CN118468729B - 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 - Google Patents
基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118468729B CN118468729B CN202410917395.5A CN202410917395A CN118468729B CN 118468729 B CN118468729 B CN 118468729B CN 202410917395 A CN202410917395 A CN 202410917395A CN 118468729 B CN118468729 B CN 118468729B
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- individuals
- population
- individual
- amount
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 145
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 280
- 229910052742 iron Inorganic materials 0.000 claims abstract description 134
- 239000002994 raw material Substances 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 20
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 16
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 68
- 239000002893 slag Substances 0.000 claims description 46
- 239000007789 gas Substances 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 239000000571 coke Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 239000011572 manganese Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 13
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 12
- 229910052748 manganese Inorganic materials 0.000 claims description 12
- 239000008188 pellet Substances 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 10
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008929 regeneration Effects 0.000 claims description 8
- 238000011069 regeneration method Methods 0.000 claims description 8
- 229910004298 SiO 2 Inorganic materials 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000002817 coal dust Substances 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000010079 rubber tapping Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000006477 desulfuration reaction Methods 0.000 claims description 3
- 230000023556 desulfurization Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000003723 Smelting Methods 0.000 abstract description 10
- 229910000831 Steel Inorganic materials 0.000 abstract description 9
- 239000010959 steel Substances 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 5
- 238000004134 energy conservation Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 description 10
- 238000011112 process operation Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 239000004615 ingredient Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002028 premature Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Manufacture Of Iron (AREA)
Abstract
本发明涉及一种基于混合建模和改进NSGA2算法的高炉配料多目标优化方法、装置、设备及存储介质。该方法包括：获取高炉铁水生产样本数据；构建高炉配料多目标优化模型；采用改进的NSGA2算法对高炉配料多目标优化模型进行优化求解，得到优化结果，并在优化结果中选择一组折中解；划分数据集；构建高炉配料预测模型；利用高炉配料预测模型获取高炉配料方案。本发明在满足过程稳定运行的前提条件下，用于精准预测高炉冶炼过程中的入炉原料配比，从而降低生产成本与过程碳排放，为钢铁企业实现节能降耗、绿色可持续发展提供了重要的理论指导与技术支持。
Description
技术领域
本发明涉及冶金技术领域，具体涉及一种基于混合建模和改进NSGA2算法的高炉配料多目标优化方法、装置、设备及存储介质。
背景技术
钢铁工业是我国国民经济重要的支柱性产业，也是我国基础原材料产业之一，是国家经济水平和综合国力的重要标志。作为钢铁工业至关重要的上游工序，高炉冶炼是碳排放和能源消耗的主要环节，其过程碳排放占钢铁工业总排放的90%，其能耗占钢铁工业总能耗的70%。同时，高炉入炉原料配比不同，则能源消耗和生产成本随之不同。因此，合理配置入炉原料，从而实现高炉冶炼流程的节能降耗，既是企业降低生产成本、提高生产效益的重要技术手段，也是实现钢铁工业绿色可持续发展的关键。
在高炉冶炼流程中，高炉入炉原料质量、成分含量、物理和化学性质等，均影响高炉的经济技术指标和运行稳定。因此，构建算法模型，确定入炉原料的配比方案，对冶炼生产具有重要指导意义。现有模型主要分为机理模型和数据模型两类，然而两者在实际应用中均存在一定不足。具体来讲，机理模型，如华长春的论文“基于NSGA-Ⅱ算法的高炉生产配料多目标优化模型建立”中所提高炉生产配料多目标优化模型，以高炉炼铁工艺为基础，用理论公式的形式来表征过程中的物理变化和化学变化，但其并未考虑过程操作及生产工况变化对高炉配料多目标优化方案的影响。在实际过程中，生产工况和过程操作复杂多变，对于同一配料方案，冶炼结果随着生产工况与过程操作的变化而变化。因此，在建模过程中，应考虑到生产工况和过程操作对冶炼结果的影响。同时，数据模型，需要大量的生产历史数据进行模型训练，训练样本的数据质量不能得到有效保证，直接影响模型的预测精准度。目前大多数据模型，如中国专利文献CN106119458A公开了一种基于BP神经网络的转炉炼钢工艺成本控制方法及系统，该方法在构建过程中未考虑到生产工况和过程操作复杂多变对预测结果的影响。
作为一种高鲁棒性的全局优化算法，多目标优化算法得到了快速发展，遗传算法、粒子群算法、免疫算法等越来越多的多目标优化算法及其变体被提出，用以解决各种实际问题。然而，对于此类复杂非线性、不可微问题，现有算法在求解过程中容易丧失种群多样性，从而陷入局部最优，造成过早收敛，其优化效果并不理想。
