CN105426960B - 基于bp神经网络与mbfo算法的铝电解节能减排控制方法 - Google Patents

基于bp神经网络与mbfo算法的铝电解节能减排控制方法 Download PDF

Info

Publication number
CN105426960B
CN105426960B CN201510752612.0A CN201510752612A CN105426960B CN 105426960 B CN105426960 B CN 105426960B CN 201510752612 A CN201510752612 A CN 201510752612A CN 105426960 B CN105426960 B CN 105426960B
Authority
CN
China
Prior art keywords
bacterium
neural network
emission
mbfo
external archive
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
CN201510752612.0A
Other languages
English (en)
Other versions
CN105426960A (zh
Inventor
黄迪
易军
陈实
李太福
何海波
周伟
张元涛
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 CN201510752612.0A priority Critical patent/CN105426960B/zh
Publication of CN105426960A publication Critical patent/CN105426960A/zh
Application granted granted Critical
Publication of CN105426960B publication Critical patent/CN105426960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
    • C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
    • C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
    • C25C3/20—Automatic control or regulation of cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明提供了一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用基于拥挤距离的多目标细菌觅食优化算法对生产过程模型进行优化，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和温室气体排放量，其中，在对生产过程模型进行优化时，需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，使菌群在寻优过程中快速朝目标移动，以确保在保证种群多样性前提下迅速收敛。该方法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，减少了温室气体排放量，真正达到节能减排的目的。

Description

基于BP神经网络与MBFO算法的铝电解节能减排控制方法
技术领域
本发明涉及铝电解生产过程中的自动控制技术，具体涉及一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法。
背景技术
铝电解是一个复杂的工业生产过程，通常采用拜耳法进行冶炼，然而，该方法耗能巨大且效率低。与此同时，铝电解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
本申请通过提供一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，以解决现有技术中铝电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且严重污染环境的技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，其特征在于，包括如下步骤：
S1：选择对电流效率和温室气体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和温室气体排放量z1，z2，…，zN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和温室气体排放量zi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MBFO算法，对步骤S2所得的两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和温室气体排放量zbest，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，以保证在种群多样性前提下快速收敛；
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，使其达到节能减排。
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、下料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。
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传递函数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500；
针对温室气体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传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500。
进一步地，步骤S3中的MBFO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，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱散次数Ned，驱散概率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，计算此时新菌群的个体拥挤距离并按照拥挤距离进行排序，选择前L个优势个体构成下一代菌群；
S36：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；
S37：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和温室气体排放量zbest，如不满足，则跳转至步骤S33循环执行。
再进一步地，步骤S3中计算非劣解的拥挤距离包括如下步骤：
A1：对外部档案中所有最优个体进行升序排序；
A2：计算每个解相邻的两个个体在每个优化目标空间上的距离；
A3：将这些距离相加即得所求最优解的拥挤距离，并设边界解的拥挤距离为无穷大；
第i个个体的拥挤距离为：
式中，为第i个个体在目标j的距离，R为升序排列后拥挤距离最大的个体序号，m为目标空间维度；
步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形成的非支配解为Q，具体包括如下步骤：
B1：计算外部档案所有个体的拥挤距离，并作降序排列；
B2：更新外部档案：在第i次迭代时，若Q＞A，则以Q替换A；
B3：判断外部档案A容量是否满足最大容量的要求，若A中个体数n＜q，则复制Q到A中，形成新的外部档案A1；
B4：判断新的外部档案A1中是否存在目标值相同的个体，若存在则只保留其一；
B5：若新的外部档案A1中个体数n1≤q，则进行下一次迭代，若n1＞q，则计算拥挤距离di，并降序排列，删除拥挤距离最小的n1-q个个体。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：该方法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，减少了温室气体排放量，真正达到节能减排的目的。
附图说明
图1为本发明的方法流程图；
图2为电流效率预测结果图；
图3为CF4排放量预测结果图；
图4为电流效率预测误差图；
图5为CF4排放量预测误差图。
具体实施方式
本申请实施例通过提供一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，以解决现有技术中铝电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且严重污染环境的技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
如图1所示，一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，包括如下步骤：
S1：选择对电流效率和温室气体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；
实施是通过统计铝电解生产过程中对电流效率和温室气体排放量有影响的原始变量，并从中确定对电流效率和温室气体排放量影响大的参数作为决策变量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和温室气体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和温室气体排放量z1，z2，…，zN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和温室气体排放量zi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，采集重庆天泰铝业有限公司170KA系列电解槽中的223#槽电解槽实际生产过程中的400组数据作为实验数据，其中前380组作为训练样本，后20组作为测试样本，数据样本如下表1所示。
表1数据样本
在神经网络设计中，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。
式中，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，k为1-10之间的常数，本例中BP神经网络的设置参数如下表2所示。
表2 BP神经网络设置参数
具体为：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传递函数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500；
针对温室气体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传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500。
神经网络的训练过程中主要按照以下步骤进行：
设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,N)为输入矢量，N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，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,N)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,N)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Xk；
S23：对输入样本Xk，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dk和实际输出Yk(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Xk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分析可知，经BP神经网络训练，电流效率的最大预测误差为-0.407％，温室气体四氟化碳CF4排放量预测误差0.0165％，模型预测精度高，满足建模要求。
S3：利用多目标细菌觅食优化算法，即MBFO算法，对步骤S2所得的两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和温室气体排放量zbest，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，以保证在种群多样性前提下快速收敛；
进一步地，步骤S3中的MBFO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，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱散次数Ned，驱散概率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；
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，计算此时新菌群的个体拥挤距离并按照拥挤距离进行排序，选择前L个优势个体构成下一代菌群；
S36：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。
S37：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和温室气体排放量zbest，如不满足，则跳转至步骤S33循环执行。
更进一步地，步骤S3中计算非劣解的拥挤距离包括如下步骤：
A1：对外部档案中所有最优个体进行升序排序；
A2：计算每个解相邻的两个个体在每个优化目标空间上的距离；
A3：将这些距离相加即得所求最优解的拥挤距离，并设边界解的拥挤距离为无穷大；
第i个个体的拥挤距离为：
式中，为第i个个体在目标j的距离，R为升序排列后拥挤距离最大的个体序号，m为目标空间维度；
拥挤距离大的个体具有更多参与下一次迭代计算的机会，从而维持算法种群的多样性，使得算法能够收敛到一个均匀分布的Pareto曲面。因此，利用拥挤距离作为更新外部档案的依据可使算法更好的收敛到Pareto曲面。
外部档案被用来保存个体在搜索过程中产生的非劣解并在算法结束时输出计算结果，同时也能引导算法的进化过程以保证算法全局收敛。维护外部档案是为了控制外部档案的最大规模，同时保证非劣解的多样性以及最优个体不被丢失，对算法具有重要意义。本发明采用基于拥挤距离排序的外部档案更新策略，使得外部档案能动态的自适应更新，以使菌群在寻优过程中朝着目标更迅速的移动，以便在保证种群多样性的前提下迅速收敛。
步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形成的非支配解为Q，具体包括如下步骤：
B1：计算外部档案所有个体的拥挤距离，并作降序排列；
B2：更新外部档案：在第i次迭代时，若Q＞A，则以Q替换A；
B3：判断外部档案A容量是否满足最大容量的要求，若A中个体数n＜q，则复制Q到A中，形成新的外部档案A1；
B4：判断新的外部档案A1中是否存在目标值相同的个体，若存在则只保留其一；
B5：若新的外部档案A1中个体数n1≤q，则进行下一次迭代，若n1＞q，则计算拥挤距离di，并降序排列，删除拥挤距离最小的n1-q个个体。
通过上述步骤对铝电解生产过程进行优化可得100组最优的决策变量与对应的输出值，选取其中最合理的3组列于下表3中。
表3最佳生产参数
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，使其达到节能减排。
本申请的上述实施例中，通过提供一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用基于拥挤距离的多目标细菌觅食优化算法对生产过程模型进行优化，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和温室气体排放量，其中，在对生产过程模型进行优化时，需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，使菌群在寻优过程中快速朝目标移动，以确保在保证种群多样性前提下迅速收敛。该方法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，减少了温室气体排放量，真正达到节能减排的目的。
应当指出的是，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举例，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 (4)

