CN113626976A - 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 - Google Patents

Abstract

本发明公开了一种基于NSGA‑II算法的烧结配料多目标优化方法、装置、设备及计算机可读存储介质，该基于NSGA‑II算法的烧结配料多目标优化方法包括：根据烧结配料的品种和配比因素，确定决策变量和约束条件；根据烧结矿的优化目标，建立优化目标对应的目标函数；根据决策变量和约束条件以及目标函数，构建多目标优化模型；根据预设迭代终止条件，利用NSGA‑II算法对多目标优化模型进行求解，得到帕累托最优解集。本发明能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排。

Description

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

技术领域

本发明涉及高炉炼铁技术领域，尤其涉及一种基于NSGA-II算法的烧结配料多目标优化方法、装置及设备。

背景技术

烧结是生产高炉炼铁精料的关键工序之一，烧结的主要作用在于使粉状含铁矿(铁精矿和粉矿)经过烧结后变成具有一定强度的大块烧结矿，以满足高炉对炉料粒度的要求。烧结配料是烧结的首道工序，其目的在于将不同品种的配料成分进行精确合理的搭配，使混匀矿的化学成分符合烧结生产的要求，满足高炉对炉料成分的要求，改善混匀矿的烧结性能和冶金性能，有利于炼铁生产优质、高产和低耗；吨铁成本、烧结成本和高炉焦比的降低，有利于节省成本；炉料冶金价值、含铁品位和高炉系数的提高，有利于高炉冶炼，提高生铁的质量。因此，烧结矿的配料成份是否合理将直接影响烧结过程的运行和烧结矿质量产量。

现有技术中，国外钢铁企业具有稳定而充足的矿源，主要研究不同比例矿石烧结成矿后微观下烧结矿结构特点，进而找到矿石配比与烧结矿冶金性能的关系，但并未关注成本优化的问题，因此配比成份稳定、硫含量较低、价格较高。而国内钢铁企业的矿石来源多而不稳定，主要研究在保证烧结矿冶金性能的前提下，通过建立配料优化模型，求解优化配比实现降低成本的目的，但是在配料优化的研究中，专家经验和线性规划广泛应用于配料优化中，然而专家经验带有很强的主观性，且线性规划算法难以适应非线性优化问题的求解，更重要的是，现有的配料优化模型采用单一优化目标使成本降低需要以燃料增加和硫含量升高为代价。

因此，如何提供一种烧结配料多目标优化方法及系统，能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排，是本领域技术人员需要解决的技术问题。

公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明的目的是：提供一种基于NSGA-II算法的烧结配料多目标优化方法、装置、设备及计算机可读存储介质，能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排。

为了达到上述目的，本发明一方面提供一种基于NSGA-II算法的烧结配料多目标优化方法，包括：

根据烧结配料的品种和配比因素，确定决策变量和约束条件；

根据烧结矿的优化目标，建立所述优化目标对应的目标函数；

根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；

根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集。

优选地，所述决策变量包括：含铁粉料配比、烧结燃料配比和烧结溶剂配比。

优选地，所述约束条件为：

x_i∈X,i∈(1,2,…,l)

y_j∈Y,j∈(1,2,…,m)；

z_k∈Z,k∈(1,2,…,n)

0≤x_i≤1,i∈(1,2,…,l)

0≤y_j≤1,j∈(1,2,…,m)；

0≤z_k≤1,k∈(1,2,…,n)

式中，x_i代表第i种含铁粉料配比，X代表含铁粉料的种类集合，l代表含铁粉料的种类数量，y_j代表第j种烧结燃料配比，Y代表烧结燃料的种类集合，m代表烧结燃料的种类数量，z_k代表第k种烧结溶剂配比，Z代表烧结溶剂的种类集合，n代表烧结溶剂的种类数量。

