CN115048690A - 一种基于模式搜索的水泥烧成模型优化方法 - Google Patents
一种基于模式搜索的水泥烧成模型优化方法 Download PDFInfo
- Publication number
- CN115048690A CN115048690A CN202210497808.XA CN202210497808A CN115048690A CN 115048690 A CN115048690 A CN 115048690A CN 202210497808 A CN202210497808 A CN 202210497808A CN 115048690 A CN115048690 A CN 115048690A
- Authority
- CN
- China
- Prior art keywords
- optimization
- function
- step length
- current
- optimization method
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000004568 cement Substances 0.000 title claims abstract description 25
- 238000005245 sintering Methods 0.000 title claims description 7
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000003321 amplification Effects 0.000 claims abstract description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 10
- 239000003245 coal Substances 0.000 claims description 19
- 238000010304 firing Methods 0.000 claims description 15
- 230000009191 jumping Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Civil Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种基于模式搜索的水泥烧成模型优化方法，包括确定水泥烧成过程中的优化变量、目标函数和限制条件；对优化过程中的最大迭代次数、初始步长、最小步长、步长衰减函数、步长扩增函数、曲率函数、初始方向集以及附加方向集进行初始化；进入循环迭代。本方法在确定了目标函数之后，根据所要调整的变量初设方向集并可选择地进行拓展，随后据其进行优化迭代。优点是：相比传统基于梯度的优化方法在目标函数形式复杂、梯度计算量较大甚至根本难以计算时，该方法无需梯度计算，一定程度上降低了优化计算量；相比进化算法，该法实际运行接近基于梯度的优化方法，运行速度较快、适用于水泥烧成系统优化这类需要即时优化的问题。
Description
技术领域
本发明涉及水泥烧成模型优化技术领域，尤其涉及一种基于模式搜索的水泥烧成模型优化方法。
背景技术
近年来，为面对能源环境问题和气候变化带来的严峻挑战，我国采取了强有力措施，国务院及相关部委相继出台了一系列节能减排方面的政策和举措。水泥制造业是我国的高能耗行业之一，其中烧成系统又是其主要的耗能部分，因而在当前政策形势下，对水泥烧成部分进行参数优化以实现节能降耗的研究愈发重要。
过往不乏水泥烧成系统建模的研究，但无论从机理还是数据建模，也无论最后结果是比较精确或是仅能部分贴近实际，要用于生产以实现节能降耗，均需在模型的基础上进行优化。常用的模型优化方法主要可分为基于梯度的方法和进化算法。
基于梯度的优化方法通常根据目标函数的导数确定优化方向，加上对步长、梯度等参数进行校正和调整，反复迭代以最终实现优化。此类方法易于实现，变体繁多，在很多问题上性能优异，也在工程技术领域多有应用。但因该类方法基于梯度实现，在目标函数形式复杂、梯度难以直接表达时，梯度的计算只能基于导数定义实现，而这在多变量优化过程中往往伴随较大的代价。
进化算法是借鉴了进化生物学中的一些现象而发展起来的优化算法，也被称为演化算法，一般包括基因编码、种群初始化、交叉变异、筛选保留等基本操作，经由类似生命进化的过程完成对目标函数的优化。该类方法过程简单、易于拓展且具有较好的鲁棒性，在组合优化、超参数优化、黑箱优化以及多目标优化等场景下较为适用。但该类算法本质上是依靠目标函数的随机搜索过程，难以避免优化速度较慢的问题。
水泥烧成系统的模型由于其自身的工艺流程，必然是一个多输入多输出的模型。同时，因为烧成系统流程较长、涉及反应较为复杂且存在部分无法观测的变量，最终搭建的模型难免形式复杂从而难以直接表达目标函数的导数。于是，使用基于梯度的优化方法将面临计算量大，运行速度较慢的问题，更无需提自带运行较慢特性的进化算法。但水泥烧成属于一个动态过程，而优化则是基于静态进行的，优化速度慢很可能会造成优化完成时，优化结果已不再适用于当前生产情况。因此，需找寻一种速度快、适用于水泥烧成系统优化的算法。
发明内容
本发明的目的在于提供一种基于模式搜索的水泥烧成模型优化方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于模式搜索的水泥烧成模型优化方法，包括如下步骤，
S1、确定水泥烧成过程中的优化变量、目标函数和限制条件；
S2、对优化过程中的最大迭代次数、初始步长、最小步长、步长衰减函数、步长扩增函数、曲率函数、初始方向集以及附加方向集进行初始化；
S3、判断当前迭代次数是否小于或等于最大迭代次数，若是则进入步骤S4；否则跳出当前循环进入步骤S7；
S4、判断当前迭代步长是否小于最小步长，若是则跳出当前循环进入步骤S7；否则进入步骤S5；
S5、依次检查方向集中的方向，确定是否存在某个方向使目标函数在此方向下降的比曲率函数更快，且同时满足限制条件；若是，则将当前迭代点移动至该点，同时将当前步长乘以步长扩增函数作为下次迭代步长，并返回步骤S3；否则进入步骤S6；
S6、保持当前点为下次迭代点，同时将当前步长乘以衰减函数作为下次迭代步长，并的返回步骤S3；
S7、返回当前迭代点作为优化结果。
优选的，所述优化变量为头煤、尾煤、二次风量和三次风量。
优选的，所述目标函数为头煤量和尾煤量的综合，即烧成段总耗煤量。
优选的，所述限制条件为五级预热器的下料温度不小于温度阈值T。
优选的，所述温度阈值T为850℃。
本发明的有益效果是：1、在目标函数梯度计算复杂时，传统基于梯度的优化方法计算梯度需要对模型至少作n+1次调用(n为优化变量个数)，本发明在仅基于初始方向集的情况下对模型的调用次数至多为n+1次，期望则为(n+1)/2次，相比之下显著降低了计算量，提高了优化效率。2、在目标函数、优化变量与限制条件之间存在着复杂耦合，本发明仍以类似梯度下降的方式进行优化，相比进化算法具有更快的运行速度。3、本发明能够通过经验对方向集进行拓展和调整，从而能够具有更高的运行效率。
附图说明
图1是本发明实施例中优化方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例中，提供了一种基于模式搜索的水泥烧成模型优化方法，包括如下步骤，
S1、确定水泥烧成过程中的优化变量、目标函数和限制条件；
S2、对优化过程中的最大迭代次数、初始步长、最小步长、步长衰减函数、步长扩增函数、曲率函数、初始方向集以及附加方向集进行初始化；
S3、判断当前迭代次数是否小于或等于最大迭代次数，若是则进入步骤S4；否则跳出当前循环进入步骤S7；
S4、判断当前迭代步长是否小于最小步长，若是则跳出当前循环进入步骤S7；否则进入步骤S5；
S5、依次检查方向集中的方向，确定是否存在某个方向使目标函数在此方向下降的比曲率函数更快，且同时满足限制条件；若是，则将当前迭代点移动至该点，同时将当前步长乘以步长扩增函数作为下次迭代步长，并返回步骤S3；否则进入步骤S6；
S6、保持当前点为下次迭代点，同时将当前步长乘以衰减函数作为下次迭代步长，并的返回步骤S3；
S7、但会当前迭代点作为优化结果。
本实施例中，参见上述过程，本发明方法主要包括三部分，分别是问题定义、参数初始化和迭代循环；下面分别针对这三部分内容作出具体说明。
一、问题定义
即步骤S1：将头煤、尾煤、二次风量和三次风量作为优化变量；将头煤量和尾煤量的综合，即烧成段总耗煤量作为目标函数；将五级预热器C5的下料温度不小于温度阈值T作为限制条件。所述温度阈值T可以根据实际情况进行选择，以便更好的满足实际需求。本实施例中将所述温度阈值T设置为850℃。
该部分明确目标函数、优化变量和限制条件，将待解决的实际问题转化为规范形式的优化问题，便于后续优化算法正常运行。
二、参数初始化
即步骤S2：初始化优化参数中最大迭代次数kmax、初始步长r0，最小步长rmin、步长衰减函数θ(k)、步长扩增函数φ(k)、曲率函数ρ(t)、初始方向集D0以及可选择的附加方向集Da。
这里我们可选择kmax＝100，r0＝0.01，rmin＝0.0001，θ(k)＝0.5，φ(k)＝1.2，ρ(t)＝t1.5；
初始方向集D0按