因此，为更好地解决高炉原料配比优化问题，有必要开发一种有效的智能优化高炉配料多目标优化方法。
发明内容
为解决现有技术中高炉炼铁工艺过程中的入炉原料配比问题，本发明的目的在于提供一种基于混合建模和改进NSGA2算法的高炉配料多目标优化方法、装置、设备及存储介质。
为实现上述目的，本发明采用了以下技术方案：
在本发明的第一方面，公开了一种基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。该方法包括以下步骤：
S1、获取高炉铁水生产样本数据。
S2、构建高炉配料多目标优化模型。
S3、采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解。
S4、利用所述高炉铁水生产样本数据和所述折中解划分数据集，将数据集划分为训练集和测试集。
S5、基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及折中解，输出为高炉配料预测结果。
S6、利用测试集对训练好的高炉配料预测模型进行测试，将测试集中的高炉铁水生产样本数据及折中解输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案。
根据本发明优选的，所述步骤S1中，所述高炉铁水生产样本数据包括入炉原料配比、入炉原料成分、炉渣成分、高炉炉顶参数、高炉运行参数、生产工况、过程操作参数和铁水成分设定含量参数信息。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的决策变量包括x 1-x 17，其中，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的目标函数包括：吨铁成本目标函数和吨铁CO2排放目标函数。
所述高炉配料多目标优化模型的目标函数如公式（1）所示：
（1）；
在公式（1）中，C表示吨铁成本；表示原料单价；x i表示高炉配料多目标优化模型的决策变量；E表示吨铁CO2排放；、、、和分别代表焦炭、煤粉、焦炉煤气、铁水和高炉煤气的直接排放因子；、、分别代表烧结矿、球团矿、焦炭的间接排放因子；A表示电力、动力介质的间接排放量；x 1表示烧结矿的用量；x 2表示块矿的用量；x 5表示焦炭的用量；x 6表示煤粉的用量；x 8表示BFG生成量；x 9表示BFG消耗量；x 10表示COG消耗量。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的约束条件包括：炉渣碱度约束、MgO约束、Al2O3约束、渣量平衡约束、铁水质量约束、元素平衡约束、高炉煤气平衡约束和热平衡约束。
所述高炉配料多目标优化模型的约束条件的数学表达如公式（2）-公式（11）所示：
（2）；
（3）；
（4）；
（5）；
（6）；
（7）；
（8）；
（9）；
（10）；
（11）；
在公式（2）-公式（11）中，与分别表示碱度的下限和上限；与分别表示化合物的约束下限和上限，；(a)i表示第i个决策变量中物质a的百分比，；与分别表示第i个决策变量中铁水中Si、铁水中P、铁水中S含量约束的下限和上限；x i表示高炉配料多目标优化模型的第i个决策变量；x s表示第s个决策变量，s=14，12，13，15；表示铁水中元素a的分配率，；、、、和分别表示煤气中S分配率、Fe的直接还原度、富氧率、鼓风湿度和生成 CH4的碳量占入炉总碳量的比例；(C)i表示第i个决策变量中碳元素含量；(S)i表示第i个决策变量中硫元素含量；(O)6表示第6个决策变量中氧元素含量；(H2O)6表示第6个决策变量中H2O的含量；、、、和分别表示鼓风密度、煤气量密度、焦炭中游离水的质量分数、物料支出水分和炉尘量；(FeO)表示渣中FeO含量；(MnO)表示渣中MnO含量；(CaO)表示渣中CaO含量；(SiO2)表示渣中SiO2含量；(MgO)表示渣中MgO含量；(Al2O3)表示渣中Al2O3含量；V CH4表示高炉煤气中CH4的质量分数；V H2表示高炉煤气中H2的质量分数；V CO2表示高炉煤气中CO2的质量分数；V CO表示高炉煤气中CO的质量分数；V N2表示高炉煤气中N2的质量分数；表示热收入，包括风口前碳元素燃烧热、鼓风有效热、CH4生成热以及炉渣生成热；表示热支出，包括铁氧化物还原热、硅还原热、锰还原热、磷还原热、脱硫耗热、水分解热、游离水蒸发热、铁水和炉渣热损失、炉顶煤气热损失以及高炉热损失；x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
根据本发明优选的，所述步骤S3中，采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解，包括：
改进NSGA2算法—多层变异NSGA2算法（NSGA2 with multi-mutation，MLM-NSGA2），用以解决高炉原料配比多目标优化问题。在改进NSGA2算法中，基于差分进化思想，提出了一种多层协作策略，将种群个体均分为精英个体和普通个体，并分配以不同的进化策略，来提高算法搜索能力和种群多样性，从而增强算法寻优性能和优化结果的可行性和有效性，使其更加快速、精准地确定入炉原料配比方案的目的。同时，开发了一种个体重生策略，来提高种群多样性，从而避免进化过程中种群陷入局部最优，造成过早收敛。
S31、种群初始化及获取个体解向量：初始化种群N，均值μ CR=0.5，均值μ F=0.5，当前迭代次数gen=1；种群N中的每个个体为一个潜在解向量，各个个体的解向量分别表示对应的高炉配料多目标优化模型的各个决策优化变量，利用公式（12）获取各个体的解向量：
（12）；
在公式（12）中，x z表示第z个个体的解向量，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
S32、对种群中的所有个体进行非支配排序和拥挤度计算：先根据种群中各个个体的目标函数值的大小，判断各个个体间的支配关系；再根据各个个体间的支配关系来划分非支配等级，进行非支配排序；然后计算同一等级内各个个体的拥挤度。
S321、对于第z个体，z=1,2,…,N，计算第z个体对应的吨铁成本目标函数的目标函数值f1,z和吨铁CO2排放目标函数的目标函数值f2, z。
S322、根据步骤S321求得的目标函数值，将不被其他个体所支配的全部个体取出，其非支配排序等级定位为1，剔除等级定位为1的个体后，在剩下的种群个体中找出不被其他个体所支配的个体，其非支配排序等级定位为2，以此类推，直至所有个体均被划分等级。
S323、在每一个非支配排序等级中，根据各个个体的目标函数值对其进行升序排序。对于每个目标函数，边界值被分配为无穷距离值，其他目标函数值对应的拥挤度采用公式（13）进行计算，最终该个体对应的拥挤度为所有目标函数对应的拥挤度之和。
公式（13）如下式所示：
（13）；
在公式（13）中，表示第z个个体的第m个目标函数值对应的拥挤度；和分别表示排序后第z+1个个体和第z-1个个体的第m个目标函数值；和分别表示第m个目标函数值的该等级中最大值和最小值。
S33、根据非支配排序和拥挤度计算结果，将种群中的所有个体划分为精英个体和普通个体，并对种群中的个体进行交叉操作。
S331、根据非支配排序和拥挤度计算结果，对种群中的个体进行个体划分，在总数量为N的种群中选择非支配等级高且拥挤度高的N/2个个体作为精英个体，其他被划分为普通个体。
S332、进行模拟二进制交叉操作：当前种群作为父代种群，利用公式（14）在父代种群中随机选择两个个体作为父代个体进行交叉操作，生产两个子代：
（14）；
在公式（14）中，和分别表示两个子代个体的第i个决策变量；和表示两个父代个体的第i个决策变量；参数由交叉系数所决定，的表达式如公式（15）所示：
（15）；
在公式（15）中，表示参数；表示0到1之间的随机数；表示交叉系数。
S34、对父代种群中的个体进行参数更新，并进行差分进化操作，得到子代种群。
S341、利用公式（16）对种群中的精英个体和普通个体分别进行参数更新：
（16）；
在公式（16）中，CR z是第z个个体的自适应系数，该自适应系数为基于均值μ CR，标准差为 0.1的正态分布产生的函数；randnz()表示均值为μ CR，标准差为0.1的正态分布；CF z第z个个体的自适应系数，该自适应系数为基于均值μ F，标准差为 0.1的正态分布产生的函数；randcz()表示均值为μ CR，标准差为0.1的柯西分布。
S342、对于第k个精英父代个体，在精英个体中随机选择三个不相等的个体p 1、p 2、p 3，且p 1≠p 2≠p 3≠k，采用公式（17）对第k个精英父代个体进行变异操作，以提高种群多样性：
（17）；
