基于自適應步長細菌覓食算法的鋁電解生產過程多目標優化方法
【技術領域】
[0001 ]本發明涉及最優控制領域，具體地說，是一種基于自適應步長細菌覓食算法的鋁 電解生產過程多目標優化方法。
【背景技術】
[0002] 鋁電解是一個復雜的工業生產過程，鋁電解槽內部復雜的物料化學變化以外部多 種不確定作業因素導致槽內參數較多，參數間呈現出非線性、強耦合性等特點，難以實時測 量、調整，給鋁電解生產過程控制優化帶來一定難度。目前的鋁電解法耗能巨大且效率低 下，且鋁電解生產過程中會產生大量溫室氣體，環境污染嚴重。因此，在保證鋁電解槽平穩 生產的前提下，如何提高電流效率、降低能耗、降低污染氣體排放量，以實現高效、節能、減 排已成為鋁電解企業的生產目標。
【發明內容】
[0003] 有鑒于此，本發明提供一種基于自適應步長細菌覓食算法的鋁電解生產過程多目 標優化方法，首先利用BP神經網絡模型建立鋁電解過程模型，再利用自適應步長的細菌覓 食算法確定對鋁電解生產指標影響最大的參數最優值，有效提高鋁電解生產效率。具體技 術方案如下：
[0004] -種基于自適應步長細菌覓食算法的鋁電解生產過程多目標優化方法，其關鍵在 于包括以下步驟：
[0005] 31:選取1^個鋁電解生產指標￥=[71，72，-_7~]，選取對鋁電解生產指標￥影響最大 的1個參數父=|^142，··，];
[0006] S2:以所述參數X作為輸入，所述生產指標Y作為輸出，利用BP神經網絡對鋁電解過 程進行建模，得到鋁電解模型；
[0007] S21:選取尺組數據Xr = [Xri，Xr2，…，XrM] (r = 1，2，…，R)作為訓練樣本，Yr= [yrl， yr2,…，yrN]為訓練樣本對應的實際輸出，配置BP神經網絡參數及權值矢量WXI(g)和WjF(g)， Wn(g)為第g(g-般設定為500)次迭代時輸入層與隱層I之間的權值矢量;WJF(g)為第g次迭 代時隱層J與輸出層之間的權值矢量；
[0008] S22:初始化，g = 0，給權值矢量WXI(0)，WjF(0)賦予0到1之間的隨機值；
[0009] S23:隨機輸入樣本Xr;得到第g次迭代時BP神經網絡的仿真輸出為:Fr(g) = [frl (g)，fr2(g)，…，frN(g)];
[0010] S24:由實際輸出Yr和上一步求得的仿真輸出Fr(g)，計算誤差E(g)，判斷其是否滿 足要求，若滿足轉至S27;若不滿足轉至S25;
[0011] S25:判斷g+Ι是否大于最大迭代次數，若大于轉至S27,若不大于，對輸入樣本Xr， 反向計算每層神經元的局部梯度δ;
[0012] S26:g = g+1，修正權值矢量Wxi(g)，WjF(g);
[0013] S27:判斷是否學完所有的訓練樣本，是:結束訓練，完成建模;否:返回執行S23。
[0014] S3:基于步驟S2中的鋁電解模型，以所述N個輸出Y作為適應度函數J，利用自適應 步長細菌覓食算法對所述Μ個參數X在其取值范圍內進行優化，優化步驟如下：
[0015] S31:以實際生產情況確定所述Μ個參數Χ= [Χ1，Χ2，"·ΧΜ]的取值范圍；
[0016] S32:初始化細菌覓食算法的相關參數:細菌群體大小S，趨向次數Ν。，趨向行為執 行中前進次數Ns，繁殖次數Nre，驅散次數Ned，執行驅散行為的概率Ped，引誘劑的擴散距離 datt，引誘劑的擴散范圍Watt，排斥劑的作用距離hrape，排斥劑的作用范圍wre3pe3;
[0017] 同時生成細菌初始位置，其中第i只細菌的位置表示為0i(j，k，l)，i = l，2，~，S， 其中j，k，l分別表示細菌已經完成的趨向、繁殖、驅散次數，j = l，2，···，NC+1，k=l，2，···，Nre+1,1 = 1,2,???,Ned+l；
[0018] S33:根據0i(j + l，k l，）= 0i(j k，l)，+C(i)*dcti執行趨向操作，其中，
表示第i只細菌最近一次趨向前進時所選擇的隨機矢量方向，C(i)表示 其沿dcti方向前進的步長；
[0019] S34:計算細菌個體間的信息素濃度J。。并以此指導菌群的群聚操作；
[0020] S35:計算菌群的健康函數
，其中J(i，j，k，l)表示第i只細 菌在完成第j次趨向、第k次繁殖、1次驅散時的適應度函數；越大，表示細菌i覓食能力 越強；
[0021] S36:對步驟S35中獲得的值進行降序排列，Jheaith較小的半數細菌淘汰； Jh^th較大的半數細菌進行分裂，完成繁殖以維持菌落細菌總數不變，子代細菌覓食能力與 父代保持一致；
