骤：
S31：将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；
S32：初始化系统参数，包括细菌群体大小Nn，趋向次数Nc，趋向行为执行中前进次数Ns，繁殖次数Nre，驱散次数Ned，执行驱散行为的概率Ped，外部档案规模K；
S33：执行趋向操作，包括翻转和前进；
假设第i(i＝1,2,…,L)只细菌在第j次趋向操作第k次复制操作和第l次驱散操作之后的位置为θi(j,k,l)，则θi(j+1，k，l)＝θi(j，k，l)+C(i)*dcti，式中，dcti是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dcti方向前进的步伐长度，且Δi为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；
S34：根据个体间的信息素浓度Jcc执行聚群操作：
S35：计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；
对给定的k、l，每只细菌的健康函数为式中，表示第i只细菌的能量，J(i,j,k,l)表示细菌i在第j次趋向操作第k次复制操作和第l次驱散操作之后的适应度函数值，Nc表示趋向次数，越大，表示细菌i的觅食能力越强；
S36：将S35产生的菌群与前一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；
S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；
S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，如不满足，则转至S38；
S39：根据菌群进化状态调整步长，并跳转至步骤S33循环执行。
2.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S1中选定了8个参数构成决策变量，分别为系列电流x1、下料次数x2、分子比x3、出铝量x4、铝水平x5、电解质水平x6、槽温x7、槽电压x8。
3.根据权利要求1或2所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S2中的BP神经网络由输入层、隐藏层和输出层构成；
针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800；
针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为800。
4.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S36中利用个体Pareto熵更新菌群，包括以下步骤：
A1：如果待更新的外部档案A＝φ，则更新后的外部档案A'＝{P}其中P为进化算法获得的一个新解，此时返回P；
A2：如果P被A中的任意一个成员ai∈A占优，则此时返回A；
A3：对于任意的ai∈A，如果ai被P占优，则A＝A/(ai)；
A4：如果A的成员个数|A|＜K，K表示外部档案的最大容量，则A'＝A∪{P}，此时返回A'；
A5：令B＝A∪{P}，对所有B的成员bi∈B，评估bi的个体密度；
A6：查找B中具有最大个体密度的成员bmax；
A7：如果P就是bmax，则A'＝A，此时返回A'；
A8：令A'＝B/(bmax)∪{P}，此时返回A'。
5.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S39中第i只细菌前进步长C(i)的调整方法如下:
B1：在第t次迭代过程中，如果算法获得的近似Pareto前端PFappr向真实Pareto前端PFtrue在目标空间中发生了距离逼近时，则称该算法在时刻t处于收敛状态，则：Ci(i)＝Ci-1(i)-λ(1+|ΔE(t)|)
B2：在第t次迭代过程中，如果算法获得的新解替换了PFappr上质量较低的旧解，则称该算法在时刻t处于多样化状态，则Ci(i)＝Ci-1(i)+μ|ΔE(t)|；
B3：在第t次迭代过程中，如果算法获得的新解被拒绝进入PFappr，则算法在时刻t处于停滞状态，则Ci(i)＝Ci-1(i)；
其中λ、μ为(0,1)之间的随机数，ΔE(t)为菌群Pareto解的差熵。
CN201510753959.7A 2015-11-06 2015-11-06 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 Active CN105321000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510753959.7A CN105321000B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510753959.7A CN105321000B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法

Publications (2)

Publication Number Publication Date
CN105321000A CN105321000A (zh) 2016-02-10
CN105321000B true CN105321000B (zh) 2018-10-09

Family

ID=55248347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510753959.7A Active CN105321000B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法

Country Status (1)

