CN110288591B - 基于改进的自适应多种群遗传算法的锌浮选工况判别方法 - Google Patents

Abstract

本发明公开了一种基于改进的自适应多种群遗传算法的锌浮选工况判别方法，应用于泡沫浮选工艺中，通过实时获取的泡沫图像特征数据集作为初期训练种群，加入有经验工人的选择，并且在此基础上，考虑到人工选择的主观性、受环境的影响度，加入主观因子系数，即主观判断可偏移区间，再次评估，判断当前选择是否在其误差允许范围内，由此将人为主观影响控制到一定范围。在整个过程中，实时反馈当前优良工况，用实时返回的工况进行种群调整，实现对最优解的实时的刷新，降低不同原矿堆品位值变化的影响，以此达到最后对品位值与回收率的有效控制。

Description

基于改进的自适应多种群遗传算法的锌浮选工况判别方法

技术领域

本发明涉及泡沫浮选过程中，基于选取最优工况下的所对应的最优解的自适应多种群遗传算法下的锌浮选工况判别方法。

背景技术

在泡沫浮选过程中，遗传算法能有效解决最优值问题或者最优区间问题，进而对工况进行有效判别，最开始的传统遗传算法中初始种群是随机生成的，搜索率有所降低，易于陷入局部最优的状态，其次只考虑到了个体适应度的差异问题，而没有考虑种群进化状态的差异。

将多种群遗传算法运用到泡沫浮选工艺中，设定移民算子，逐次由前一种群移民到下一种群，通过人工选择得到最后的精华种群，起决定作用的是依靠人的经验和肉眼的观察，因此存在的人的主观性影响不容忽视，不管是身体原因还是受周围环境影响，例如灯光，温度，噪声等等，都能对最后选出的个体产生较大的影响。现有的算法中，有的忽略了人的主观能动性以及人工经验的重要性，有的将人的经验充分利用，却忽略了人存在主观性的影响、人为判断存在较大的波动而做出的无可避免的错误决定，没有通过找到有效的办法来解决人的主观所带来的影响问题，或者说没有采取任何措施来进行评估和补偿。

其次，现有算法，初始种群始终未改变，只能对于原矿堆品位值稳定的对象进行最优值获取，面对原矿品位值有波动的对象来说，所计算的得到的最优值距真实最优值的偏移误差较大。

发明内容

本发明的目的是提供一种基于改进的自适应多种群遗传算法的锌浮选工况判别方法，针对人为主观因素对最后结果产生的方向、大小不定的影响，来进行区间预估以及进行区间补偿。与此同时，针对不同原矿堆来采取相对应的解决措施。

本发明所采用的技术方案具体步骤如下：

A.对锌浮选粗选槽的泡沫图像物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；通过对k个锌浮选泡沫图像P₁,P₂…P_k进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集C₁＝(C₁₁…C_1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为C₂＝(C₂₁…C_2k)、C₃＝(C₃₁…C_3k)、C₄＝(C₄₁…C_4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集C₅＝(C₅₁…C_5k)；

B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行信任度分配，得到各个特征所对应的重要度权值为d₁、d₂、d₃、d₄、d₅；

C.将所有特征的数据集相对应的划分为n个初始种群，再分别对各个种群进行自适应遗传算法计算；

a.n个种群x₁…x_n分别计算其初始的包含各个特征所对应的重要度加权适应度函数f(x₁…x_n)：

其中f(x₁…x_n)对应n个种群的最优解输出，f(x₁)＝{C₁₁…C₅₁}…f(x_n)＝{C_1n…C_5n}；看是否满足以上适应度函数即目标函数，若不满足则进行下一步(b)，若满足，则转到D步；

b.自适应调整：进行遗传学操作，自适应交叉概率函数为P_c，自适应变异概率函数为P_m：

其中f_max代表的是群体中适应度的最大值，f_avg表示每代群体中的平均适应度值，f′表示另个要交叉个体中的适应度较大的值，f表示所要变异个体的适应度值，R₁、R₂、R₃、R₄取值(0,1)区间；根据自适应函数调整过后得到新的种群，重新计算适应度，回到步骤C的a。

D.得到各个种群传统自适应遗传算法后的输出y₁,…y_n，再对其进行种群间的交流与人工选择补偿；

a.进行种群间的交流第一步，采用移民算子，将前一种群中的优良个体，移民到下一种群中，然后与最差的个体进行比较，移除掉最差的，保证群体的优良性；

b.各个种群加入人工选择得到的最后种群数据在满足目标函数的情况下，输出为y₁,…y_n；根据给定一系列在最后精矿品位值高于54的所对应的q个优良工况群为y₁₀,…y_q0，取置信度为[90％,98％]，则其置信区间为