优选地，所述烧结矿的优化目标包括：生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁。

优选地，所述目标函数为：

f(1)＝cal_ironCostPerTon(X,Y,Z)；

f(2)＝cal_sinterCost(X,Y,Z)；

f(3)＝cal_forecastCokeRatio(X,Y,Z)；

f(4)＝cal_sinterMetlluValue(X,Y,Z)；

f(5)＝cal_forecastCoefficient(X,Y,Z)；

f(6)＝cal_ratioTFe(X,Y,Z)；

所述多目标优化模型的函数表达式为：

式中，f(1)代表生铁成本，f(2)代表烧结成本，f(3)代表高炉焦比，f(4)代表烧结矿冶金价值，f(5)代表高炉系数，f(6)代表烧结矿全铁。

优选地，所述根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集，包括：

随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；

从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，确定每个个体的非支配排序等级，并对同一支配排序等级的个体利用拥挤度比较算子进行拥挤度计算，确定每个个体的拥挤度大小，根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群；

利用精英策略选择前后两代中更精英的个体，并通过遗传算法的基本操作产生新的子代种群；

根据预设迭代终止条件，当子代种群数达到最大子代数时输出遗传算法迭代，得到帕累托最优解集。

优选地，所述根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群，包括：

根据所述非支配排序等级按照降序等级依次保留个体，并根据所述个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群。

本发明另一方面提供一种基于NSGA-II算法的烧结配料多目标优化装置，包括：

确定模块，用于根据烧结配料的品种和配比因素，确定决策变量和约束条件；

建立模块，用于根据烧结矿的优化目标，建立所述优化目标对应的目标函数；

构建模块，用于根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；

求解模块，用于根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集。

本发明又一方面提供一种基于NSGA-II算法的烧结配料多目标优化设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任意一种所述的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

本发明又一方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一种所述的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

本发明至少具有以下有益效果：

本发明根据烧结配料的品种和配比因素，确定决策变量和约束条件，并根据烧结矿的优化目标，建立优化目标对应的目标函数，然后根据确定好的决策变量和约束条件以及优化目标对应的目标函数，构建多目标优化模型，最后根据预设迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，得到帕累托最优解集，由此通过NSGA-II算法优化所建立的目标函数，可以得到烧结配料的最优配比参数，与现有技术相比，能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排。

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，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明实施例中基于NSGA-II算法的烧结配料多目标优化方法的流程示意图；

图2为本发明实施例中NSGA-II算法的流程示意图；

图3为本发明实施例中基于NSGA-II算法的烧结配料多目标优化方法的仿真实验结果的软件界面图；

图4为本发明实施例中基于NSGA-II算法的烧结配料多目标优化装置的结构示意图；

图5为本发明实施例中基于NSGA-II算法的烧结配料多目标优化设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，本发明实施例一方面提供一种基于NSGA-II算法的烧结配料多目标优化方法，包括：

S110、根据烧结配料的品种和配比因素，确定决策变量和约束条件。

本发明实施例中，根据烧结配料的品种和配比因素，将烧结配料中的各个原料的配比结果定义为决策变量，并确定其约束条件。

S120、根据烧结矿的优化目标，建立优化目标对应的目标函数。

本发明实施例中，根据烧结矿的各个优化目标，针对每个优化目标分别建立对应的目标函数。

S130、根据决策变量和约束条件以及目标函数，构建多目标优化模型。

本发明实施例中，设计适应度模型，根据确定好的决策变量及其约束条件，以及各个优化目标对应的目标函数，构建多目标优化模型。

S140、根据预设迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，得到帕累托最优解集。

本发明实施例中，NSGA-Ⅱ算法是一种多目标遗传算法，采用了快速非支配排序算法，使计算复杂大大降低，而且采用了拥挤度和拥挤度比较算子，使准帕累托域中的个体能扩展到整个帕累托域，并均匀分布，保持了种群的多样性，同时引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。根据预先设置的迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，可以得到帕累托最优解集，从而得到烧结配料的最优配比参数。

以上可知，本发明实施例提供的基于NSGA-II算法的烧结配料多目标优化方法，根据烧结配料的品种和配比因素，确定决策变量和约束条件，并根据烧结矿的优化目标，建立优化目标对应的目标函数，然后根据确定好的决策变量和约束条件以及优化目标对应的目标函数，构建多目标优化模型，最后根据预设迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，得到帕累托最优解集，由此通过NSGA-II算法优化所建立的目标函数，可以得到烧结配料的最优配比参数，与现有技术相比，能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排。