在公式（17）中，表示第k个精英父代个体的变异个体；x k表示第k个精英父代个体；表示第k个精英父代个体的自适应系数；x p1表示第p 1个精英父代个体；x p2表示第p 2个精英父代个体；x p3表示第p 3个精英父代个体；k表示当前精英父代个体的序号；N表示种群中个体的总数量。
S343、对于第j个普通父代个体，在普通父代个体中随机选择一个不相等的个体p 4，以及在外部集合中随机选择一个个体p 5，且p 4≠j，采用公式（18）对第j个普通父代个体进行变异操作，以提高搜索能力：
（18）；
在公式（18）中，FX j表示第j个普通父代个体的变异个体；表示第j个普通父代个体的自适应系数；表示在精英个体中随机选择的个体；j表示普通父代个体的序号；x j表示第j个普通父代个体；x p4表示第p 4个普通父代个体；表示在外部集合ARC中随机选择的第p 5个个体；N表示种群中个体的总数量。
S344、对于种群中每个个体的第m个变量，对由公式（17）与（18）生成的个体和公式（14）生成的子代个体进行交叉操作，并采用公式（19）进行更新，生成对应子代个体，得到子代种群：
（19）；
在公式（19）中，表示由公式（13）生成的第z个子代个体的第m个决策变量；表示公式（16）与（17）生成的第k个精英父代个体的第m个决策变量；表示0到1之间的随机数；CR z是第z个个体的自适应系数。
S35、将父代种群和子代种群中的个体合并，生成新种群，新种群的规模大小为2*N；N表示父代种群中个体的数量。
S36、对新种群进行非支配排序和拥挤度计算。
S37、根据新种群的非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选，筛选后的新种群大小为N。
S371、依次选择非支配排序等级高的个体构成新种群；若该种群的规模大小大于N，则在新种群的最低等级的个体中，选择拥挤度大的个体组成新种群。
S372、对普通个体和精英个体的参数分别进行自适应更新：若当前迭代次数gen>1，则对于精英个体种群，记录成功组成新种群的第k个个体的自适应系数CR k和自适应系数CF k，构建集合和S F，利用公式（20）对参数μ CR和μ F进行更新：
（20）；
在公式（20）中，μ CR和μ F表示均值；meanA()表示算术平均值；S CR与S F分别表示进化成功组成新种群中第k个个体的自适应系数CR k和CF k的集合，k=1,2,…,N/2；对于普通个体种群，参数更新方式与公式（20）相同。
S38、运行个体重生机制：对于当前新种群，首先剔除非支配排序等级低，且拥挤度小的N-S个体，直至种群数量达到S，S<N；然后，将剔除的个体存在外部集合ARC中；接着，在搜索范围内随机初始化N-S个体，并重新进行非支配排序，计算拥挤度；最后，根据非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选；外部集合ARC的大小最大为N，若大于N，则随机删除个体，使其等于N。
S39、检验是否满足终止条件，判断迭代次数gen是否达到最大迭代次数，不满足则gen=gen+1；否则，返回步骤S33继续循环，直至满足终止条件，输出决策变量Pareto最优解集，决策变量Pareto最优解集即为优化结果，在所述优化结果中选择一组折中解。
根据本发明优选的，所述步骤S5中，基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练，包括：
S51、基于BP神经网络，建立高炉配料预测模型，并初始化高炉配料预测模型的权值和偏置值。
S52、将高炉铁水生产样本数据中的当前炉次出炉铁水成分设定、入炉原料优化配比、入炉原料信息、炉渣成分信息、高炉炉顶参数、高炉运行参数、生产工况和操作参数作为高炉配料预测模型的输入，将入炉原料实际配比作为高炉配料预测模型的输出。
S53、根据高炉配料预测模型的输入与输出，确定高炉配料预测模型的输入层、隐含层和输出层神经元节点数，初始化神经元之间的连接权值、隐含层阈值和输出层阈值，给定学习速率和传递函数。
S53、计算高炉配料预测模型的隐含层和输出层的各节点输出。
S531、根据高炉配料预测模型的输入向量、输入层和隐含层的连接权值以及隐含层阈值，计算隐含层输出。
S532、根据高炉配料预测模型的隐含层输出、隐含层和输出层的连接权值以及输出层阈值，计算输出层输出。
S54、计算误差：根据输出层输出结果和期望输出结果，计算高炉配料预测模型的总体误差。
S55、权值学习：根据高炉配料预测模型的总体误差，更新高炉配料预测模型的输入层和隐含层的连接权值，以及隐含层和输出层的连接权值。
S56、判断高炉配料预测模型的误差是否达标，若是，则获得历史信息和优化原料配比结果，与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则执行步骤S57。
S57、判断是否达到最大迭代次数，若是，则获得历史信息和优化原料配比结果，以及与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则返回步骤S52。
在本发明的第二方面，公开了一种基于混合建模和改进NSGA2算法的高炉配料多目标优化装置。该装置包括数据获取模块、优化模型构建模块、优化结果求解模块、数据集划分模块、预测模型构建模块和预测模型验证模块；所述数据获取模块，用于获取高炉铁水生产样本数据；所述优化模型构建模块，用于构建高炉配料多目标优化模型；所述优化结果求解模块，用于采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果；所述数据集划分模块，用于利用所述高炉铁水生产样本数据和所述折中解划分数据集，并将数据集划分为训练集和测试集；所述预测模型构建模块，用于基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及优化结果，输出为高炉配料预测结果；所述预测模型验证模块，用于利用测试集对高炉配料预测模型进行验证，将测试集中的高炉铁水生产样本数据及优化结果输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案。
在本发明的第三方面，公开了一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行上述基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。
在本发明的第四方面，公开了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行上述基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。
和现有技术相比，本发明的优点为：
（1）本发明提出了一种基于混合建模和改进带有精英策略的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithms-Ⅱ, NSGA2）的高炉配料多目标优化方法，在满足过程稳定运行的前提条件下，用于精准预测高炉冶炼过程中的入炉原料配比，从而降低生产成本与过程碳排放，为钢铁企业实现节能降耗、绿色可持续发展提供了重要的理论指导与技术支持。
（2）本发明采用混合建模技术，机理模型与数据模型相互结合、互为补充，同时考虑生产工况和过程操作复杂多变对预测结果的影响，从而更加合理、精准的确定高炉配料多目标优化方案，对于钢铁企业实现节能降耗、绿色可持续发展具有重要现实意义。本发明中所述的混合建模技术与改进NSGA2算法，可以应用到其他实际预测问题和实际多目标优化问题中。
（3）对于此类复杂非线性、不可微问题，现有算法在求解过程中容易丧失种群多样性，从而陷入局部最优，造成过早收敛，其优化效果并不理想。因此，本发明提出了一种改进NSGA2算法，以更好地解决高炉配料多目标优化问题。在改进NSGA2算法中，开发了一种个体重生机制，用于提高种群多样性，从而避免进化过程中种群陷入局部最优，造成过早收敛。同时，基于差分进化思想，提出了一种多层协作差分进化机制，将种群个体均分为精英个体和普通个体，并分配以不同的进化策略，来提高算法搜索能力和种群多样性，从而增强算法寻优性能和优化结果的可行性、有效性，达到更加快速、精准地确定当前条件下入炉原料最优配比方案的目的。
附图说明
图1是本发明中基于混合建模和改进NSGA2算法的高炉配料多目标优化方法流程图；
图2是本发明中构建高炉配料多目标优化预测模型的流程图；
图3是本发明中采用改进NSGA2算法求解高炉配料多目标优化模型流程图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明：
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的实例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