其中

查表可得，

σ₀分别为平均值与标准差：

由此得到最后的主观因子系数：

进行主观因子补偿：

y′₁＝y₁+γ；.....y′_n＝y_n+γ；

其中γ为区间

当γ为正数时，正向补偿；当γ为负数时，反向补偿；由此，得到最后数据集y′₁,…y′_n；

E.判断得到的优良工况是否落在y′₁,…y′_n区间内，若在则将人工选择结果y_n加入到精华种群，否则放弃；最后将此次反馈的工况良好的数据返回作为个体加入初始n个种群的第一个种群，进行下一次的最优解求解的数据集；

F.得到实时的精选种族，即得到最后的全体最优解u′；

G.实时给定泡沫图像，提取多特征值，包括泡沫尺寸、对比度、熵值、相关系数、泡沫流速，通过与相对应特征的最优解进行差量u计算，得到最终工况类别。

所述的各个特征所对应的重要度权值为d₁＝0.3、d₂＝0.2、d₃＝0.1、d₄＝0.2、d₅＝0.2。

设置的主观因子系数为γ，表示给定一系列在最后精矿品位值高于54所对应的置信度为95％的置信区间偏移度。

所述的工况类别分别为[42,46],[46,50],[50,54],[54,58]。

与现有技术相比，本发明的有益效果是相比于传统的遗传算法，不容易陷入局部最优，并且针对于不同的实际环境，泡沫浮选厂对于最后品位值即工况的判别中，考虑到各个特征对最后品位值的重要度不同，通过加权的适应度函数进行区分调整，不仅实现各个特征最优解的自适应调整，而且也实现了对各个具有相关性的特征的整体寻优，不再单一考虑特征，而是将各个特征之间的关联性进行考虑，增强最优解的可靠性。与此同时，让经验丰富的工人充分发挥了他的主观能动性，将人工经验加入到判断之中，实现知识自动化，同时考虑他的主观因素所带来的影响，设定主观因素因子进行评估，进行偏移区间补偿，最后通过反馈工况进行再次评估。确保将人的不利因素影响控制到一定误差范围内。通过降低人的不利影响，增强最后最优值的可信度，以及准确度，有效提高了最后工况的判别准确度，并且通过最后的模糊数学，减少了计算量，工况判别速度很快，进而给了工人根据工况情况进行操作的时间，确保在原矿堆品位变化的情况下，使得最后的精矿品位值处于较高状态。

附图说明

图1为本发明改进后的自适应多种群遗传算法总的结构框图。

具体实施方式

下面结合附图对本发明进一步说明。首先，需要一定的高品位值所对应的泡沫图像作为训练集，并进行相对应的图像特征进行提取，然后进行一系列操作，具体的步骤如下：

A.给定一系列在最后精矿品位值高于54所对应的k个图像P₁,P₂…P_k,再通过对图像的多个物理特征特征包括泡沫尺寸、纹理特征,包括对比度、熵值、相关系数、动态特征(泡沫流速)，进行特征提取，泡沫尺寸特征数据集C₁＝(C₁₁…C_1k)通过对锌浮选泡沫图像进行分割获取，纹理特征通过对泡沫图像的灰度共生矩阵进行相对应的计算分别得到对比度、熵值、相关系数的数据集C₂＝(C₂₁…C_2k)、C₃＝(C₃₁…C_3k)、C₄＝(C₄₁…C_4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算获取速度数据集C₅＝(C₅₁…C_5k)。

B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行信任度分配，得到各个特征所对应的重要度权值为d₁、d₂、d₃、d₄、d₅，经过计算得到d₁＝0.3、d₂＝0.2、d₃＝0.1、d₄＝0.2、d₅＝0.2。

C.将所有特征的数据集相对应的划分为n个初始种群，再分别对各个种群进行自适应遗传算法。

a.各个种群分别计算其初始的加权适应度函数f(x₁…x_n)：

其中f(x₁…x_n)对应n个种群的最优解输出，f(x₁)＝{C₁₁…C₅₁}…f(x_n)＝{C_1n…C_5n},看是否满足以上适应度函数即目标函数，若不满足则进行下一步(b)，若满足，则转到D步。

b.自适应调整：进行遗传学操作，自适应交叉概率函数为P_c，自适应变异概率函数为P_m：

其中f_max代表的是群体中适应度的最大值，f_avg表示每代群体中的平均适应度值，f′表示另个要交叉个体中的适应度较大的值，f表示所要变异个体的适应度值，R₁、R₂、R₃、R₄取值(0,1)区间；根据自适应函数调整过后得到新的种群，重新计算适应度，回到步骤C。

D.得到各个种群传统自适应遗传算法后的输出，再对其进行种群间的交流与人工选择补偿。

a.进行种群间的交流第一步，采用移民算子，将前一种群中的优良个体，移民到下一种群中，然后与最差的个体进行比较，移除掉最差的，保证群体的优良性。

b.各个种群加入人工选择得到的最后种群数据经过适应度计算后，输出分别为y₁,…y_n,进行人为主观因素的补偿。

c.设置主观因子系数为γ，表示可允许的偏移程度，即置信度为95％的置信区间。主观因子系数γ具体计算如下：

根据不同原矿堆进行工况判断，给定一系列在最后精矿品位值高所对应的q个优良工况群为y₁₀,…y_q0，则其置信区间为

其中

σ₀分别为平均值与标准差：

由此得到最后的主观因子系数：

c.进行主观因子补偿：

y′₁＝y₁+γ；.....y′_n＝y_n+γ；

其中γ为区间

当γ为正数时，正向补偿；当γ为负数时，反向补偿；当γ为0时，则无需补偿。由此，得到最后数据集y′₁,…y′_n；

E.判断实时反馈得到的优良工况是否落在y′₁,…y′_n区间内，若在则将人工选择结果y_n加入到精华种群，否则放弃。最后将此次反馈的工况良好的数据返回作为个体加入初始n个种群的第一个种群，作为进行下一次的最优解求解的数据集。

F.得到实时的精选种族，即得到最后的全体最优解u′。

G.实时给定泡沫图像，提取多特征值，包括泡沫尺寸、对比度、熵值、相关系数、泡沫流速，通过与相对应特征的最优解进行差量u计算，根据差量等级，将工况分为四类[42,46],[46,50],[50,54],[54,58]。通过最后判断，输出当前工况，给后续工人操作以指导。

Claims (4)

1.一种基于改进的自适应多种群遗传算法的锌浮选工况判别方法，特征在于包括以下步骤：

A.对锌浮选粗选槽的泡沫图像物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；通过对k个锌浮选泡沫图像P₁，P₂...P_k进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集C₁＝(C₁₁...C_1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为C₂＝(C₂₁...C_2k)、C₃＝(C₃₁...C_3k)、C₄＝(C₄₁...C_4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集C₅＝(C₅₁...C_5k)；

B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行信任度分配，得到各个特征所对应的重要度权值为d₁、d₂、d₃、d₄、d₅；

C.将所有特征的数据集相对应的划分为n个初始种群，再分别对各个种群进行自适应遗传算法计算；

a.n个种群x₁...x_n分别计算其初始的包含各个特征所对应的重要度加权适应度函数f(x₁...x_n)：

其中f(x₁...x_n)对应n个种群的最优解输出，f(x₁)＝{C₁₁...C₅₁}...f(x_n)＝{C_1n...C_5n}；看是否满足以上适应度函数即目标函数，若不满足则进行下一步b，若满足，则转到D步；

b.自适应调整：进行遗传学操作，自适应交叉概率函数为P_c，自适应变异概率函数为P_m：

其中f_max代表的是群体中适应度的最大值，f_avg表示每代群体中的平均适应度值，f′表示另个要交叉个体中的适应度较大的值，f表示所要变异个体的适应度值，R₁、R₂、R₃、R₄取值(0，1)区间；根据自适应函数调整过后得到新的种群，重新计算适应度，回到步骤C的a；

D.得到各个种群传统自适应遗传算法后的输出y₁，...y_n，再对其进行种群间的交流与人工选择补偿；

a.进行种群间的交流第一步，采用移民算子，将前一种群中的优良个体，移民到下一种群中，然后与最差的个体进行比较，移除掉最差的，保证群体的优良性；

b.各个种群加入人工选择得到的最后种群数据在满足目标函数的情况下，输出为y₁，...y_n；根据给定一系列在最后精矿品位值高于54的所对应的q个优良工况群为y₁₀，...y_q0，取置信度为[90％，98％]，则其置信区间为

其中

查表可得，

σ₀分别为平均值与标准差：

由此得到最后的主观因子系数：

进行主观因子补偿：

y′₁＝y₁+γ；.....y′_n＝y_n+γ；

其中γ为区间

当γ为正数时，正向补偿；当γ为负数时，反向补偿；由此，得到最后数据集y′₁，...y′_n；

E.判断得到的优良工况是否落在y′₁，...y′_n区间内，若在则将人工选择结果y_n加入到精华种群，否则放弃；最后将此次反馈的工况良好的数据返回作为个体加入初始n个种群的第一个种群，进行下一次的最优解求解的数据集；

F.得到实时的精选种族，即得到最后的全体最优解u′；

G.实时给定泡沫图像，提取多特征值，包括泡沫尺寸、对比度、熵值、相关系数、泡沫流速，通过与相对应特征的最优解进行差量u计算，得到最终工况类别。

2.如权利要求1所述的基于改进的自适应多种群遗传算法的锌浮选工况判别方法：各个特征所对应的重要度权值为d₁＝0.3、d₂＝0.2、d₃＝0.1、d₄＝0.2、d₅＝0.2。

3.根据权利要求1所述的基于改进的自适应多种群遗传算法的锌浮选工况判别方法，其特征在于：设置的主观因子系数为γ，表示给定一系列在最后精矿品位值高于54所对应的置信度为95％的置信区间偏移度。

4.如权利要求1所述的基于改进的自适应多种群遗传算法的锌浮选工况判别方法，其特征在于：所述的最终工况类别分别为[42，46]，[46，50]，[50，54]，[54，58]。

Images