1.一种基于BP神经网络与MBFO算法的铝电解节能减排控制方法，其特征在于，包括如下步骤：
S1：选择对电流效率和温室气体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和温室气体排放量z1，z2，…，zN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和温室气体排放量zi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MBFO算法，对步骤S2所得的两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和温室气体排放量zbest，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，以保证在种群多样性前提下快速收敛；
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，使其达到节能减排；
MBFO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，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱散次数Ned，驱散概率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，计算此时新菌群的个体拥挤距离并按照拥挤距离进行排序，选择前L个优势个体构成下一代菌群；
S36：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；
S37：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和温室气体排放量zbest，如不满足，则跳转至步骤S33循环执行。
2.根据权利要求1所述的基于BP神经网络与MBFO算法的铝电解节能减排控制方法，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、下料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。
3.根据权利要求1或2所述的基于BP神经网络与MBFO算法的铝电解节能减排控制方法，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传递函数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500；
针对温室气体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传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500。
4.根据权利要求1所述的基于BP神经网络与MBFO算法的铝电解节能减排控制方法基于BP神经网络与MBFO算法的铝电解节能减排控制方法，其特征在于，步骤S3中计算非劣解的拥挤距离包括如下步骤：
A1：对外部档案中所有最优个体进行升序排序；
A2：计算每个解相邻的两个个体在每个优化目标空间上的距离；
A3：将这些距离相加即得所求最优解的拥挤距离，并设边界解的拥挤距离为无穷大；
第i个个体的拥挤距离为：
式中，为第i个个体在目标j的距离，R为升序排列后拥挤距离最大的个体序号，m为目标空间维度；
步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形成的非支配解为Q，具体包括如下步骤：
B1：计算外部档案所有个体的拥挤距离，并作降序排列；
B2：更新外部档案：在第i次迭代时，若Q＞A，则以Q替换A；
B3：判断外部档案A容量是否满足最大容量的要求，若A中个体数n＜q，则复制Q到A中，形成新的外部档案A1；
B4：判断新的外部档案A1中是否存在目标值相同的个体，若存在则只保留其一；
B5：若新的外部档案A1中个体数n1≤q，则进行下一次迭代，若n1＞q，则计算拥挤距离di，并降序排列，删除拥挤距离最小的n1-q个个体。
CN201510752612.0A 2015-11-06 2015-11-06 基于bp神经网络与mbfo算法的铝电解节能减排控制方法 Active CN105426960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510752612.0A CN105426960B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mbfo算法的铝电解节能减排控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510752612.0A CN105426960B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mbfo算法的铝电解节能减排控制方法