进行选择，pi为初始方向集D0中的方向，e为全1的n维数组，n为优化变量的个数。这样选择初始方向集可以保证当导数不为0时，至少存在一个方向与导数的逆方向夹角小于90°，即能够保证目标函数在该方向下降。
其中，步长衰减函数θ(k)、步长扩增函数φ(k)、曲率函数ρ(t)可以根据经验选择，选择各个函数的限制条件为：步长衰减函数值域为(0，1)；步长扩增函数值域为(1，+∞)；曲率函数在[0，+∞)上单调递增。
初始方向集的方向选取采用经验方法，需要满足如下条件：
1、至少存在一个方向与负梯度方向夹角(θ)小于90°，也即cosθ≥0，保证正常优化。
2、各向量长度基本一致，方向集框架直径能被步长参数完全调控。
因此选取：
其中n为优化变量的个数，ei为各优化变量的单位向量；取n＝4，即可得到选取的初始方向集。
附加方向集Da是指根据人工经验添加的那些大概率使目标函数降低且满足限制条件的方向，可以一定程度上提高运行效率。即如果有人工经验，知道那个方向大概率会使目标函数降低且满足限制条件，则可将其添加至附加方向集以提高效率。本实施例中不设置附加方向集Da。
参数初始化根据经验每对模式搜索算法的部分参数进行初始化，其中部分参数根据算法在实际问题上的表现可能还需根据实际情况进一步调整。
可以通过经验对方向集进行拓展和调整，从而能够具有更高的运行效率。例如在之前对头煤+尾煤目标函数的优化中，方向集中头尾煤均增大的方向便可以删去。
三、循环迭代
该部分包括步骤S3至S7的内容。分别是迭代次数判断、迭代步长判断、检查方向集、确定下次迭代点和获取优化结果；下面分别针对这些内容具体说明。
3.1、迭代次数判断
即步骤S3：当前迭代次数在最大迭代次数kmax内执行步骤S4；否则跳出循环进入步骤S7。
循环迭代在问题定义和参数初始化后，根据条件进行迭代更新，最终输出优化结果。
3.2、迭代步长判断
即步骤S4：判断当前迭代步长是否小于最小步长rmin，若小于最小步长rmin，跳出当前循环进入步骤S7，否则执行步骤S5。
3.3、检查方向集
即步骤S5：依次检查方向集D(D0+Da)中方向p，看是否存在某个方向p使目标函数在此方向下降的比曲率函数ρ(t)更快，即f(xk+rkp)＜fxk-p(rk)，同时满足限制条件。如果存在，将当前点位移动至该点，同时将当前步长乘以步长扩增函数φ(k)作为下次迭代步长，即rk+1＝rk×φ(k)，并返回步骤S3；若不存在，则进入步骤S6。
3.4、确定下次迭代点
即步骤S6：保持当前点位作为下次迭代点，同时将当前步长乘以步长衰减函数θ(k)作为下次迭代步长，即rk+1＝rk×θ(k)，并返回步骤S3。
3.5、获取优化结果
对应步骤S7：返回当前点位作为优化结果。
本实施例中，步骤S3～步骤S6是while循环，在步骤S3或步骤S4跳出循环后才会进入S7。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于模式搜索的水泥烧成模型优化方法，在目标函数梯度计算复杂时，传统基于梯度的优化方法计算梯度需要对模型至少作n+1次调用(n为优化变量个数)，本发明在仅基于初始方向集的情况下对模型的调用次数至多为n+1次，期望则为(n+1)/2次，相比之下显著降低了计算量，提高了优化效率。在目标函数、优化变量与限制条件之间存在着复杂耦合，本发明仍以类似梯度下降的方式进行优化，相比进化算法具有更快的运行速度。本发明能够通过经验对方向集进行拓展和调整，从而能够具有更高的运行效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种基于模式搜索的水泥烧成模型优化方法，其特征在于：包括如下步骤，
S1、确定水泥烧成过程中的优化变量、目标函数和限制条件；
S2、对优化过程中的最大迭代次数、初始步长、最小步长、步长衰减函数、步长扩增函数、曲率函数、初始方向集以及附加方向集进行初始化；
S3、判断当前迭代次数是否小于或等于最大迭代次数，若是则进入步骤S4；否则跳出当前循环进入步骤S7；
S4、判断当前迭代步长是否小于最小步长，若是则跳出当前循环进入步骤S7；否则进入步骤S5；
S5、依次检查方向集中的方向，确定是否存在某个方向使目标函数在此方向下降的比曲率函数更快，且同时满足限制条件；若是，则将当前迭代点移动至该点，同时将当前步长乘以步长扩增函数作为下次迭代步长，并返回步骤S3；否则进入步骤S6；
S6、保持当前点为下次迭代点，同时将当前步长乘以衰减函数作为下次迭代步长，并的返回步骤S3；
S7、返回当前迭代点作为优化结果。
2.根据权利要求1所述的基于模式搜索的水泥烧成模型优化方法，其特征在于：所述优化变量为头煤、尾煤、二次风量和三次风量。
3.根据权利要求1所述的基于模式搜索的水泥烧成模型优化方法，其特征在于：所述目标函数为头煤量和尾煤量的综合，即烧成段总耗煤量。
4.根据权利要求1所述的基于模式搜索的水泥烧成模型优化方法，其特征在于：所述限制条件为五级预热器的下料温度不小于温度阈值T。
5.根据权利要求4所述的基于模式搜索的水泥烧成模型优化方法，其特征在于：所述温度阈值T为850℃。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210497808.XA CN115048690A (zh) | 2022-05-09 | 2022-05-09 | 一种基于模式搜索的水泥烧成模型优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210497808.XA CN115048690A (zh) | 2022-05-09 | 2022-05-09 | 一种基于模式搜索的水泥烧成模型优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115048690A true CN115048690A (zh) | 2022-09-13 |
Family
ID=83158028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210497808.XA Pending CN115048690A (zh) | 2022-05-09 | 2022-05-09 | 一种基于模式搜索的水泥烧成模型优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048690A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003248671A (ja) * | 2002-02-22 | 2003-09-05 | Mitsubishi Electric Corp | 非線形最適解探索装置 |
| US20070239809A1 (en) * | 2006-04-06 | 2007-10-11 | Michael Moseler | Method for calculating a local extremum, preferably a local minimum, of a multidimensional function E(x1, x2, ..., xn) |
| CN102509023A (zh) * | 2011-11-24 | 2012-06-20 | 北京航空航天大学 | 航天驱动组件综合应力加速寿命试验损伤累积模型的建模方法 |
| CN103457268A (zh) * | 2013-09-17 | 2013-12-18 | 国家电网公司 | 基于并行模式搜索的最优切负荷控制方法 |
| CN106875101A (zh) * | 2017-01-20 | 2017-06-20 | 青岛高校信息产业股份有限公司 | 一种能源管理系统控制方法及控制装置 |
| CN113449433A (zh) * | 2021-07-16 | 2021-09-28 | 中存大数据科技有限公司 | 水泥生产工艺模型对应目标函数的约束优化方法及装置 |
-
2022
- 2022-05-09 CN CN202210497808.XA patent/CN115048690A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003248671A (ja) * | 2002-02-22 | 2003-09-05 | Mitsubishi Electric Corp | 非線形最適解探索装置 |
| US20070239809A1 (en) * | 2006-04-06 | 2007-10-11 | Michael Moseler | Method for calculating a local extremum, preferably a local minimum, of a multidimensional function E(x1, x2, ..., xn) |
| CN102509023A (zh) * | 2011-11-24 | 2012-06-20 | 北京航空航天大学 | 航天驱动组件综合应力加速寿命试验损伤累积模型的建模方法 |
| CN103457268A (zh) * | 2013-09-17 | 2013-12-18 | 国家电网公司 | 基于并行模式搜索的最优切负荷控制方法 |
