CN110458348B - 一种基于非线性机会约束的配料优化方法和系统 - Google Patents

一种基于非线性机会约束的配料优化方法和系统 Download PDF

Info

Publication number
CN110458348B
CN110458348B CN201910710834.4A CN201910710834A CN110458348B CN 110458348 B CN110458348 B CN 110458348B CN 201910710834 A CN201910710834 A CN 201910710834A CN 110458348 B CN110458348 B CN 110458348B
Authority
CN
China
Prior art keywords
zinc
content
zinc concentrate
nonlinear
concentrate
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
CN201910710834.4A
Other languages
English (en)
Other versions
CN110458348A (zh
Inventor
李勇刚
陈宇
刘卫平
阳春华
孙备
黄科科
李育东
朱红求
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201910710834.4A priority Critical patent/CN110458348B/zh
Publication of CN110458348A publication Critical patent/CN110458348A/zh
Application granted granted Critical
Publication of CN110458348B publication Critical patent/CN110458348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明中一种基于非线性机会约束的配料优化方法及其系统，在充分考虑锌精矿各种矿质元素成分不确定性的影响，以混合锌精矿中锌的单位成本最低为目标，建立非线性机会约束规划配料优化模型，并获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差来求解所述非线性机会约束规划模型的最优解，再根据最优解指导混锌配料，相比起现有的配料方法而言，配出来的混合锌精矿质量的更稳定，使用的锌精矿原料成本更低。