Country Link
CN (1) CN105321000B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975800B (zh) * 2016-06-21 2017-04-19 中南大学 用于化学重金属废水处理过程的多参数优化方法及装置
CN106472332B (zh) * 2016-10-10 2019-05-10 重庆科技学院 基于动态智能算法的宠物喂养方法及系统
CN106407711A (zh) * 2016-10-10 2017-02-15 重庆科技学院 基于云数据的宠物喂养推荐方法及系统
CN107511823B (zh) * 2017-08-29 2019-09-27 重庆科技学院 机器人作业轨迹优化分析的方法
CN111598306B (zh) * 2020-04-22 2023-07-18 汉谷云智(武汉)科技有限公司 一种炼油厂生产计划优化方法及装置
CN112634019A (zh) * 2020-12-23 2021-04-09 百维金科(上海)信息科技有限公司 基于细菌觅食算法优化灰色神经网络的违约概率预测方法
CN114351496B (zh) * 2021-12-17 2023-07-18 浙江华章科技有限公司 一种网压部真空系统压力自动整定方法及系统
CN115358436A (zh) * 2022-06-29 2022-11-18 合肥工业大学 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统
CN117691880B (zh) * 2024-02-03 2024-05-10 西门子能源电气设备(常州)有限公司 一种高效率低谐波的电解整流设备及控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808431A (zh) * 2014-03-03 2014-05-21 湖南创元铝业有限公司 铝电解槽槽温测量方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808431A (zh) * 2014-03-03 2014-05-21 湖南创元铝业有限公司 铝电解槽槽温测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络和遗传算法的硫化工艺参数优化;汤文生等;《橡胶工业》;20080228;第105-108页 *
铝电解生产过程的多目标优化;郭俊等;《中南大学学报(自然科学版)》;20120226;第548-553页 *

Also Published As

Publication number Publication date
CN105321000A (zh) 2016-02-10

Similar Documents

Publication Publication Date Title
CN105321000B (zh) 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法
CN105404926B (zh) 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法
CN105447567B (zh) 基于bp神经网络与mpso算法的铝电解节能减排控制方法
Zhang et al. A survey of multiobjective evolutionary algorithms
CN109634121A (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN105404142B (zh) 基于bp神经网络与mbfo算法的铝电解多参数控制方法
Yi et al. Multi-objective bacterial foraging optimization algorithm based on parallel cell entropy for aluminum electrolysis production process
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN109598092A (zh) 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN106951983A (zh) 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法
CN105426959B (zh) 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法
CN108805743A (zh) 一种电网企业售电公司运营效益评价方法
CN109085752A (zh) 基于角度支配关系的铝电解偏好多目标优化算法
CN105608295B (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN109886448A (zh) 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法
Li et al. A two-archive algorithm with decomposition and fitness allocation for multi-modal multi-objective optimization
CN108445756B (zh) 基于ar支配关系的铝电解节能减排智能控制方法
CN105420760B (zh) 基于自适应步长细菌觅食算法的铝电解多参数优化方法
CN105426960B (zh) 基于bp神经网络与mbfo算法的铝电解节能减排控制方法
CN105334824A (zh) 基于nsga-ⅱ算法的铝电解生产优化方法
CN108710748A (zh) 一种平面四杆机构轨迹设计的果蝇优化方法
CN108256623A (zh) 基于周期交互机制和知识板协同机制的多种群微粒群算法
CN109086469A (zh) 基于递归神经网络与偏好信息的铝电解建模与优化方法
Peng et al. Multi-objective particle swarm optimization algorithm based on sharing-learning and Cauchy mutation
Li et al. Flexible job shop scheduling based on genetically modified neighborhood hybrid algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160210

Assignee: Guangzhou nuobi Electronic Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052372

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

Application publication date: 20160210

Assignee: Lingteng (Guangzhou) Electronic Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052367

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

Application publication date: 20160210

Assignee: Guangzhou Taipu Intelligent Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052361

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

Application publication date: 20160210

Assignee: GUANGZHOU GUOCHUANG TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052357

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

Application publication date: 20160210

Assignee: GUANGZHOU YIJUN TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052341

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

Application publication date: 20160210

Assignee: GUANGZHOU XINGYIN TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052337

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231220

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160210

Assignee: WUZHOU JINZHENGYUAN ELECTRONIC TECH. Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980053985

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20231227

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160210

Assignee: Liaoning Higher Education Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000653

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240119

Application publication date: 20160210

Assignee: Silk Road Inn (Chongqing) Trading Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000638

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240119

Application publication date: 20160210

Assignee: Hengdian Wuxia Film and Television (Chongqing) Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000634

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240119

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160210

Assignee: Foshan WanChen Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004249

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240415

Application publication date: 20160210

Assignee: FOSHAN ZHENGRONG TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004248

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240415

Application publication date: 20160210

Assignee: FOSHAN DOUQI TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004247

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240415

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160210

Assignee: Foshan helixing Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004524

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240419

Application publication date: 20160210

Assignee: Foshan qianshun Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004523

Denomination of invention: Optimization method of aluminum electrolysis process parameters based on BP neural network and MOBFOA algorithm

Granted publication date: 20181009

License type: Common License

Record date: 20240419