现有高炉原料配比模型大多以机理模型或数据模型进行构建，存在一定不足，本发明提出了一种混合建模方法，构建了一种结合机理与数据的高炉配料预测模型，在一定程度上弥补了单一模型的不足，从而更好地解决高炉配料多目标优化问题。同时，现有模型未考虑过程操作以及生产工况变化对高炉配料多目标优化方案的影响，生产工况和过程操作参数复杂多变，对于同一配料方案，冶炼结果受生产工况与过程操作参数的影响。因此，本发明在构建高炉原料配比预测模型时，将生产工况和过程操作参数考虑在内。
本发明将机理模型和数据模型相结合，提供一种预测高炉炼铁过程入炉原料配比的方法，将生产工况和操作参数变化对冶炼结果的影响考虑在内；同时为更好地解决高炉原料配比多目标优化问题，提出了一种改进的NSGA2算法。首先，提出了一种混合建模方法，构建了一种结合机理模型与数据模型的高炉原料配比预测模型。其次，基于机理模型，构建高炉原料配比多目标优化模型，并提出了一种改进的NSGA2算法，用以求解该机理模型，来确定入炉原料配比优化方案。然后，基于数据模型，将模型优化结果与炉次出炉铁水成分设定值、入炉原料成分信息、炉渣成分信息、高炉炉顶参数、高炉运行参数、生产工况和操作参数等特征结合，进行训练，构建BP神经网络模型，来预测高炉原料配比。机理模型考虑高炉炼铁工艺标准对高炉原料配比方案的影响，同时数据模型挖掘生产工况和操作参数变化对高炉原料配比方案的影响。二者相互结合、互为补充，更加合理、精准地确定高炉原料配比，为钢铁企业实现节能降耗、绿色可持续发展奠定良好的模型基础。
实施例1
为解决高炉炼铁过程中入炉原料配比问题，从而更加合理、精准地确定原料配比方案，本实施例提出了一种如图1所示的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，该方法包括以下步骤：
该方法包括以下步骤：
S1、获取高炉铁水生产样本数据。
S2、构建高炉配料多目标优化模型。
S3、采用改进的NSGA2算法对高炉配料多目标优化模型进行优化求解，得到优化结果，在优化结果中选择一组折中解。
S4、利用所述高炉铁水生产样本数据和所述折中解划分数据集，将数据集划分为训练集和测试集。
S5、基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及优化结果，输出为高炉配料预测结果。
S6、利用测试集对高炉配料预测模型进行验证，将测试集中的高炉铁水生产样本数据及优化结果输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案。
根据本发明优选的，所述步骤S1中，所述高炉铁水生产样本数据包括入炉原料配比、入炉原料成分、炉渣成分、高炉炉顶参数、高炉运行参数、生产工况、过程操作参数和铁水成分设定含量参数信息。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的决策变量包括x 1-x 17，其中，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的目标函数包括：吨铁成本目标函数和吨铁CO2排放目标函数。
所述高炉配料多目标优化模型的目标函数如公式（1）所示：
（1）；
在公式（1）中，C表示吨铁成本；表示原料单价；x i表示高炉配料多目标优化模型的决策变量；E表示吨铁CO2排放；、、、和分别代表焦炭、煤粉、焦炉煤气、铁水和高炉煤气的直接排放因子；、、分别代表烧结矿、球团矿、焦炭的间接排放因子；A表示电力、动力介质的间接排放量；x 1表示烧结矿的用量；x 2表示块矿的用量；x 5表示焦炭的用量；x 6表示煤粉的用量；x 8表示BFG生成量；x 9表示BFG消耗量；x 10表示COG消耗量。
根据本发明优选的，所述步骤S2中，所述高炉配料多目标优化模型的约束条件包括：炉渣碱度约束、MgO约束、Al2O3约束、渣量平衡约束、铁水质量约束、元素平衡约束、高炉煤气平衡约束和热平衡约束。
所述高炉配料多目标优化模型的约束条件的数学表达如公式（2）-公式（11）所示：
（2）；
（3）；
（4）；
（5）；
（6）；
（7）；
（8）；
（9）；
（10）；
（11）
在公式（2）-公式（11）中，与分别表示碱度的下限和上限；与分别表示化合物的约束下限和上限，；(a)i表示第i个决策变量中物质a的百分比，；与分别表示第i个决策变量中铁水中Si、铁水中P、铁水中S含量约束的下限和上限；x i表示高炉配料多目标优化模型的第i个决策变量；x s表示第s个决策变量，s=14，12，13，15；表示铁水中元素a的分配率，；、、、和分别表示煤气中S分配率、Fe的直接还原度、富氧率、鼓风湿度和生成 CH4的碳量占入炉总碳量的比例；(C)i表示第i个决策变量中碳元素含量；(S)i表示第i个决策变量中硫元素含量；(O)6表示第6个决策变量中氧元素含量；(H2O)6表示第6个决策变量中H2O的含量；、、、和分别表示鼓风密度、煤气量密度、焦炭中游离水的质量分数、物料支出水分和炉尘量；(FeO)表示渣中FeO含量；(MnO)表示渣中MnO含量；(CaO)表示渣中CaO含量；(SiO2)表示渣中SiO2含量；(MgO)表示渣中MgO含量；(Al2O3)表示渣中Al2O3含量；V CH4表示高炉煤气中CH4的质量分数；V H2表示高炉煤气中H2的质量分数；V CO2表示高炉煤气中CO2的质量分数；V CO表示高炉煤气中CO的质量分数；V N2表示高炉煤气中N2的质量分数；表示热收入，包括风口前碳元素燃烧热、鼓风有效热、CH4生成热以及炉渣生成热；表示热支出，包括铁氧化物还原热、硅还原热、锰还原热、磷还原热、脱硫耗热、水分解热、游离水蒸发热、铁水和炉渣热损失、炉顶煤气热损失以及高炉热损失；x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
根据本发明优选的，所述步骤S3中，采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解，如图3所示，步骤S3具体包括以下步骤：
S31、初始化种群N，均值μ CR=0.5，均值μ F=0.5，当前迭代次数gen=1，种群中每个个体被认为是一个潜在解向量，个体i的解向量分别表示对应的高炉配料多目标优化模型的各个决策优化变量。
个体i的解向量如公式（12）所示：
（12）；
在公式（12）中，x z表示第z个个体的解向量，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
S32、对种群中的所有个体进行非支配排序和拥挤度计算：先根据种群中各个个体的目标函数值的大小，判断各个个体间的支配关系；再根据各个个体间的支配关系来划分非支配等级，进行非支配排序；然后计算同一等级内各个个体的拥挤度。
S321、对于第z个体，z=1,2,…,N，计算第z个体对应的吨铁成本目标函数的目标函数值f1,z和吨铁CO2排放目标函数的目标函数值f2, z。
S322、根据步骤S321求得的目标函数值，将不被其他个体所支配的全部个体取出，其非支配排序等级定位为1，剔除等级定位为1的个体后，在剩下的种群个体中找出不被其他个体所支配的个体，其非支配排序等级定位为2，以此类推，直至所有个体均被划分等级。
S323、在每一个非支配排序等级中，根据各个个体的目标函数值对其进行升序排序；对于每个目标函数，边界值被分配为无穷距离值，其他目标函数值对应的拥挤度采用公式（13）进行计算，最终该个体对应的拥挤度为所有目标函数对应的拥挤度之和。
公式（13）如下式所示：
（13）；
在公式（13）中，表示第z个个体的第m个目标函数值对应的拥挤度；和分别表示排序后第z+1个个体和第z-1个个体的第m个目标函数值；和分别表示第m个目标函数值的该等级中最大值和最小值。
S33、根据非支配排序和拥挤度计算结果，将种群中的所有个体划分为精英个体和普通个体，并对种群中的个体进行交叉操作；
S331、根据非支配排序和拥挤度计算结果，对种群中的个体进行个体划分，在总数量为N的种群中选择非支配等级高且拥挤度高的N/2个个体作为精英个体，其他被划分为普通个体。
S332、进行模拟二进制交叉操作：当前种群作为父代种群，利用公式（14）在父代种群中随机选择两个个体作为父代个体进行交叉操作，生产两个子代：
（14）；
在公式（14）中，和分别表示两个子代个体的第i个决策变量；和表示两个父代个体的第i个决策变量；参数由交叉系数所决定，的表达式如公式（15）所示：
（15）；
在公式（15）中，表示参数；表示0到1之间的随机数；表示交叉系数。
S34、对父代种群中的个体进行参数更新，并进行差分进化操作，得到子代种群；