Description

一种基于非线性机会约束的配料优化方法和系统
技术领域
本发明属于有色金属的冶炼领域，尤其涉及一种基于非线性机会约束的配料优化方法和系统。
背景技术
有色冶炼企业属于具有连续生产过程的流程型行业，其主要任务是将原料中的有色金属通过复杂的物理和化学过程提炼出来。湿法炼锌生产过程主要包含配料、焙烧、浸出、净化和电解五个工段。配料工序是焙烧工序的前置工序，配料后的锌精矿质量对于后续生产工序而言至关重要。由于我国锌资源的特有现状：富矿少，低品位矿多；大型矿少，中型矿多；开采难度大。受到矿山资源消失殆尽，矿石质量下降的制约。导致各矿仓锌精矿主要成分含量存在不确定性成为当前最大的问题，主要由以下原因导致：1)矿源种类繁多质量不等，锌精矿国内矿源有100多种。在一个采购周期内供应商在二十到四十家之间和超过700多车锌精矿运输进入仓库；2)在同一天同一供应商的锌精矿往往出现不同类的成份；3)同一矿仓各锌精矿混合不均匀；4)混合锌精矿荧光化验结果滞后一天，混合锌精矿使用完后才知道各成分比例，存在大滞后性。
传统配料方法不考虑各矿仓锌精矿成分的不确定性，根据人工经验进行配料或通过使用“标称数据”或点估计求解模型而获得的所谓“最优解”。该方法操作简单、方便，但是面对锌精矿原料供应相对紧张，且成份复杂多变的市场状况，传统采用平均值进行配料的方法会导致混合锌精矿质量波动较大甚至不符合后续生产工艺的需求，从而增加锌精矿原料的冶炼成本。
因此，如何优化配料方法去保证提高混合锌精矿质量的质量，同时减少锌精矿原料冶炼成本已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种基于非线性机会约束的配料优化方法和系统，在考虑各矿仓成分不确定性后，以混合锌精矿中锌的单位成本最低，以各种锌精矿使用量为决策变量，以各种锌精矿中锌元素含量和杂质元素含量为随机变量，构建非线性机会约束规划模型，并求解该模型的最优解来指导炼锌配料；从而解决现有的采用平均值进行配料的方法会导致混合锌精矿质量波动较大甚至不符合后续生产工艺的需求，造成锌精矿原料冶炼成本增加的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于非线性机会约束的配料优化方法，包括以下步骤：
获取历史数据中混合锌精矿锌原始的含量的最小值、混合锌精矿质量的下限值和上限值、各种锌精矿的使用量的上限值和下限值、锌精矿的种类及其对应的价格以及各矿仓中的各矿杂质元素的最低含量或最高含量；以混合锌精矿中锌的单位成本最低为目标，以各种锌精矿使用量为决策变量，以各种锌精矿中锌元素含量和杂质元素含量为随机变量，构建非线性机会约束规划模型；
获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量的均值和方差，根据所述均值和方差，求解所述非线性机会约束规划模型的最优解；
根据所获取的最优解所对应的各种锌精矿的配比进行锌精矿冶炼所需混合锌精矿的配料。
优选的，所述非线性机会约束规划模型为：
min J
s.t.
Figure BDA0002153672270000021
Figure BDA0002153672270000022
Figure BDA0002153672270000023
Figure BDA0002153672270000024
Xmin i≤Xi≤Xmax i
y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}
j＝{1,2,…,8}
其中，i为锌精矿种类，且i＝{1,2,3,4}；Xi为第i种锌精矿使用量(单位：吨)；Pi为第i种锌精矿的单位价格，单位为万元；Wi为第i种锌精矿锌元素的含量，单位为％；W为混合锌精矿锌元素的含量最小值，单位为％；m为混合锌精矿总质量，单位为吨；m和
Figure BDA0002153672270000025
分别为混合锌精矿的下限值和上限值，单位为吨；Xmini和Xmaxi分别为锌精矿i的使用量的下限值和上限值，单位为吨；Tyi为第i种锌精矿杂质y元素的含量，单位为％，其中y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}；
Figure BDA0002153672270000026
为混合锌精矿杂质y元素的含量最大值，单位为％，其中杂质元素y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}；其中，
Figure BDA0002153672270000027
是锌含量的置信水平，βj是杂质的置信水平)，i＝1,2；J表示目标函数J在置信水平为
Figure BDA0002153672270000028
时所取的最小值，Pr为概率函数。
优选的，求解所述非线性机会约束规划模型的最优解，包括：
引入输出变量将非线性机会约束规划模型的约束中含有随机变量的不等式转换为不确定性函数；
根据所述均值和方差，并通过随机模拟算法获取各种锌精矿使用量作为输入数据及其与所述输入数据对应的，且满足所述不确定性函数的输出变量作为输出数据；
构建所述不确定函数的逼近神经网络模型，并根据所述输入数据及其对应的输出数据训练所述逼近神经网络模型；
将训练好的逼近神经网络模型替代掉所述非线性机会约束规划模型中的含有随机变量的不等式，得到确定性优化模型；
通过遗传算法求解确定性优化模型的最优解。
