【技術實現步驟摘要】
本專利技術涉及工業中的工藝參數優化，特別是指一種基于多目標蜜獾優化算法的鋁電解工藝參數優化方法。
技術介紹
1、目前，鋁電解工業的低碳化、綠色化已成為行業內在的迫切需求。在鋁電解中，參數優化的最終目標是找到最優工藝參數，降低生產電耗、碳排放和雜質含量。但是在求解最優工藝參數時，各個變量之間相互耦合和沖突，無法找到唯一工藝參數使得生產電耗、碳排放和雜質含量都滿足最小的要求，因此需要使用多目標優化算法求解工藝參數的pareto最優解集。中國專利文獻(鋁電解生產過程智能決策、多目標優化方法)公開了自適應動態規劃方法。但由于該方法的對模型依賴性強以及易陷入局部最優的問題，易導致在面對復雜鋁電解過程模型時求解難度大和求解精度低的問題。中國專利文獻(基于ar偏好信息的差分進化鋁電解多目標優化方法)公開了ar-pmde方法。但由于該方法的搜索策略過度依賴隨機因子，易導致收斂速度慢以及求解精度低的問題。
技術實現思路
1、本專利技術提供了一種基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，以解決現有的元啟發式優化算法在鋁電解工藝參數優化問題中所存在的求解難度大、求解精度低的技術問題。
2、為解決上述技術問題，本專利技術提供了如下技術方案：
3、一方面，本專利技術提供了一種基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，所述基于多目標蜜獾優化算法的鋁電解工藝參數優化方法包括：
4、從鋁電解工藝參數中選擇能夠表征生產電耗、碳排放和雜質含量的參數，作為輸出變量；選擇對
5、基于所述輸出變量和所述決策變量，構建多目標優化模型；
6、在蜜獾算法中集成多種策略，得到多目標蜜獾優化算法；其中，所述多種策略包括：非支配排序策略、擁擠距離策略以及外部檔案動態更新策略；
7、針對所述多目標優化模型，使用所述多目標蜜獾優化算法進行迭代運算，在迭代結束后輸出最優方案集合，以實現鋁電解工藝參數優化。
8、進一步地，所述輸出變量包括：噸鋁能耗、噸鋁碳排放以及原鋁質量。
9、進一步地，所述決策變量包括：槽電壓、電解溫度、電解質水平、鋁水平以及氟化鋁下料量。
10、進一步地，基于所述輸出變量和所述決策變量，構建多目標優化模型，包括：
11、基于所述輸出變量和所述決策變量，利用循環神經網絡建立多目標優化模型。
12、進一步地，基于所述輸出變量和所述決策變量，利用循環神經網絡建立多目標優化模型，包括：
13、在鋁電解現場數據庫中，選取連續日期的輸出變量和決策變量，作為原始工藝參數數據，并對所述原始工藝參數數據進行預處理，得到預處理后的工藝參數數據；其中，所述預處理包括：去除異常值、數據補全以及數據歸一化；
14、構建循環神經網絡；
15、利用預處理后的工藝參數數據，基于循環神經網絡，訓練出五輸入三輸出的模型，作為用于優化生產電耗、碳排放和雜質含量的多目標優化模型。
16、進一步地，所述循環神經網絡的結構設置為：輸入層包含5個節點，隱藏層使用一個包含20個lstm單元的節點結構，輸出層為一個線性節點；lstm單元使用sigmoid和tanh函數作為激活函數，輸出層則使用線性激活函數來預測連續值；迭代次數設置為200次，學習率設置為0.001，使用adam優化器，并采用32的批次大小來訓練；為防止過擬合，使用dropout作為正則化方法。
17、進一步地，所述非支配排序策略表示為：在進行非支配排序時，首先解集根據非支配關系進行分類，非支配解標記為第一級帕累托最優；隨后，由第一級支配的解決方案被分類到下一個級別，直到所有解被分類，帕累托最優前沿的每個等級都包含具有不同程度被支配的解決方案。
18、進一步地，所述擁擠距離策略表示為：擁擠距離通過對相鄰解之間的距離求和來評估解的分布密度；擁擠距離越大，表明分布越分散，解的優勢越大。
19、進一步地，所述外部檔案動態更新策略表示為：檔案存儲通過非支配排序和擁擠距離得到的帕累托最優解；檔案在優化過程中動態更新，以保持代表性和有效的解決方案；在每次迭代之后，將后代與檔案中的現有個體進行比較：如果所有后代都被檔案中的任何個體所支配，那么它們將被丟棄；如果新的后代與檔案中存儲的所有個體處于相同的統治等級，則新的后代應添加到檔案中；如果檔案中有任何后代支配個體，則刪除被支配的個體，并添加支配的后代；如果檔案中添加的后代超過了檔案的容量，則計算所有個體的擁擠距離；為了增強多樣性并避免局部最優，個體根據擁擠距離遞減進行存儲，直到檔案滿為止，并且任何剩余的個體都被丟棄；從這個檔案中，擁擠距離前10％的個體被選為潛在的領導者候選；然后使用輪盤賭選擇方法來從這些候選中確定最終的領導者，每個個體的選擇概率與其擁擠距離成正比，擁擠距離越大的個體被選擇的機會越大。
20、進一步地，使用所述多目標蜜獾優化算法進行迭代運算，在迭代結束后輸出最優方案集合，以實現鋁電解工藝參數優化，包括：
21、步驟1，初始化種群p和種群大小n；將第i個蜜獾的位置定義為xi；
22、步驟2，初始化優化算法參數，包括：定義β＝6、c＝2以及itermax＝200；
23、步驟3，使用非支配排序策略和擁擠距離策略對群體p進行排序，包括：首先，計算總體中每個個體的目標值；然后，按照個體的目標值升序對個體進行非支配排序；最后，在每個非支配級別內，按照擁擠距離的降序對個體進行排序；
24、步驟4，將排序后的種群作為初始外部檔案，迭代開始；
25、步驟5，選擇領導者個體，包括：對外部檔案中個體進行非支配排序，將個體按升序排序；最后，在每個非支配級別內，按照擁擠距離的降序對個體進行排序；在帕累托第一等級中選取擁擠距離前10％的個體，然后使用輪盤賭選擇方法確定最終的領導者個體；
26、步驟6，更新自適應遞減因子α，公式為：
27、
28、其中，t是迭代次數；
29、步驟7，更新密度因子i，其中，第i個個體的密度因子ii定義為：
30、
31、其中，s＝(xi-xi+1)2,di＝xprey-xi，其中，s表示集中強度，di表示獵物和第i+1個蜜獾的位置xi+1之間的距離，xprey表示最佳獵物的位置；r2表示[0,1]范圍隨機值；
32、步驟8，對種群個體進行位置更新，包括：根據隨機值r確定生成新后代的公式，如果r<0.5，則進入勘探階段并使用下列方程式更新位置：
33、xnew＝xprey+f×β×i×xprey+f×r3×α×di×|cos(2πr4)×[1-cos(2πr5)]|
34、
35、否則，進入開發階段并使用下列方程式更新位置：
36、xnew＝xprey+f×r7×α×di
37、其中，xnew為個體更新位本文檔來自技高網...