| CN106875101A (zh) * | 2017-01-20 | 2017-06-20 | 青岛高校信息产业股份有限公司 | 一种能源管理系统控制方法及控制装置 |
| CN113449433A (zh) * | 2021-07-16 | 2021-09-28 | 中存大数据科技有限公司 | 水泥生产工艺模型对应目标函数的约束优化方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 刘加会;刘红卫;杨善学;: "基于自适应Barzilai-Borwein步长的直接搜索共轭梯度法", 吉林大学学报(理学版), no. 03, 26 May 2017 (2017-05-26), pages 113 - 118 * |
| 吴兴远;: "模式搜索法在最优化问题中的应用", 软件导刊, no. 08, 30 August 2009 (2009-08-30), pages 122 - 123 * |
| 姚国强;江涵;江全元;: "最优切负荷控制问题的并行模式搜索算法", 电力系统自动化, vol. 36, no. 4, 25 February 2012 (2012-02-25), pages 11 - 15 * |
| 曹守明: "关于非线性目标规划的模式搜索法", 河南科学, no. 03, 30 September 1994 (1994-09-30), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107193212B (zh) | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 | |
| CN106447024A (zh) | 一种基于混沌反向学习的粒子群改进算法 | |
| CN116149166B (zh) | 一种基于改进白鲸算法的无人救援艇航向控制方法 | |
| CN110942483B (zh) | 函数快速收敛模型构建方法、装置和终端 | |
| CN109740481B (zh) | 基于跳跃连接的cnn与lstm结合的房颤信号分类系统 | |
| CN111898212A (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
| CN112990420A (zh) | 一种用于卷积神经网络模型的剪枝方法 | |
| CN110399917B (zh) | 一种基于超参数优化cnn的图像分类方法 | |
| CN115048690A (zh) | 一种基于模式搜索的水泥烧成模型优化方法 | |
| CN106953801B (zh) | 基于层级结构学习自动机的随机最短路径实现方法 | |
| CN113592174B (zh) | 一种基于知识驱动的二维多边形布片自动排料方法 | |
| CN111291193B (zh) | 一种知识图谱在零次学习上的运用方法 | |
| KR101642225B1 (ko) | 에너지 성능 개선을 위한 건축물 리모델링 설계 방법 및 컴퓨터 프로그램 | |
| CN113821025A (zh) | 一种神经网络优化启发函数的移动机器人路径规划方法 | |
| CN110070184A (zh) | 融合样本损失及优化速度约束的数据采样方法 | |
| CN104566797A (zh) | 中央空调冷却塔风机频率控制方法 | |
| US20200234123A1 (en) | Reinforcement learning method, recording medium, and reinforcement learning apparatus | |
| CN114021492A (zh) | 一种基于神经网络的超临界翼型抖振优化方法 | |
| CN112990285A (zh) | 一种面向大规模图结构的简化攻击方法 | |
| CN107726533B (zh) | 一种空调负荷功率振荡抑制控制方法 | |
| CN112529143A (zh) | 一种目标邻居学习粒子群优化方法 | |
| JP5581753B2 (ja) | プラント制御装置、そのモデル予測制御装置 | |
| CN111401155A (zh) | 基于隐式欧拉跳跃连接的残差神经网络的图像识别方法 | |
| CN112966338B (zh) | 一种基于抛物线函数的扁口分离翼型设计方法 | |
| CN109271659B (zh) | 一种基于响应面的替代曲面拟合方法 |
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 |