优选的，所述不确定性函数为：
Figure BDA0002153672270000031
Figure BDA0002153672270000032
Figure BDA0002153672270000033
其中，输出变量UZn表示锌元素达到要求的概率、Ua表示在满足概率为
Figure BDA0002153672270000035
时取得的最小价格、Uy表示各杂质元素达到要求的概率。
优选的，根据所述输入数据及其对应的输出数据训练所述逼近神经网络模型，包括：
步骤5.1、初始化权重向量w和误差目标值E0，令迭代步数k＝0；
步骤5.2、使k←k+1；
步骤5.3、根据随机模拟的输入数据和输出数据计算误差Ek；
步骤5.4、根据Ek进行权重w调整；
步骤5.5、如果k＜N，返回步骤5.2；
步骤5.6、计算
Figure BDA0002153672270000034
步骤5.7、如果E＞E0，那么k＝0，并返回步骤5.2，否则结束，得到训练好的逼近神经网络模型。
优选的，所述遗传算法的种群规模为30，交叉概率为0.3，变异概率为0.2，求解确定性优化模型的最优解具体如下：
步骤6.1：初始产生pop_size＝30个染色体；
步骤6.2：令k＝k+1；
步骤6.3：对染色体进行交叉和变异运算；
步骤6.4：通过神经网络计算得到价格和各成分含量达到要求的概率；
步骤6.5：根据价格度量每个染色体的适应度；
步骤6.6：通过轮盘赌选择染色体；
步骤6.7：重复步骤6.2至步骤6.6，直到完成迭代次数k＝＝N；
步骤6.8：找出最好的染色体作为最优解。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明的有益效果为：
1、本发明中的基于非线性机会约束的配料优化方法及其系统，在充分考虑锌精矿各种矿质元素成分不确定性的影响，以混合锌精矿中锌的单位成本最低为目标，建立非线性机会约束规划配料优化模型，并获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差来求解所述非线性机会约束规划模型的最优解，再根据最优解指导混锌配料，相比起现有的配料方法而言，配出来的混合锌精矿质量的更稳定，使用的锌精矿原料成本更低。
2、在优选方案中，本发明中通过神经网络算法和遗传算法求解非线性机会约束规划模型的最优解，求解出的最优解更接近实际值，误差更小，指导炼锌配料效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明优选实施例中的Zn含量对数正态分布图；
图2是本发明优选实施例中的Zn含量正态分布图；
图3本发明优选实施例中的混合智能优化方法框图。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明做更全面、细致地描述，但本发明的保护范围并不限于以下具体实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
除非另有特别说明，本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例一：
如图1所示，一种基于非线性机会约束的配料优化方法，包括以下步骤：
获取历史数据中混合锌精矿锌原始的含量的最小值、混合锌精矿质量的下限值和上限值、各种锌精矿的使用量的上限值和下限值、锌精矿的种类及其对应的价格以及各矿仓中的各矿杂质元素的最低含量或最高含量，以混合锌精矿中锌的单位成本最低，以各种锌精矿使用量为决策变量，以各种锌精矿中锌元素含量和杂质元素含量为随机变量，构建非线性机会约束规划模型；
获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差，根据所述均值和方差，求解所述非线性机会约束规划模型的最优解；
根据所获取的最优解所对应的各种锌精矿的配比进行锌精矿冶炼所需混合锌精矿的配料。
本发明中的基于非线性机会约束的配料优化方法合系统，在充分考虑锌精矿各种矿质元素成分不确定性的影响，以混合锌精矿中锌的单位成本最低为目标，建立非线性机会约束规划配料优化模型，并获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差来求解所述非线性机会约束规划模型的最优解，再根据最优解指导混锌配料，相比起现有的配料方法而言，配出来的混合锌精矿质量的更稳定，使用的锌精矿原料成本更低。
实施例二：
实施例二是本发明实施例一的拓展实施例，其与实施例一的不同之处在于，对如何获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差、如何构建非线性机会约束规划配料优化模型以及通过各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差来求解所述非线性机会约束规划模型的最优解进行了细化。
其中，
获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差，具体为：
根据入库来料情况一般可以将锌精矿分为四类，如表1所示。
表1.锌精矿分类
Figure BDA0002153672270000061