【技術保護點】
1.一種基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述基于多目標蜜獾優化算法的鋁電解工藝參數優化方法包括：
2.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述輸出變量包括：噸鋁能耗、噸鋁碳排放以及原鋁質量。
3.如權利要求2所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述決策變量包括：槽電壓、電解溫度、電解質水平、鋁水平以及氟化鋁下料量。
4.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，基于所述輸出變量和所述決策變量，構建多目標優化模型，包括：
5.如權利要求4所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，基于所述輸出變量和所述決策變量，利用循環神經網絡建立多目標優化模型，包括：
6.如權利要求5所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述循環神經網絡的結構設置為：輸入層包含5個節點，隱藏層使用一個包含20個LSTM單元的節點結構，輸出層為一個線性節點；LSTM單元使
7.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述非支配排序策略表示為：在進行非支配排序時，首先解集根據非支配關系進行分類，非支配解標記為第一級帕累托最優；隨后，由第一級支配的解決方案被分類到下一個級別，直到所有解被分類，帕累托最優前沿的每個等級都包含具有不同程度被支配的解決方案。
8.如權利要求7所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述擁擠距離策略表示為：擁擠距離通過對相鄰解之間的距離求和來評估解的分布密度；擁擠距離越大，表明分布越分散，解的優勢越大。
9.如權利要求8所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述外部檔案動態更新策略表示為：檔案存儲通過非支配排序和擁擠距離得到的帕累托最優解；檔案在優化過程中動態更新，以保持代表性和有效的解決方案；在每次迭代之后，將后代與檔案中的現有個體進行比較：如果所有后代都被檔案中的任何個體所支配，那么它們將被丟棄；如果新的后代與檔案中存儲的所有個體處于相同的統治等級，則新的后代應添加到檔案中；如果檔案中有任何后代支配個體，則刪除被支配的個體，并添加支配的后代；如果檔案中添加的后代超過了檔案的容量，則計算所有個體的擁擠距離；為了增強多樣性并避免局部最優，個體根據擁擠距離遞減進行存儲，直到檔案滿為止，并且任何剩余的個體都被丟棄；從這個檔案中，擁擠距離前10％的個體被選為潛在的領導者候選；然后使用輪盤賭選擇方法來從這些候選中確定最終的領導者，每個個體的選擇概率與其擁擠距離成正比，擁擠距離越大的個體被選擇的機會越大。
10.如權利要求9所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，使用所述多目標蜜獾優化算法進行迭代運算，在迭代結束后輸出最優方案集合，以實現鋁電解工藝參數優化，包括：
...【技術特征摘要】
1.一種基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述基于多目標蜜獾優化算法的鋁電解工藝參數優化方法包括：
2.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述輸出變量包括：噸鋁能耗、噸鋁碳排放以及原鋁質量。
3.如權利要求2所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述決策變量包括：槽電壓、電解溫度、電解質水平、鋁水平以及氟化鋁下料量。
4.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，基于所述輸出變量和所述決策變量，構建多目標優化模型，包括：
5.如權利要求4所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，基于所述輸出變量和所述決策變量，利用循環神經網絡建立多目標優化模型，包括：
6.如權利要求5所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述循環神經網絡的結構設置為：輸入層包含5個節點，隱藏層使用一個包含20個lstm單元的節點結構，輸出層為一個線性節點；lstm單元使用sigmoid和tanh函數作為激活函數，輸出層則使用線性激活函數來預測連續值；迭代次數設置為200次，學習率設置為0.001，使用adam優化器，并采用32的批次大小來訓練；為防止過擬合，使用dropout作為正則化方法。
7.如權利要求1所述的基于多目標蜜獾優化算法的鋁電解工藝參數優化方法，其特征在于，所述非支配排序策略表示為：在進行非支配排序時，首先解集根據非支配關系進行分類，非支配解標記為第...
【專利技術屬性】
技術研發人員：崔家瑞，周昊，黃健，閻群，黃若愚，李擎，王明剛，楊旭，高晶晶，張濤，秦勝廣，周曉紅，
申請(專利權)人：北京科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。