S341、利用公式（16）对种群中的精英个体和普通个体分别进行参数更新：
（16）；
在公式（16）中，CR z是第z个个体的自适应系数，该自适应系数为基于均值μ CR，标准差为 0.1的正态分布产生的函数；randnz()表示均值为μ CR，标准差为0.1的正态分布；CF z第z个个体的自适应系数，该自适应系数为基于均值μ F，标准差为 0.1的正态分布产生的函数；randcz()表示均值为μ CR，标准差为0.1的柯西分布；
类似地，上述参数更新公式同样应用于普通个体的参数更新，两种个体的参数更新相互独立、互不影响。
S342、对于精英个体，它们蕴含更好的搜索信息，因此，对于第k个精英父代个体，在精英个体中随机选择三个不相等的个体p 1、p 2、p 3，且p 1≠p 2≠p 3≠k，采用公式（17）对第k个精英父代个体进行变异操作，以提高种群多样性：
（17）；
在公式（17）中，表示第k个精英父代个体的变异个体；x k表示第k个精英父代个体；表示第k个精英父代个体的自适应系数；x p1表示第p 1个精英父代个体；x p2表示第p 2个精英父代个体；x p3表示第p 3个精英父代个体；k表示当前精英父代个体的序号；N表示种群中个体的总数量。
S343、对于普通个体，个体中蕴含的位置信息相对较少，应增加精英个体对它们的引导；同时，应加强利用在迭代过程中被抛弃个体的有价值信息。因此，对于第j个普通父代个体，在普通父代个体中随机选择一个不相等的个体p 4，以及在外部集合中随机选择一个个体p 5，且p 4≠j，采用公式（18）对第j个普通父代个体进行变异操作，以提高搜索能力：
（18）；
在公式（18）中，FX j表示第j个普通父代个体的变异个体；表示第j个普通父代个体的自适应系数；表示在精英个体中随机选择的个体；j表示普通父代个体的序号；x j表示第j个普通父代个体；x p4表示第p 4个普通父代个体；表示在外部集合ARC中随机选择的第p 5个个体；N表示种群中个体的总数量。
S344、对于种群中每个个体的第m个变量，对由公式（17）与（18）生成的个体和公式（14）生成的子代个体进行交叉操作，并采用公式（19）进行更新，生成对应子代个体，得到子代种群：
（19）；
在公式（19）中，表示由公式（13）生成的第z个子代个体的第m个决策变量；表示公式（16）与（17）生成的第k个精英父代个体的第m个决策变量；表示0到1之间的随机数；CR z是第z个个体的自适应系数。
S35、将父代种群和子代种群中的个体合并，生成新种群，新种群的规模大小为2*N；N表示父代种群中个体的数量。
S36、对新种群进行非支配排序和拥挤度计算。
S37、根据新种群的非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选，筛选后的新种群大小为N。
S371、依次选择非支配排序等级高的个体构成新种群；若该种群的规模大小大于N，则在新种群的最低等级的个体中，选择拥挤度大的个体组成新种群。
S372、对普通个体和精英个体的参数分别进行自适应更新：若当前迭代次数gen>1，则对于精英个体种群，记录成功组成新种群的第k个个体的自适应系数CR k和自适应系数CF k，构建集合和S F，利用公式（20）对参数μ CR和μ F进行更新：
（20）；
在公式（20）中，μ CR和μ F表示均值；meanA()表示算术平均值；S CR与S F分别表示进化成功组成新种群中第k个个体的自适应系数CR k和CF k的集合，k=1,2,…,N/2。
类似地，上述参数更新公式同样应用于普通个体的参数更新，两种个体的参数更新相互独立、互不影响。
S38、运行个体重生机制：对于当前新种群，首先剔除非支配排序等级低，且拥挤度小的N-S个体，直至种群数量达到S，S<N；然后，将剔除的个体存在外部集合ARC中；接着，在搜索范围内随机初始化N-S个体，并重新进行非支配排序，计算拥挤度；最后，根据非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选；外部集合ARC的大小最大为N，若大于N，则随机删除个体，使其等于N。
S39、检验是否满足终止条件，判断迭代次数gen是否达到最大迭代次数，不满足则gen=gen+1；否则，返回步骤S33继续循环，直至满足终止条件，输出决策变量Pareto最优解集，决策变量Pareto最优解集即为优化结果，在所述优化结果中选择一组折中解。
改进NSGA2算法—多层变异NSGA2算法（NSGA2 with multi-mutation，MLM-NSGA2），用以解决高炉原料配比多目标优化问题。在改进NSGA2算法中，开发了一种个体重生策略，来提高种群多样性，从而避免进化过程中种群陷入局部最优，造成过早收敛。同时，基于差分进化思想，提出了一种多层协作策略，将种群个体均分为精英个体和普通个体，并分配以不同的进化策略，来提高算法搜索能力和种群多样性，从而增强算法寻优性能和优化结果的可行性和有效性，使其更加快速、精准地确定入炉原料配比方案的目的。
根据本发明优选的，如图2所示，所述步骤S5中，基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练，包括：
S51、基于BP神经网络，建立高炉配料预测模型，并初始化高炉配料预测模型的权值和偏置值。
S52、将高炉铁水生产样本数据中的当前炉次出炉铁水成分设定、入炉原料优化配比、入炉原料信息、炉渣成分信息、高炉炉顶参数、高炉运行参数、生产工况和操作参数作为高炉配料预测模型的输入，将入炉原料实际配比作为高炉配料预测模型的输出。
S53、根据高炉配料预测模型的输入与输出，确定输入层、隐含层和输出层神经元节点数，初始化神经元之间的连接权值、隐含层阈值和输出层阈值，给定学习速率和传递函数。
S53、计算高炉配料预测模型的隐含层和输出层的各节点输出。
S531、根据高炉配料预测模型的输入向量、输入层和隐含层的连接权值以及隐含层阈值，计算隐含层输出。
S532、根据高炉配料预测模型的隐含层输出、隐含层和输出层的连接权值以及输出层阈值，计算输出层输出。
S54、计算误差：根据输出层输出结果和期望输出结果，计算高炉配料预测模型的总体误差。
S55、权值学习：根据高炉配料预测模型的总体误差，更新高炉配料预测模型的输入层和隐含层的连接权值，以及隐含层和输出层的连接权值。
S56、判断高炉配料预测模型的误差是否达标，若是，则获得历史信息和优化原料配比结果，与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则执行步骤S57。
S57、判断是否达到最大迭代次数，若是，则获得历史信息和优化原料配比结果，以及与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则返回步骤S52。
本发明将机理模型与数据模型结合，提出了一种混合建模技术。同时，在建模时考虑了生产工况和操作参数变化、及机理模型优化结果对预测结果的影响，从而更好地预测高炉原料配比方案。开发了一种改进的NSGA2算法，算法提出了一种个体重生机制和多层协作差分进化机制，来提高算法搜索能力和种群多样性，从而增强算法寻优性能和优化结果的可行性、有效性，达到更加快速、精准地确定当前条件下入炉原料最优配比方案的目的。
实施例2
本实施例提供一种基于混合建模和改进NSGA2算法的高炉配料多目标优化装置。该装置包括数据获取模块、优化模型构建模块、优化结果求解模块、数据集划分模块、预测模型构建模块和预测模型验证模块。
所述数据获取模块，用于获取高炉铁水生产样本数据；所述优化模型构建模块，用于构建高炉配料多目标优化模型；所述优化结果求解模块，用于采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，在优化结果中选择一组折中解；所述数据集划分模块，用于利用所述高炉铁水生产样本数据和所述折中解划分数据集，并将数据集划分为训练集和测试集；所述预测模型构建模块，用于基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及折中解，输出为高炉配料预测结果；所述预测模型验证模块，用于利用测试集对训练好的高炉配料预测模型进行测试，将测试集中的高炉铁水生产样本数据及折中解输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案。
实施例3
本实施例还提供一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。在本实施例中，电子设备可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
实施例4
本实施例还提供了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，该方法包括以下步骤：
S1、获取高炉铁水生产样本数据；
S2、构建高炉配料多目标优化模型；
S3、采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解；
S4、利用所述高炉铁水生产样本数据和所述折中解划分数据集，将数据集划分为训练集和测试集；
S5、基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及折中解，输出为高炉配料预测结果；
S6、利用测试集对训练好的高炉配料预测模型进行测试，将测试集中的高炉铁水生产样本数据及折中解输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案；
所述步骤S3中，采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解，包括：
S31、种群初始化及获取个体解向量；
S32、对种群中的所有个体进行非支配排序和拥挤度计算：先根据种群中各个个体的目标函数值的大小，判断各个个体间的支配关系；再根据各个个体间的支配关系来划分非支配等级，进行非支配排序；然后计算同一等级内各个个体的拥挤度；
S33、根据非支配排序和拥挤度计算结果，将种群中的所有个体划分为精英个体和普通个体，并对种群中的个体进行交叉操作；
S34、对父代种群中的个体进行参数更新，并进行差分进化操作，得到子代种群；
S35、将父代种群和子代种群中的个体合并，生成新种群，新种群的规模大小为2*N；N表示父代种群中个体的数量；
S36、对新种群进行非支配排序和拥挤度计算；
S37、根据新种群的非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选，筛选后的新种群大小为N；
S38、运行个体重生机制：对于当前新种群，首先剔除非支配排序等级低，且拥挤度小的N-S个体，直至种群数量达到S，S<N；然后，将剔除的个体存在外部集合ARC中；接着，在搜索范围内随机初始化N-S个体，并重新进行非支配排序，计算拥挤度；最后，根据非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选；外部集合ARC的大小最大为N，若大于N，则随机删除个体，使其等于N；
S39、检验是否满足终止条件，判断迭代次数gen是否达到最大迭代次数，不满足则 gen=gen+1；否则，返回步骤S33继续循环，直至满足终止条件，输出决策变量Pareto最优解集，决策变量Pareto最优解集即为优化结果，在所述优化结果中选择一组折中解。
2.根据权利要求1所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S1中，所述高炉铁水生产样本数据包括入炉原料配比、入炉原料成分、炉渣成分、高炉炉顶参数、高炉运行参数、生产工况、过程操作参数和铁水成分设定含量参数信息。
3.根据权利要求1所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S2中，所述高炉配料多目标优化模型的决策变量包括x 1-x 17，其中，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
4.根据权利要求3所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S2中，所述高炉配料多目标优化模型的目标函数包括：吨铁成本目标函数和吨铁CO2排放目标函数；
所述高炉配料多目标优化模型的目标函数如公式（1）所示：
（1）；
在公式（1）中，C表示吨铁成本；表示原料单价；x i表示高炉配料多目标优化模型的决策变量；E表示吨铁CO2排放；、、、和分别代表焦炭、煤粉、焦炉煤气、铁水和高炉煤气的直接排放因子；、、分别代表烧结矿、球团矿、焦炭的间接排放因子；A表示电力、动力介质的间接排放量；x 1表示烧结矿的用量；x 2表示块矿的用量；x 5表示焦炭的用量；x 6表示煤粉的用量；x 8表示BFG生成量；x 9表示BFG消耗量；x 10表示COG消耗量。
5.根据权利要求4所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S2中，所述高炉配料多目标优化模型的约束条件包括：炉渣碱度约束、MgO约束、Al2O3约束、渣量平衡约束、铁水质量约束、元素平衡约束、高炉煤气平衡约束和热平衡约束；
所述高炉配料多目标优化模型的约束条件的数学表达如公式（2）-公式（11）所示：
（2）；
（3）；
（4）；
（5）；
（6）；
（7）；
（8）；
（9）；
（10）；
（11）；
在公式（2）-公式（11）中，与分别表示碱度的下限和上限；与分别表示化合物的约束下限和上限，；(a)i表示第i个决策变量中物质a的百分比，；与分别表示第i个决策变量中铁水中Si、铁水中P、铁水中S含量约束的下限和上限；x i表示高炉配料多目标优化模型的第i个决策变量；x s表示第s个决策变量，s=14，12，13，15；表示铁水中元素a的分配率，；、、、和分别表示煤气中S分配率、Fe的直接还原度、富氧率、鼓风湿度和生成 CH4的碳量占入炉总碳量的比例；(C)i表示第i个决策变量中碳元素含量；(S)i表示第i个决策变量中硫元素含量；(O)6表示第6个决策变量中氧元素含量；(H2O)6表示第6个决策变量中H2O的含量；、、、和分别表示鼓风密度、煤气量密度、焦炭中游离水的质量分数、物料支出水分和炉尘量；(FeO)表示渣中FeO含量；(MnO)表示渣中MnO含量；(CaO)表示渣中CaO含量；(SiO2)表示渣中SiO2含量；(MgO)表示渣中MgO含量；(Al2O3)表示渣中Al2O3含量；V CH4表示高炉煤气中CH4的质量分数；V H2表示高炉煤气中H2的质量分数；V CO2表示高炉煤气中CO2的质量分数；V CO表示高炉煤气中CO的质量分数；V N2表示高炉煤气中N2的质量分数；表示热收入，包括风口前碳元素燃烧热、鼓风有效热、CH4生成热以及炉渣生成热；表示热支出，包括铁氧化物还原热、硅还原热、锰还原热、磷还原热、脱硫耗热、水分解热、游离水蒸发热、铁水和炉渣热损失、炉顶煤气热损失以及高炉热损失；x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量。
6.根据权利要求5所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S31中，所述种群初始化及获取个体解向量包括：
初始化种群N，均值μ CR=0.5，均值μ F=0.5，当前迭代次数gen=1；种群N中的每个个体为一个潜在解向量，各个个体的解向量分别表示对应的高炉配料多目标优化模型的各个决策优化变量，利用公式（12）获取各个体的解向量：
（12）；
在公式（12）中，x z表示第z个个体的解向量，x 1表示烧结矿的用量，x 2表示块矿的用量，x 3表示球团矿的用量，x 4表示锰矿的用量，x 5表示焦炭的用量，x 6表示煤粉的用量，x 7表示鼓风量，x 8表示BFG生成量，x 9表示BFG消耗量，x 10表示COG消耗量，x 11表示吨铁中Fe的含量，x 12表示吨铁中C的含量，x 13表示吨铁中Si的含量，x 14表示吨铁中Mn的含量，x 15表示吨铁中P的含量，x 16表示吨铁中S的含量，x 17表示炉渣生成量；
所述步骤S32中，所述对种群中的所有个体进行非支配排序和拥挤度计算：先根据种群中各个个体的目标函数值的大小，判断各个个体间的支配关系；再根据各个个体间的支配关系来划分非支配等级，进行非支配排序；然后计算同一等级内各个个体的拥挤度，包括：
S321、对于第z个体，z=1,2,…,N，计算第z个体对应的吨铁成本目标函数的目标函数值f1,z和吨铁CO2排放目标函数的目标函数值f2, z；
S322、根据步骤S321求得的目标函数值，将不被其他个体所支配的全部个体取出，其非支配排序等级定位为1，剔除等级定位为1的个体后，在剩下的种群个体中找出不被其他个体所支配的个体，其非支配排序等级定位为2，以此类推，直至所有个体均被划分等级；
S323、在每一个非支配排序等级中，根据各个个体的目标函数值对其进行升序排序；对于每个目标函数，边界值被分配为无穷距离值，其他目标函数值对应的拥挤度采用公式（13）进行计算，最终该个体对应的拥挤度为所有目标函数对应的拥挤度之和；
公式（13）如下式所示：
（13）；
在公式（13）中，表示第z个个体的第m个目标函数值对应的拥挤度；和分别表示排序后第z+1个个体和第z-1个个体的第m个目标函数值；和分别表示第m个目标函数值的该等级中最大值和最小值；
所述步骤S33中，所述根据非支配排序和拥挤度计算结果，将种群中的所有个体划分为精英个体和普通个体，并对种群中的个体进行交叉操作，包括：
S331、根据非支配排序和拥挤度计算结果，对种群中的个体进行个体划分，在总数量为N的种群中选择非支配等级高且拥挤度高的N/2个个体作为精英个体，其他被划分为普通个体；
S332、进行模拟二进制交叉操作：当前种群作为父代种群，利用公式（14）在父代种群中随机选择两个个体作为父代个体进行交叉操作，生产两个子代：
（14）；
在公式（14）中，和分别表示两个子代个体的第i个决策变量；和表示两个父代个体的第i个决策变量；参数由交叉系数所决定，的表达式如公式（15）所示：
（15）；
在公式（15）中，表示参数；表示0到1之间的随机数；表示交叉系数；
所述步骤S34中，对父代种群中的个体进行参数更新，并进行差分进化操作，得到子代种群，包括：
S341、利用公式（16）对种群中的精英个体和普通个体分别进行参数更新：
（16）；
在公式（16）中，CR z是第z个个体的自适应系数，该自适应系数为基于均值 μ CR，标准差为 0.1的正态分布产生的函数；randnz()表示均值为μ CR，标准差为0.1的正态分布；CF z 第z个个体的自适应系数，该自适应系数为基于均值 μ F，标准差为 0.1的正态分布产生的函数；randcz()表示均值为μ CR，标准差为0.1的柯西分布；
S342、对于第k个精英父代个体，在精英个体中随机选择三个不相等的个体p 1、p 2、p 3，且p 1≠p 2≠p 3≠k，采用公式（17）对第k个精英父代个体进行变异操作，以提高种群多样性：
（17）；
在公式（17）中，表示第k个精英父代个体的变异个体；x k表示第k个精英父代个体；表示第k个精英父代个体的自适应系数；x p1表示第p 1个精英父代个体；x p2表示第p 2个精英父代个体；x p3表示第p 3个精英父代个体；k表示当前精英父代个体的序号；N表示种群中个体的总数量；
S343、对于第j个普通父代个体，在普通父代个体中随机选择一个不相等的个体p 4，以及在外部集合中随机选择一个个体p 5，且p 4≠j，采用公式（18）对第j个普通父代个体进行变异操作，以提高搜索能力：
（18）；
在公式（18）中，FX j表示第j个普通父代个体的变异个体；表示第j个普通父代个体的自适应系数；表示在精英个体中随机选择的个体；j表示普通父代个体的序号；x j表示第j个普通父代个体；x p4表示第p 4个普通父代个体；表示在外部集合ARC中随机选择的第p 5个个体；N表示种群中个体的总数量；
S344、对于种群中每个个体的第m个变量，对由公式（17）与（18）生成的个体和公式（14）生成的子代个体进行交叉操作，并采用公式（19）进行更新，生成对应子代个体，得到子代种群：
（19）；
在公式（19）中，表示由公式（13）生成的第z个子代个体的第m个决策变量；表示公式（16）与（17）生成的第k个精英父代个体的第m个决策变量；表示0到1之间的随机数；CR z是第z个个体的自适应系数；
所述步骤S37中，所述根据新种群的非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选，筛选后的新种群大小为N，包括：
S371、依次选择非支配排序等级高的个体构成新种群；若该种群的规模大小大于N，则在新种群的最低等级的个体中，选择拥挤度大的个体组成新种群；
S372、对普通个体和精英个体的参数分别进行自适应更新：若当前迭代次数gen>1，则对于精英个体种群，记录成功组成新种群的第k个个体的自适应系数CR k和自适应系数CF k，构建集合和S F，利用公式（20）对参数μ CR和μ F进行更新：
（20）；
在公式（20）中，μ CR和μ F表示均值；meanA()表示算术平均值；S CR与S F分别表示进化成功组成新种群中第k个个体的自适应系数CR k和CF k的集合，k=1,2,…,N/2；对于普通个体种群，参数更新方式与公式（20）相同。
7.根据权利要求6所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法，其特征在于，
所述步骤S5中，基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练，包括：
S51、基于BP神经网络，建立高炉配料预测模型，并初始化高炉配料预测模型的权值和偏置值；
S52、将高炉铁水生产样本数据中的当前炉次出炉铁水成分设定、入炉原料优化配比、入炉原料信息、炉渣成分信息、高炉炉顶参数、高炉运行参数、生产工况和操作参数作为高炉配料预测模型的输入，将入炉原料实际配比作为高炉配料预测模型的输出；
S53、根据高炉配料预测模型的输入与输出，确定高炉配料预测模型的输入层、隐含层和输出层神经元节点数，初始化神经元之间的连接权值、隐含层阈值和输出层阈值，给定学习速率和传递函数；
S53、计算高炉配料预测模型的隐含层和输出层的各节点输出；
S531、根据高炉配料预测模型的输入向量、输入层和隐含层的连接权值以及隐含层阈值，计算隐含层输出；
S532、根据高炉配料预测模型的隐含层输出、隐含层和输出层的连接权值以及输出层阈值，计算输出层输出；
S54、计算误差：根据输出层输出结果和期望输出结果，计算高炉配料预测模型的总体误差；
S55、权值学习：根据高炉配料预测模型的总体误差，更新高炉配料预测模型的输入层和隐含层的连接权值，以及隐含层和输出层的连接权值；
S56、判断高炉配料预测模型的误差是否达标，若是，则获得历史信息和优化原料配比结果，与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则执行步骤S57；
S57、判断是否达到最大迭代次数，若是，则获得历史信息和优化原料配比结果，以及与原料实际配比结果的表征关系，得到训练好的高炉配料预测模型；若否，则返回步骤S52。
8.一种基于混合建模和改进NSGA2算法的高炉配料多目标优化装置，其特征在于，该装置包括数据获取模块、优化模型构建模块、优化结果求解模块、数据集划分模块、预测模型构建模块和预测模型验证模块；
所述数据获取模块，用于获取高炉铁水生产样本数据；
所述优化模型构建模块，用于构建高炉配料多目标优化模型；
所述优化结果求解模块，用于采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，在优化结果中选择一组折中解；
所述数据集划分模块，用于利用所述高炉铁水生产样本数据和所述折中解划分数据集，并将数据集划分为训练集和测试集；
所述预测模型构建模块，用于基于BP神经网络，构建高炉配料预测模型，利用训练集对高炉配料预测模型进行训练；所述高炉配料预测模型的输入为所述训练集中的高炉铁水生产样本数据及折中解，输出为高炉配料预测结果；
所述预测模型验证模块，用于利用测试集对训练好的高炉配料预测模型进行测试，将测试集中的高炉铁水生产样本数据及折中解输入高炉配料预测模型，高炉配料预测模型输出得到高炉配料方案；
所述采用改进的NSGA2算法对所述高炉配料多目标优化模型进行优化求解，得到优化结果，并在所述优化结果中选择一组折中解，包括：
种群初始化及获取个体解向量；
对种群中的所有个体进行非支配排序和拥挤度计算：先根据种群中各个个体的目标函数值的大小，判断各个个体间的支配关系；再根据各个个体间的支配关系来划分非支配等级，进行非支配排序；然后计算同一等级内各个个体的拥挤度；
根据非支配排序和拥挤度计算结果，将种群中的所有个体划分为精英个体和普通个体，并对种群中的个体进行交叉操作；
对父代种群中的个体进行参数更新，并进行差分进化操作，得到子代种群；
将父代种群和子代种群中的个体合并，生成新种群，新种群的规模大小为2*N；N表示父代种群中个体的数量；
对新种群进行非支配排序和拥挤度计算；
根据新种群的非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选，筛选后的新种群大小为N；
运行个体重生机制：对于当前新种群，首先剔除非支配排序等级低，且拥挤度小的N-S个体，直至种群数量达到S，S<N；然后，将剔除的个体存在外部集合ARC中；接着，在搜索范围内随机初始化N-S个体，并重新进行非支配排序，计算拥挤度；最后，根据非支配排序和拥挤度计算结果，利用精英保留机制对新种群进行筛选；外部集合ARC的大小最大为N，若大于N，则随机删除个体，使其等于N；
检验是否满足终止条件，判断迭代次数gen是否达到最大迭代次数，不满足则 gen=gen+1；否则，返回步骤S33继续循环，直至满足终止条件，输出决策变量Pareto最优解集，决策变量Pareto最优解集即为优化结果，在所述优化结果中选择一组折中解。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至7中任一项所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。
10.一种机器可读存储介质，其特征在于，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至7中任一项所述的基于混合建模和改进NSGA2算法的高炉配料多目标优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410917395.5A CN118468729B (zh) | 2024-07-10 | 2024-07-10 | 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410917395.5A CN118468729B (zh) | 2024-07-10 | 2024-07-10 | 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118468729A CN118468729A (zh) | 2024-08-09 |
| CN118468729B true CN118468729B (zh) | 2024-09-20 |
Family
ID=92162299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410917395.5A Active CN118468729B (zh) | 2024-07-10 | 2024-07-10 | 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118468729B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201717125D0 (en) * | 2016-11-28 | 2017-11-29 | National Univ Of Defense Technology | Differential evolution method oriented to agile satellite multi-target task planning |
| CN116090128A (zh) * | 2023-01-10 | 2023-05-09 | 国网浙江省电力有限公司经济技术研究院 | 一种计及碳基能效最优的多目标节能降碳优化方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
| AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
| CN113160899A (zh) * | 2020-12-31 | 2021-07-23 | 无锡东研信科科技研发有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法 |
| CN112966805B (zh) * | 2021-03-15 | 2022-10-18 | 河海大学 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
| CN114636846B (zh) * | 2022-03-16 | 2024-07-02 | 福州昆硕宸信息科技有限公司 | 一种基于神经网络改进的电阻冷端温度补偿算法及其电缆电阻在线检测设备 |
-
2024
- 2024-07-10 CN CN202410917395.5A patent/CN118468729B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201717125D0 (en) * | 2016-11-28 | 2017-11-29 | National Univ Of Defense Technology | Differential evolution method oriented to agile satellite multi-target task planning |
| CN116090128A (zh) * | 2023-01-10 | 2023-05-09 | 国网浙江省电力有限公司经济技术研究院 | 一种计及碳基能效最优的多目标节能降碳优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118468729A (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN112699613B (zh) | 炼铁多目标一体化配料优化方法、系统、设备及介质 | |
| CN101504544B (zh) | 用于氧气转炉质量控制系统的方法和装置 | |
| JPWO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
| CN107368125A (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
| CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| CN106119458A (zh) | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN1831087A (zh) | 焦炭热性质预测与控制方法 | |
| CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
| 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 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| CN106054836A (zh) | 基于grnn的转炉炼钢工艺成本控制方法及系统 | |
| Cardoso et al. | Prediction of silicon content in the hot metal using Bayesian networks and probabilistic reasoning | |
| Yu et al. | Transient state modeling of industry-scale ironmaking blast furnaces | |
| Xu et al. | Reducing the fluctuation of oxygen demand in a steel plant through optimal production scheduling | |
| Huang et al. | Industrial-environmental management in China's iron and steel industry under multiple objectives and uncertainties | |
| CN116434859A (zh) | 高炉煤气产耗预测方法、装置、电子设备及存储介质 | |
| Wang et al. | A dynamic scheduling framework for byproduct gas system combining expert knowledge and production plan | |
| CN118468729B (zh) | 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 | |
| CN112861276B (zh) | 基于数据与知识双驱动的高炉料面优化方法 | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| CN117170229A (zh) | 一种基于模型的转炉氧枪枪位预测方法 | |
| Mitra et al. | Evolutionary algorithms in ironmaking applications | |
| Niu et al. | Prediction of sinter chemical composition based on ensemble learning algorithms | |
| Mahanta et al. | Evolutionary computation in blast furnace iron making |
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 |