具体实施时，上述实施例中，决策变量包括：含铁粉料配比、烧结燃料配比和烧结溶剂配比。

进一步地，上述实施例中，决策变量的约束条件为：

x_i∈X,i∈(1,2,…,l)

y_j∈Y,j∈(1,2,…,m)；

z_k∈Z,k∈(1,2,…,n)

0≤x_i≤1,i∈(1,2,…,l)

0≤y_j≤1,j∈(1,2,…,m)；

0≤z_k≤1,k∈(1,2,…,n)

式中，x_i代表第i种含铁粉料配比，X代表含铁粉料的种类集合，l代表含铁粉料的种类数量，y_j代表第j种烧结燃料配比，Y代表烧结燃料的种类集合，m代表烧结燃料的种类数量，z_k代表第k种烧结溶剂配比，Z代表烧结溶剂的种类集合，n代表烧结溶剂的种类数量。

本发明实施例中，给定不同品种的含铁粉料、烧结燃料和烧结溶剂，分别组成含铁粉料的种类集合X、烧结燃料的种类集合Y以及烧结溶剂的种类集合Z，将含铁粉料配比、烧结燃料配比和烧结溶剂配比定义为决策变量，并分别确定其约束条件。

具体实施时，上述实施例中，烧结矿的优化目标包括：生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁。

进一步地，上述实施例中，目标函数为：

f(1)＝cal_ironCostPerTon(X,Y,Z)；

f(2)＝cal_sinterCost(X,Y,Z)；

f(3)＝cal_forecastCokeRatio(X,Y,Z)；

f(4)＝cal_sinterMetlluValue(X,Y,Z)；

f(5)＝cal_forecastCoefficient(X,Y,Z)；

f(6)＝cal_ratioTFe(X,Y,Z)；

多目标优化模型的函数表达式为：

式中，f(1)代表生铁成本，f(2)代表烧结成本，f(3)代表高炉焦比，f(4)代表烧结矿冶金价值，f(5)代表高炉系数，f(6)代表烧结矿全铁。

本发明实施例中，设计适应度模型，根据烧结矿的生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁6个不同的优化目标，分别建立各个优化目标对应的6个目标函数，由此构建多目标优化模型。

请参阅图2，作为本发明优选的实施例，步骤S140包括：

首先，随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群。

其次，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，确定每个个体的非支配排序等级，并对同一支配排序等级的个体利用拥挤度比较算子进行拥挤度计算，确定每个个体的拥挤度大小，根据非支配排序等级以及个体的拥挤度大小选取个体，组成新的父代种群。

然后，利用精英策略选择前后两代中更精英的个体，并通过遗传算法的基本操作产生新的子代种群；

最后，根据预设迭代终止条件，当子代种群数达到最大子代数时输出遗传算法迭代，得到帕累托最优解集。

进一步地，上述实施例中，根据非支配排序等级以及个体的拥挤度大小选取个体，组成新的父代种群的过程，具体包括：

根据非支配排序等级按照降序等级依次保留个体，并根据个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群。

本发明实施例中，将解集中的所有不能被任何其他的解支配的解集挑出来设为Rank0，然后将这些解从解集中排除，考虑剩下所有解中所有不能被任何其他的解支配的解集挑出来设为Rank1，…通过支配关系将解集中所有的解进行排序，得到所有解的等级，并按照降序等级依次保留个体。而对同一支配排序等级的个体，利用拥挤度比较算子进行拥挤度计算，每个个体的拥挤距离是通过计算与其相邻的两个个体在每个子目标函数上的距离差之和来求取，由于解之间距离大的解比解之间距离小的解更好，因此，根据个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群，从而更好地保持种群的多样性。

下面通过具体的实施案例来说明本发明实施例提供的基于NSGA-II算法的烧结配料多目标优化方法的仿真试验结果。

通过Windows、JVM、Matlab编写基于NSGA-II算法的烧结配料多目标优化软件，仿真实验结果的软件界面如图3所示，给定烧结配料中的10种含铁粉料，分别为：一选综精、神码铁精矿、氧化铁粉、四烧高返、金聚鑫铁精矿、黑鹰山精矿、老烧高返、进口哈精、鱼儿红铁精矿、高炉除尘灰，共计1000kg；烧结配料中的2种烧结燃料，分别为：老烧焦粉、兰碳，共计65kg/吨矿石；烧结配料中的2种烧结溶剂，分别为：石灰石粉、性石灰，共计226.18kg/吨矿石。将采用该方法得到的烧结配料的最优配比参数投入实际生产，不仅提高了冶金性能，同时也节约了成本。

本发明实施例另一方面提供一种基于NSGA-II算法的烧结配料多目标优化装置，下文描述的该装置可以与上文描述的方法相互对应参照。

请参阅图4，该装置包括：

确定模块410，用于根据烧结配料的品种和配比因素，确定决策变量和约束条件；

建立模块420，用于根据烧结矿的优化目标，建立优化目标对应的目标函数；

构建模块430，用于根据决策变量和约束条件以及目标函数，构建多目标优化模型；

求解模块440，用于根据预设迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，得到帕累托最优解集。

作为本发明优选的实施例，决策变量包括：含铁粉料配比、烧结燃料配比和烧结溶剂配比。

作为本发明优选的实施例，约束条件为：

x_i∈X,i∈(1,2,…,l)

y_j∈Y,j∈(1,2,…,m)；

z_k∈Z,k∈(1,2,…,n)

0≤x_i≤1,i∈(1,2,…,l)

0≤y_j≤1,j∈(1,2,…,m)；

0≤z_k≤1,k∈(1,2,…,n)

式中，x_i代表第i种含铁粉料配比，X代表含铁粉料的种类集合，l代表含铁粉料的种类数量，y_j代表第j种烧结燃料配比，Y代表烧结燃料的种类集合，m代表烧结燃料的种类数量，z_k代表第k种烧结溶剂配比，Z代表烧结溶剂的种类集合，n代表烧结溶剂的种类数量。

作为本发明优选的实施例，烧结矿的优化目标包括：生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁。

作为本发明优选的实施例，目标函数为：

f(1)＝cal_ironCostPerTon(X,Y,Z)；

f(2)＝cal_sinterCost(X,Y,Z)；

f(3)＝cal_forecastCokeRatio(X,Y,Z)；

f(4)＝cal_sinterMetlluValue(X,Y,Z)；

f(5)＝cal_forecastCoefficient(X,Y,Z)；

f(6)＝cal_ratioTFe(X,Y,Z)；

多目标优化模型的函数表达式为：

式中，f(1)代表生铁成本，f(2)代表烧结成本，f(3)代表高炉焦比，f(4)代表烧结矿冶金价值，f(5)代表高炉系数，f(6)代表烧结矿全铁。

作为本发明优选的实施例，求解模块440包括：

种群初始化子模块，用于随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；

非支配排序及拥挤度计算子模块，用于从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，确定每个个体的非支配排序等级，并对同一支配排序等级的个体利用拥挤度比较算子进行拥挤度计算，确定每个个体的拥挤度大小，根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群；

精英策略选择子模块，用于利用精英策略选择前后两代中更精英的个体，并通过遗传算法的基本操作产生新的子代种群；

最优解集输出子模块，用于根据预设迭代终止条件，当子代种群数达到最大子代数时输出遗传算法迭代，得到帕累托最优解集。

作为本发明优选的实施例，根据非支配排序等级以及个体的拥挤度大小选取个体，组成新的父代种群，包括：

根据非支配排序等级按照降序等级依次保留个体，并根据个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群。

以上可知，本发明实施例提供的基于NSGA-II算法的烧结配料多目标优化装置，根据烧结配料的品种和配比因素，确定决策变量和约束条件，并根据烧结矿的优化目标，建立优化目标对应的目标函数，然后根据确定好的决策变量和约束条件以及优化目标对应的目标函数，构建多目标优化模型，最后根据预设迭代终止条件，利用NSGA-II算法对多目标优化模型进行求解，得到帕累托最优解集，由此通过NSGA-II算法优化所建立的目标函数，可以得到烧结配料的最优配比参数，与现有技术相比，能够在保证烧结矿质量前提下，降低配料成本、减少焦粉消耗、实现节能减排。

本发明实施例提供的一种基于NSGA-II算法的烧结配料多目标优化装置中相关部分的说明请参见本发明实施例提供的一种基于NSGA-II算法的烧结配料多目标优化方法中对应部分的详细说明，且均具有本发明实施例提供的一种基于NSGA-II算法的烧结配料多目标优化方法具有的对应效果，在此不再赘述。

上文中提到的基于NSGA-II算法的烧结配料多目标优化装置是从功能模块的角度描述，进一步的，本发明实施例又一方面提供一种基于NSGA-II算法的烧结配料多目标优化设备，是从硬件角度描述。

请参阅图5，该设备包括：

存储器510，用于存储计算机程序；

处理器520，用于执行计算机程序时实现如上述任意实施例提供的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

其中，处理器520可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器520可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器520也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器520可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器520还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器510可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器510还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器510至少用于存储以下计算机程序，其中，该计算机程序被处理器加载并执行之后，能够实现前述任一实施例公开的基于NSGA-II算法的烧结配料多目标优化方法的相关步骤。另外，存储器510所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括Windows、Unix、Linux等，数据可以包括但不限于测试结果对应的数据等。

可以理解的是，如果上述任意实施例提供的基于NSGA-II算法的烧结配料多目标优化方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

有鉴于此，本发明实施例又一方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例提供的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

本发明实施例提供的计算机可读存储介质的各功能模块的功能可根据上述任意方法实施例中的方法具体实现，其具体实现过程可以参照上述任意方法实施例的相关描述，此处不再赘述。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，包括：

根据烧结配料的品种和配比因素，确定决策变量和约束条件；

根据烧结矿的优化目标，建立所述优化目标对应的目标函数；

根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；

根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集。

2.根据权利要求1所述的基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，所述决策变量包括：含铁粉料配比、烧结燃料配比和烧结溶剂配比。

3.根据权利要求2所述的基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，所述约束条件为：

式中，x_i代表第i种含铁粉料配比，X代表含铁粉料的种类集合，l代表含铁粉料的种类数量，y_j代表第j种烧结燃料配比，Y代表烧结燃料的种类集合，m代表烧结燃料的种类数量，z_k代表第k种烧结溶剂配比，Z代表烧结溶剂的种类集合，n代表烧结溶剂的种类数量。

4.根据权利要求3所述的基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，所述烧结矿的优化目标包括：生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁。

5.根据权利要求4所述的基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，所述目标函数为：

f(1)＝cal_ironCostPerTon(X,Y,Z)；

f(2)＝cal_sinterCost(X,Y,Z)；

f(3)＝cal_forecastCokeRatio(X,Y,Z)；

f(4)＝cal_sinterMetlluValue(X,Y,Z)；

f(5)＝cal_forecastCoefficient(X,Y,Z)；

f(6)＝cal_ratioTFe(X,Y,Z)；

所述多目标优化模型的函数表达式为：

式中，f(1)代表生铁成本，f(2)代表烧结成本，f(3)代表高炉焦比，f(4)代表烧结矿冶金价值，f(5)代表高炉系数，f(6)代表烧结矿全铁。

6.根据权利要求1所述的基于NSGA-II算法的烧结配料多目标优化方法，其特征在于，所述根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集，包括：

随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；

从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，确定每个个体的非支配排序等级，并对同一支配排序等级的个体利用拥挤度比较算子进行拥挤度计算，确定每个个体的拥挤度大小，根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群；

利用精英策略选择前后两代中更精英的个体，并通过遗传算法的基本操作产生新的子代种群；

根据预设迭代终止条件，当子代种群数达到最大子代数时输出遗传算法迭代，得到帕累托最优解集。

7.根据权利要求6所述的基于NSGA-II算法的烧结配料多目标优化系统，其特征在于，所述根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群，包括：

根据所述非支配排序等级按照降序等级依次保留个体，并根据所述个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群。

8.一种基于NSGA-II算法的烧结配料多目标优化装置，其特征在于，包括：

确定模块，用于根据烧结配料的品种和配比因素，确定决策变量和约束条件；

建立模块，用于根据烧结矿的优化目标，建立所述优化目标对应的目标函数；

构建模块，用于根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；

求解模块，用于根据预设迭代终止条件，利用NSGA-II算法对所述多目标优化模型进行求解，得到帕累托最优解集。

9.一种基于NSGA-II算法的烧结配料多目标优化设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的基于NSGA-II算法的烧结配料多目标优化方法的步骤。

Images