运用概率理论分析入库检测数据得到其近似分布。由于每车锌精矿的量不一样，所以采用每车锌精矿干重表示化验结果中锌精矿各成分含量出现的频率绘制柱状统计图。通过统计发现部分成分服从正态分布，另一部分服从对数正态分布。以优质矿中锌含量为例，由于优质矿中锌元素的含量都大于47％，且大部分集中于47％到53％之间只有少部分分布于52％到57％之间，于是将每车锌精矿化验结果Zn％减去47％作为横坐标，以化验结果的干重占优质矿中总干重比例作为纵坐标，采用对数正态分布lnx～N(μ,σ2)拟合得到图1。对于服从正态分布的成分采用直接拟合的方法，以高硅矿中锌含量为例，得到拟合曲线如图2所示。
通过式(1)和式(2)可以得到锌精矿各成分的均值和方差：
Figure BDA0002153672270000062
Figure BDA0002153672270000063
其中，构建非线性机会约束规划配料优化模型，具体为：
锌精矿混合优化的目标是在控制混合锌精矿每种元素的供应和比例的前提下，混合锌精矿中锌的单位成本最低。本发明建立了一种4种锌精矿原料和原料中主要考虑8种成分的非线性优化模型，其中x＝[X1,X2,X3,X4]为决策变量，锌原料含量Wi和杂质元素含量Tyi组成ξi＝Tyi为随机向量，ξ＝[ξ1,ξs,ξ3,ξ4]T为随机向量构成的随机矩阵，由于元素成分波动较大。因此这是一个带有不确定性的非线性规划问题，无法直接进行优化求解。
于是将问题转化为机会约束规划问题，得到如下非线性规划模型：
Figure BDA0002153672270000071
s.t.
Figure BDA0002153672270000072
Figure BDA0002153672270000073
Figure BDA0002153672270000074
Xmin i≤Xi≤Xmax i (1e)
y＝{Fe,SiO2,Pb,Sb,Ge,Ni,Co}
其中，i为锌精矿种类，i＝{1,2,3,4}；Xi为第i种锌精矿使用量(单位：吨)；Pi为第i种锌精矿的单位价格(单位：万元)；Wi为第i种锌精矿锌元素的含量(单位：％)；W为混合锌精矿锌元素的含量最小值(单位：％)；m为混合锌精矿总质量(单位：吨)；m和
Figure BDA0002153672270000075
分别为混合锌精矿的下限值和上限值(单位：吨)；Xmin i和Xmax i为锌精矿i的使用量的下限值和上限值(单位：吨)；Tyi为第i种锌精矿杂质y元素的含量(单位：％)，其中y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}；
Figure BDA0002153672270000076
为混合锌精矿杂质y元素的含量最大值(单位：％)，其中杂质元素y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}，其中，J表示目标函数。
锌冶炼要求锌元素和杂质成分满足一定条件，第一个约束(1b)确保了混合锌精矿中锌的下限，第二个约束(1c)确保了混合锌精矿中各杂质成分的上限。由于只考虑了主要的几种杂质成分，因此锌含量和杂质含量的和不为100％。每班配料数量根据焙烧前仓混合锌精矿的剩余量人工确定，第三个约束(1d)限制了每班的配料数量。由于每个矿仓锌精矿数量不一定都有足够的矿,且一些特殊工况下，都需要设置锌精矿的使用量。第四个约束(1e)限制了每种锌精矿使用数量。
由于当前锌精矿品位下降，矿源广泛，在实际工况中每种锌精矿的各元素成分波动较大。因此这是一个带有不确定性的非线性规划问题，无法直接进行优化求解。于是引入新的变量J将问题转化为MiniMin随机规划问题，如下式(2)所示：
min J
Figure BDA0002153672270000081
Figure BDA0002153672270000082
Figure BDA0002153672270000083
Figure BDA0002153672270000084
Xmin i≤Xi≤Xmax i
y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}(2f)
然后将其转化为概率问题得到如下机会约束规划问题，得到如下非线性机会约束规划模型：
Figure BDA0002153672270000085
Figure BDA0002153672270000086
Figure BDA0002153672270000087
Figure BDA0002153672270000088
Figure BDA0002153672270000089
Xmini≤Xi≤Xmaxi
y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co} (3f)
j＝{1,2,…,8}
Figure BDA00021536722700000810
是锌含量的置信水平，βj是杂质的置信水平，i＝1,2；J表示目标函数J在置信水平为
Figure BDA00021536722700000811
时所取的最小值，Pr为概率函数，其中，置信水平
Figure BDA00021536722700000812
和βj根据实际情况设定。
其中，求解所述非线性机会约束规划模型的最优解，具体为：
本文采用混合智能优化方法对非线性机会约束规划模型进行求解。其方法首先通过蒙特卡罗方法产生输入输出数据，然后通过神经网络逼近不确定性函数式(4)，最后采用遗传算法可以求解出最优配料比例，混合智能优化方法框图如图3所示。