Publications (2)

Publication Number Publication Date
CN105426960A CN105426960A (zh) 2016-03-23
CN105426960B true CN105426960B (zh) 2017-12-05

Family

ID=55505155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510752612.0A Active CN105426960B (zh) 2015-11-06 2015-11-06 基于bp神经网络与mbfo算法的铝电解节能减排控制方法

Country Status (1)

Country Link
CN (1) CN105426960B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110093632A (zh) * 2018-01-30 2019-08-06 沈阳铝镁设计研究院有限公司 在线数字化电解槽健康度评价计算方法
CN109086469B (zh) * 2018-03-09 2022-11-11 重庆科技学院 基于递归神经网络与偏好信息的铝电解建模与优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6745169B1 (en) * 1995-07-27 2004-06-01 Siemens Aktiengesellschaft Learning process for a neural network
CN102184454A (zh) * 2011-05-26 2011-09-14 浙江迦南科技股份有限公司 基于神经网络系统的制粒机配方生成方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8538901B2 (en) * 2010-02-05 2013-09-17 Toyota Motor Engineering & Manufacturing North America, Inc. Method for approximation of optimal control for nonlinear discrete time systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6745169B1 (en) * 1995-07-27 2004-06-01 Siemens Aktiengesellschaft Learning process for a neural network
CN102184454A (zh) * 2011-05-26 2011-09-14 浙江迦南科技股份有限公司 基于神经网络系统的制粒机配方生成方法
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 (1)

* Cited by examiner, † Cited by third party
Title
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43卷(第2期);第548-553页 *

Also Published As

Publication number Publication date
CN105426960A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
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
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
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
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
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
CN105404142B (zh) 基于bp神经网络与mbfo算法的铝电解多参数控制方法
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
CN106529818B (zh) 基于模糊小波神经网络的水质评价预测方法
CN109085752B (zh) 基于角度支配关系的铝电解偏好多目标优化算法
CN105302973A (zh) 基于moea/d算法的铝电解生产优化方法
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
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
CN111046559A (zh) 一种基于双层精英协同进化的多目标优化方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN108445756B (zh) 基于ar支配关系的铝电解节能减排智能控制方法
CN110852435A (zh) 一种基于神经进化计算模型
CN105334824A (zh) 基于nsga-ⅱ算法的铝电解生产优化方法
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
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN109086469B (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
CN114743617A (zh) 一种高效的MOFs材料搜索与生成方法
CN114091745A (zh) 基于改进多存储池回声状态网络的行业用电量预测方法
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法
Hu et al. A classification surrogate model based evolutionary algorithm for neural network structure learning

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

Application publication date: 20160323

Assignee: Guangzhou nuobi Electronic Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052372

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20231220

Application publication date: 20160323

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

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052367

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20231220

Application publication date: 20160323

Assignee: Guangzhou Taipu Intelligent Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052361

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20231220

Application publication date: 20160323

Assignee: GUANGZHOU GUOCHUANG TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052357

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20231220

Application publication date: 20160323

Assignee: GUANGZHOU YIJUN TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052341

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20231220

Application publication date: 20160323

Assignee: GUANGZHOU XINGYIN TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980052337

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

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: 20160323

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

Assignor: Chongqing University of Science & Technology

Contract record no.: X2023980053985

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Liaoning Higher Education Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000653

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240119

Application publication date: 20160323

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

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000638

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240119

Application publication date: 20160323

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

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980000634

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240119

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Foshan WanChen Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004249

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240415

Application publication date: 20160323

Assignee: FOSHAN ZHENGRONG TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004248

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240415

Application publication date: 20160323

Assignee: FOSHAN DOUQI TECHNOLOGY Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004247

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240415

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160323

Assignee: Foshan helixing Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004524

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240419

Application publication date: 20160323

Assignee: Foshan qianshun Technology Co.,Ltd.

Assignor: Chongqing University of Science & Technology

Contract record no.: X2024980004523

Denomination of invention: Energy saving and emission reduction control method for aluminum electrolysis based on BP neural network and MBFO algorithm

Granted publication date: 20171205

License type: Common License

Record date: 20240419