[0022] S37:在經歷幾代復制操作后，菌落將會集聚，使其多樣性退化。為了保證菌落的多 樣性，對每個細菌都隨機產生一個隨機數randi，若randi 2 Ped則保留，若randi<P(5d則在搜 索區域內將該細菌驅散到的一個新的位置;雖然驅散操作破壞了細菌的趨向行為，但細菌 也有可能因此出現食物更加豐富的區域內；
[0023] S38:判斷每個菌落是否都完成優化，若完成，則輸出Pareto前沿即最優參數X'=
[χ/ ,χ' 2,…X、]以及對應的生產指標Y' = [y/ 2, "y N];若未完成，則轉至S39,直至滿 足算法結束條件；
[0024] S39:根據菌群進化狀態調整第i只細菌前進步長C(i)，并轉至S33;其中C(i)的調 整方法如下：
[0025] 若在第t次迭代過程中，如果步驟S38中輸出Pareto前沿PFappr向真實Pareto前沿 PFtrue在目標空間中發生了距離逼近時，即算法在時亥處于收斂狀態，則:α(υ=(^α)-λ (l+l AE(t)|);
[0026] 若在第t次迭代過程中，如果算法獲得的新解替換了PFappr上質量較低的舊解，即 算法在時亥葉處于多樣化狀態，貝11:(：1；(:〇=(^-1(:〇+以|八￡(1:)|;
[0027] 若在第t次迭代過程中，如果算法獲得的新解被拒絕進入PFappr，則算法在時刻t處 于停滯狀態，則:Ct(i)=ct-Ki);
[0028] 其中，λ，μ為(〇，1)之間的隨機數，AE(t)為菌群Pareto解的差熵。
[0029] 有益效果：（1)基于細菌覓食算法優化鋁電解生產過程參數，有效提高鋁電解生產 效率；（2)利用自適應步長調整細菌前進步長，有效避免細菌覓食算法陷入局部最優解；（3) 使用Pareto差熵對菌群步長進行動態調整以快速獲取鋁電解生產最優參數。
【附圖說明】
[0030] 圖1為本發明的算法流程圖；
[0031 ]圖2為CF4排放量預測效果圖；
[0032] 圖3為電流效率預測效果圖；
[0033] 圖4為噸鋁能耗預測效果圖；
[0034] 圖5為CF4排放量預測誤差圖；
[0035]圖6為電流效率預測誤差圖；
[0036]圖7為噸鋁能耗預測誤差圖。
【具體實施方式】
[0037]下面結合實施例和附圖對本發明作進一步說明。
[0038] 如圖1所示的一種基于自適應步長細菌覓食算法的鋁電解生產過程多目標優化方 法，其關鍵在于包括以下步驟：
[0039] 51:選取3個鋁電解生產指標￥=[71，72, 73]，包括：電流效率、噸鋁能耗和全氟化物 排放量；
[0040] 選取對鋁電解生產指標Y影響最大的8個參數X = [ Χ1，χ2，…χ8]，包括:系列電流、NB 次數、分子比、出鋁量、鋁水平、電解質水平、槽溫、槽電壓。
[0041 ] S2:以所述參數X作為輸入，所述生產指標Y作為輸出，利用BP神經網絡對鋁電解過 程進行建模，得到鋁電解模型;BP神經網絡建模過程如下：
[0042] S21:采集重慶天泰鋁業有限公司170KA系列電解槽中的223#槽2013年全年生產數 據以及2014年前40天數據，共計405組數據，其中2013年全年365組生產數據Xr=[xrl， xr2,…，xrM](r=l，2,…，365)作為訓練樣本，Yr=[y rl，yr2,…，yrN]為訓練樣本對應的實際輸 出；2014年前40天的40組數據作為測試樣本。數據樣本如下表1所示。
[0043]表1數據樣本
[0046] 配置BP神經網絡參數及權值矢量WXI(g)和WjF(g)，WXI(g)為第g(g設為800)次迭代 時輸入層與隱層I之間的權值矢量;WjF(g)為第g次迭代時隱層J與輸出層之間的權值矢量； BP神經網絡的設置參數如下表2所示。
[0047] 表2 BPNN設置參數
[0049] S22:初始化，g = 0，給權值矢量WXI(0)，Wjf(0)賦予0到1之間的隨機值；
[0050] S23:隨機輸入樣本Xr;得到第g次迭代時BP神經網絡的仿真輸出為:Fr(g) = [frl (g)，fr2(g)，…，frN(g)];
[0051] S24:由實際輸出Yr和上一步求得的仿真輸出Fr(g)，計算誤差E(g)，判斷其是否滿 足要求，若滿足轉至S27;若不滿足轉至S25;
[0052] S25:判斷g+Ι是否大于最大迭代次數，若大于轉至S27,若不大于，對輸入樣本Xr， 反向計算每層神經元的局部梯度δ;
[0053] S26:g = g+1，修正權值矢量WXI(g)，WjF(g);
[0054] S27:判斷是否學完所有