首先引入新的变量，在本发明中，将该引入的新的变量称为输出变量，即UZn、Ua、Uy将式(3)的约束中含有随机变量的不等式转换为概率等式，U:x→(Ua(x),UZn(x),Ui(x)),x＝[X1,X2,X3,X4],y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}。如公式(4)所示：
Figure BDA0002153672270000091
Figure BDA0002153672270000092
Figure BDA0002153672270000093
其中，输出变量UZn表示锌元素达到要求的概率、输出变量Ua表示在满足概率为
Figure BDA0002153672270000094
时取得的最小价格、输出变量Uy表示各杂质元素达到要求的概率。
本文用蒙特卡洛方法来对式(4)生成不确定函数的输入输出数据。考虑带有随机参数ξ的目标函数，求解式(4a)成立的最小值J。
所述输入变量为随机获取的各种锌精矿的使用量数据，即决策变量x；所述输出数据为与各种锌精矿的使用量数据满足公式(4)的输出变量数据，即UZn、Ua、Uy。
随机给定的决策变量x，从4种锌精矿入库检测数据中按正态分布对随机矩阵ξ产生N＝1000个独立随机矩阵ξ1,ξ2,ξ3…ξN，即根据各种锌元素含量和杂质元素含量均值和方差计算出随机矩阵ξ产生的N＝1000个独立随机矩阵ξ1,ξ2,ξ3…ξN，从而得到序列{J1,J2,J3,…JN}。
取N`为
Figure BDA0002153672270000095
的整数部分，由大数定律，可得序列{J1,J2,J3,…JN}中从大到小第N`个元素可以作为J的估计值，继而得到与决策变量x满足公式(4a)关系的输出变量Ua＝J。
随机给定的决策变量x，使用如下蒙特卡洛方法检验式(4b)和(4c)中机会约束是否成立。首先计算随机系统约束，以锌精矿锌含量为例。从4种锌精矿入库检测数据求出的概率分布对随机矩阵ξ产生N＝1000个独立随机矩阵ξ1,ξ2,ξ3…ξN。设N`是N次实验中式(4b)中不等式成立的次数，由Kolmogorov强大数定律可用频率N`/N估计概率，所以式(4b)中输出变量UZn等于N`/N，同理可以求得锌精矿杂质部分的输出变量Uy。
本文通过随机模拟技术可以得到式(4)需要的输入输出数据，采用反向传播算法训练单隐层神经网络NN去近似式(4)不确定函数，通过神经网络将不确定性规划问题转化为了确定性优化问题，其中，该神经网络NN具有4输入神经元，20隐层神经元，10个输出神经元。
神经网络具体训练步骤如下：
步骤1：初始化权重向量w和误差目标值E0，令迭代步数k＝0；
步骤2：令k←k+1；
步骤3：根据随机模拟的输入输出数据计算误差Ek；
步骤4：根据Ek进行权重w调整；
步骤5：如果k＜N，返回步骤2；
步骤6：计算
Figure BDA0002153672270000101
步骤7：如果E＞E0，那么k＝0，λ＝exp(-1/E2)并返回步骤2，否则结束，得到训练好的神经网络。
在本发明中的神经网络训练步骤中，根据以往神经网络的训练的经验，将N取值为3000，当然，N的取值也可以是其他可以训练好神经网络的值。
本文采用种群规模为30，交叉概率为0.3，变异概率为0.2的遗传算法，其中，在本发明中一个染色体是一组解，30个染色体是30组解。在本发明中适应度是指用来度量种群中个体优劣性的指标值。在本发明中，交叉是指随机挑选每两个父代通过将相异部分的基因进行交换，得到新的个体；在本发明中，变异运算是指随机选择一定数量的个体，对选中的个体以一定概率随机改变某个基因。
具体实现步骤如下：
步骤6.1：初始产生pop_size＝30个染色体、迭代次数k＝0、总迭代次数N＝100；
步骤6.2：令k＝k+1；
步骤6.3：对染色体进行交叉和变异运算；
步骤6.4：通过神经网络计算得到价格和各成分含量达到要求的概率；
步骤6.5：根据价格度量每个染色体的适应度；
步骤6.6：通过轮盘赌选择染色体；
步骤6.7：重复步骤6.2至步骤6.6，直到完成迭代次数k＝＝N；
步骤6.8：找出最好的染色体作为最优解。
综上所述，本发明中的一种基于非线性机会约束的配料优化方法及其系统，在充分考虑锌精矿各种矿质元素成分不确定性的影响，以混合锌精矿中锌的单位成本最低为目标，建立非线性机会约束规划配料优化模型，并获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量均值和方差来求解所述非线性机会约束规划模型的最优解，再根据最优解指导混锌配料，相比起现有的配料方法而言，配出来的混合锌精矿质量的更稳定，使用的锌精矿原料成本更低。
在优选方案中，本发明中使用神经网络算法和遗传算法求解非线性机会约束规划模型的最优解，求解出的最优解更接近实际值，误差更小，指导炼锌配料效果更好。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于非线性机会约束的配料优化方法，其特征在于，包括以下步骤：
获取历史数据中混合锌精矿锌原始含量的最小值、混合锌精矿质量的下限值和上限值、各种锌精矿的使用量的上限值和下限值、锌精矿的种类及其对应的价格以及各矿仓中的各矿杂质元素的最低含量或最高含量；以混合锌精矿中锌的单位成本最低为目标，以各种锌精矿使用量为决策变量，以各种锌精矿中锌元素含量和杂质元素含量为随机变量，构建非线性机会约束规划模型；
获取各种锌精矿入库时对应的各种锌元素含量和杂质元素含量的均值和方差，根据所述均值和方差，求解所述非线性机会约束规划模型的最优解；
根据所获取的最优解所对应的各种锌精矿的配比进行锌精矿冶炼所需混合锌精矿的配料。
2.根据权利要求1所述的基于非线性机会约束的配料优化方法，其特征在于，所述非线性机会约束规划模型为：
min J
s.t.
Figure FDA0002153672260000011
Figure FDA0002153672260000012
Figure FDA0002153672260000013
Figure FDA0002153672260000014
Xmini≤Xi≤Xmaxi
y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}
j＝{1,2,…,8}
其中，i为锌精矿种类，且i＝{1,2,3,4}；Xi为第i种锌精矿使用量，单位为吨；Pi为第i种锌精矿的单位价格，单位为万元；Wi为第i种锌精矿锌元素的含量，单位为％；W为混合锌精矿锌元素的含量最小值，单位为％；m为混合锌精矿总质量，单位为吨；m和
Figure FDA0002153672260000015
分别为混合锌精矿的下限值和上限值，单位为吨；Xmini和Xmaxi分别为锌精矿i的使用量的下限值和上限值，单位为吨；Tyi为第i种锌精矿杂质y元素的含量，单位为％，其中，y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}；
Figure FDA0002153672260000016
为混合锌精矿杂质y元素的含量最大值，单位为％，其中，杂质元素y＝{Fe,SiO2,Pb,S,Sb,Ge,Ni,Co}；其中，
Figure FDA0002153672260000017
是锌含量的置信水平，βj是杂质的置信水平，i＝1,2；J表示目标函数J在置信水平为
Figure FDA0002153672260000024
时所取的最小值，Pr为概率函数。
3.根据权利要求1所述的基于非线性机会约束的配料优化方法，其特征在于，求解所述非线性机会约束规划模型的最优解，包括：
引入输出变量将非线性机会约束规划模型的约束中含有随机变量的不等式转换为不确定性函数；
根据所述均值和方差，并通过随机模拟算法获取各种锌精矿使用量作为输入数据及其与所述输入数据对应的，且满足所述不确定性函数的输出变量作为输出数据；
构建所述不确定函数的逼近神经网络模型，并根据所述输入数据及其对应的输出数据训练所述逼近神经网络模型；
将训练好的逼近神经网络模型替代掉所述非线性机会约束规划模型中的含有随机变量的不等式，得到确定性优化模型；
通过遗传算法求解确定性优化模型的最优解。
4.根据权利要求3所述的基于非线性机会约束的配料优化方法，其特征在于，所述不确定性函数为：
Figure FDA0002153672260000021
Figure FDA0002153672260000022
Figure FDA0002153672260000023
其中，输出变量UZn表示锌元素达到要求的概率、输出变量Ua表示在满足概率为
Figure FDA0002153672260000025
时取得的最小价格、输出变量Uy表示各杂质元素达到要求的概率。
5.根据权利要求3所述的基于非线性机会约束的配料优化方法，其特征在于，根据所述输入数据及其对应的输出数据训练所述逼近神经网络模型，包括：
步骤5.1、初始化权重向量w和误差目标值E0，令迭代步数k＝0；
步骤5.2、使k←k+1；
步骤5.3、根据随机模拟的输入数据和输出数据计算误差Ek；
步骤5.4、根据Ek进行权重w调整；
步骤5.5、如果k＜N，返回步骤5.2；
步骤5.6、计算
Figure FDA0002153672260000031
步骤5.7、如果E＞E0，那么k＝0，并返回步骤5.2，否则结束，得到训练好的逼近神经网络模型。
6.根据权利要求3所述的基于非线性机会约束的配料优化方法，其特征在于，所述遗传算法的种群规模为30，交叉概率为0.3，变异概率为0.2，求解确定性优化模型的最优解具体如下：
步骤6.1：初始产生pop_size＝30个染色体；
步骤6.2：令k＝k+1；
步骤6.3：对染色体进行交叉和变异运算；
步骤6.4：通过神经网络计算得到价格和各成分含量达到要求的概率；
步骤6.5：根据价格度量每个染色体的适应度；
步骤6.6：通过轮盘赌选择染色体；
步骤6.7：重复步骤6.2至步骤6.6，直到完成迭代次数k＝＝N；
步骤6.8：找出最好的染色体作为最优解。
7.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。
CN201910710834.4A 2019-08-02 2019-08-02 一种基于非线性机会约束的配料优化方法和系统 Active CN110458348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910710834.4A CN110458348B (zh) 2019-08-02 2019-08-02 一种基于非线性机会约束的配料优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910710834.4A CN110458348B (zh) 2019-08-02 2019-08-02 一种基于非线性机会约束的配料优化方法和系统

Publications (2)

Publication Number Publication Date
CN110458348A CN110458348A (zh) 2019-11-15
CN110458348B true CN110458348B (zh) 2022-12-20

Family

ID=68484644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910710834.4A Active CN110458348B (zh) 2019-08-02 2019-08-02 一种基于非线性机会约束的配料优化方法和系统

Country Status (1)

Country Link
CN (1) CN110458348B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861432B (zh) * 2021-02-04 2022-06-17 中南大学 一种基于变分贝叶斯反馈优化的配料优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3968032A (en) * 1973-01-27 1976-07-06 Asturiana De Zinc S.A. Process for concentrating lead and silver by flotation in products which contain oxidized lead
EP2388664A1 (en) * 2010-05-19 2011-11-23 Siemens Aktiengesellschaft A method and a system for adjusting a design parameter of a complex system
CN103150629A (zh) * 2013-03-11 2013-06-12 上海电力学院 基于相关机会二层规划模型的输电网规划方法
CN108921352A (zh) * 2018-07-06 2018-11-30 东北大学 一种具有区间不确定性的湿法冶金浸出过程优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3968032A (en) * 1973-01-27 1976-07-06 Asturiana De Zinc S.A. Process for concentrating lead and silver by flotation in products which contain oxidized lead
EP2388664A1 (en) * 2010-05-19 2011-11-23 Siemens Aktiengesellschaft A method and a system for adjusting a design parameter of a complex system
CN103150629A (zh) * 2013-03-11 2013-06-12 上海电力学院 基于相关机会二层规划模型的输电网规划方法
CN108921352A (zh) * 2018-07-06 2018-11-30 东北大学 一种具有区间不确定性的湿法冶金浸出过程优化方法

Also Published As

Publication number Publication date
CN110458348A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Goodfellow et al. Global optimization of open pit mining complexes with uncertainty
Salehpoor et al. A constrained portfolio selection model at considering risk-adjusted measure by using hybrid meta-heuristic algorithms
Nyström et al. Production campaign planning including grade transition sequencing and dynamic optimization
Sharma et al. A novel data-driven sampling strategy for optimizing industrial grinding operation under uncertainty using chance constrained programming
Abdel Sabour et al. Incorporating geological and market uncertainties and operational flexibility into open pit mine design
CN103985055A (zh) 一种基于网络分析和多模型融合的股市投资决策方法
CN108921352B (zh) 一种具有区间不确定性的湿法冶金浸出过程优化方法
WO2020199665A1 (zh) 一种多目标原油调合在线优化方法
CN109359320B (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
CN114021913B (zh) 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质
CN113626976A (zh) 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN105807741A (zh) 一种工业生产流程预测方法
Xie et al. Dynamic modeling and optimal control of goethite process based on the rate-controlling step
CN110458348B (zh) 一种基于非线性机会约束的配料优化方法和系统
Chen et al. A chance-constrained programming approach for a zinc hydrometallurgy blending problem under uncertainty
CN112861432B (zh) 一种基于变分贝叶斯反馈优化的配料优化方法
CN103950930B (zh) 一种用于电石生产配料的控制方法
Chen et al. Multi-objective chance-constrained blending optimization of zinc smelter under stochastic uncertainty.
CN110490375B (zh) 一种炼锌配料优化方法和系统
He et al. Plant‐wide hierarchical optimization based on a minimum consumption model
Li et al. Genetic algorithm compared to nonlinear optimization for labour and equipment assignment
Whittle et al. Hybrid pits-linking conditional simulation and lerchs-grossmann through set theory
Khor et al. An optimization-based framework for process planning under uncertainty with risk management
Wang et al. Dynamic modelling and predictive control for the sequential collaborative reactors of cobalt removal process under time‐varying conditions
Dupačová et al. Melt control: Charge optimization via stochastic programming

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant