基于遗传算法的烧结配料优化

杨 钊，李 智

(武汉工业学院电气信息工程系，湖北武汉430023)

基于遗传算法的烧结配料优化

杨 钊，李 智

(武汉工业学院电气信息工程系，湖北武汉430023)

针对烧结配料实验的复杂性和多变性，将遗传算法和广义回归神经网络相结合，发挥神经网络的泛化能力，使神经网络具有较快的收敛性和较强的学习能力，发挥遗传算法的鲁棒性。通过现场试验和优化分析，优化方法符合生产实际，为烧结配料优化生产提供有效的参数依据。

广义回归神经网络;遗传算法;烧结;优化

烧结矿配料优化从20世纪80年代就开始研究，在研究中知道，烧结配矿规律和知识的总结是把握配矿的关键，但配矿问题十分复杂，影响因素很多，即便是配矿专家也很难全面、明确表达出配矿规律和知识。而且由于在配矿过程中矿石之间的相互作用，影响因素过多，限于成本的原因，难以进行全面的配矿试验。配矿数学模型通过多大量的生产和实验数据进行分析处理，采用机器学习，探讨配矿规律。在一定程度上解决了许多问题。

近年来，许多学者用不同的理论知识来建立的数学模型来进行烧结配料的优化，取得了很好的效果［1］。攀钢蒋大军等针对攀钢烧结使用的原料品种越来越多，运用均匀设计法优化烧结实验工艺参数，提高烧结试验效率与质量。李智等［2－3］针对人工智能的配矿方法作了一些研究，分别利用神经网络，Hopfield神经网络和改进的模拟退火算法来建立了武钢烧结厂相应的原料混均数学模型，并进行了优化计算。

1 烧结配料优化模型

烧结配料的目的在于：根据不同种类的铁矿石的化学成分，将原料矿进行合理的搭配，使混匀矿的化学成分符合烧结生产的要求。同时，配料中还可以用多种含铁废料替代铁矿石。然而在烧结过程中，水分、制粒时间、透气性、配碳、料层、烧结原料及其配比、烧结负压、物化性能以及软化性能等因素之间存在着相互制约的非线性关系。一般烧结矿石种类不同，含MgO、FeO以及SiO2等的含量也各不相同，其约束范围如表1所示。

表1 原料中一些元素的含量范围

在烧结矿石中，负压(X9)的大小对烧结速度也有一定影响，其范围一般为1≤X9≤1.3。

因此预测模型是以烧结的生产性能为优化目标，即转鼓强度Y1(X)和烧结速度Y2(X)最大为原则，即：

由于GRNN(General regression neural network)具有明确的概率意义和较好的泛化能力，能逼近任意非线性函数，其建立过程实质是通过样本学习调整各层的权值和径向基层的光滑因子。因此采用三层GRNN网络作为烧结配料预测模型，其网络结构如图1所示［4］。

图1 GRNN预测模型结构图

取 Xk，k=1，2…9为输入，Vj为第二层输出，其神经元的个数等于输入向量维数，其输出为：

则模型的输出 Zi，i=1，2为

其中Cjk为隐含层单元的中心;δj为光滑因子;Wij为网络权值。

2 优化算法

有了GRNN网络模型之后，还需要对它进行训练，由上面的式子知道δj、Cjk、Wij需要通过训练来确定，如何确定这些参数实际就是求解一组合适的数值使GRNN网络的精度误差最小［5-6］，而遗传算法在求解非线性问题方面具有独到的优势，因此本文采用结合遗传算法的方法训练神经网络。

从国内外城市发展历程来看，城市蔓延在城市建设发展初期会带来有利方面，主要表现在以下几个方面：①有效引导及疏散大城市繁华商业街周边居住区的人口，改善了中心区市民的居住和生态环境；②分散不适合在城市中心区发展的工业企业，保护了城市中心居民的居住环境；③土地的无止境的扩张对城市郊区的发展起到了拉动作用，土地利用效率也有了显著提高。但随着城市不断发展，城市蔓延产生如耕地锐减、土地利用效率低下、城市环境污染、城市开发成本投资过高等诸多弊端。

以上参数采用实数编码较佳，δj、Cjk、Wij依次按顺序存入一个数组，每一个变量即相当于一个个体的一个输入维度，那么个体的进化与改变即是对参数的优化过程。遗传个体的适应度(目标函数)，一般采用全局精度误差为数据样本的目标值。

遗传算法(Genetic Algorithms.GA)是基于“优胜劣汰，适者生存”的一种模拟自然界遗传机制和生物进化论而成的并行随机搜索最优化方法。它将问题的求解表示成“染色体”的适者生存过程，按所选择的适配值函数并通过遗传中的复制、交叉及变异对个体进行筛选，使适配值高的个体保留下来，组成新的群体，直到满足一定的约束条件后停止迭代进化。其算法简单，具有良好的全局寻优性能，已经广泛应用于多种组合优化问题的求解中。标准遗传算法的基本操作步骤主要有下面三种。

(1)复制。即从一个旧种群中选择生命力强的个体位串产生新种群的过程。它应用了达尔文的适者生存的理论，模拟自然现象，从旧种群中选择生命力强的个体位串，产生的新种群则有可能在下一代中产生一个或多个子孙。复制操作可以通过随机方法来实现;

(2)交叉。通过随机方法进行的复制操作，从旧种群中选择出优秀个体，不能创造出新染色体，新的优良品种只能通过二个染色体的交换组合来产生，这是模拟了生物进化过程中的繁殖现象;

(3)变异。变异是通过用一个等于变异率的概率随机地改变被选择染色体上的一个或多个基因。它以很小的概率随机的改变遗传基因的值。在染色体以二进制编码的系统中，若没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响了质量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操作。

遗传算法实现烧结优化的流程，如图2所示。

图2 遗传算法流程图

3 仿真与实现

由均匀设计方法对9个影响因素和2个实验结果进行设计，由经验所得的因素上下限均匀划分其区间，通过实验得到数据样本，提出少量几组作为测试样本，其余组作为训练样本集在GRNN网络中进行训练。网络中的待定参数经过遗传算法的迭代优化，GRNN的网络输出逐渐向烧结试验的实际数值逼近，直到最后输出误差的精度满足给定值。

现用16组测试样本数据，选取前14组作为训练样本，后2组作为测试样本，模型预测结果如表2所示。

表2 网络模型预测1 /%

遗传算法的实际学习误差曲线如图3所示。

图3 学习误差曲线

在实际实际烧结生产过程中，当采用14组数据作为训练次数，它所产生的样本训练相对误差曲线如图4所示。

图4 训练样本相对误差曲线

使用武钢烧结厂提供的140组实际生产记录的数据进行建模测试，随机抽取10组数据作为测试样本，剩下的130组数据作为训练样本，最后的模型仿真结果如表3所示。

表3 网络模型预测2

两次实例预测结果表明，通过GRNN神经网络建立的烧结试验模型可以满足烧结试验的设计要求，人工神经网络建立的烧结矿模型不仅是合理的，而且优于以往通过理论、经验等建立的公式模型，具有更高的可靠度、准确度和简便性。在使用遗传算法对人工神经网络模型进行优化时能够对烧结试验参数进一步寻优提供可靠的基础。

4 结束语

就烧结配料而言，随着变量和约束条件继续增多，模型规模和复杂度的扩大，遗传算法能够满足以后高性能求解配料优化模型的要求，并且其独有的惩罚函数可以灵活地处理各种约束条件，通过控制惩罚度的大小对约束条件划分优先顺序，使配料过程的优化模型求解更符合烧结操作者的意愿，实现配料的人工智能。

由于传统的遗传算法在面对类似于神经网络求解等高维度、复杂的目标函数等非线性问题时候常常表现出容易陷入局部最小值、收敛速度过慢或者难以收敛等缺点。所以针对烧结配料的优化还需要做进一部的努力，从而达到更加的效果。

该试验数据已成功应用于企业生产，符合生产实际。

［1］ 冯建生，王秀芝.一个基于神经网络的配矿专家系统［J］.冶金自动化，1999，(4)：7-10.

［2］ 李智，姚驻斌，张望兴，等.基于神经网络的混匀配料优化方法［J］.钢铁研究，2000(4)：10-12.

［3］ 李智，姚驻斌，张望兴，等.模拟退火算法在冶炼Mn－Si合金优化配料中的应用［J］.钢铁研究，2000(5)：36-39.

［4］ 董立岩，李永丽，时景荣，等.基于遗传算法和神经网络的因素分析［J］.吉林工业大学自然科学学报，2001.

［5］ 米凯利维茨.演化程序—遗传算法与数据编码的结合［M］.北京：科技出版社，2000.

［6］ 王小平，曹立明.遗传算法—理论、应用与软件实现［M］.西安：西安交通大学出版社，2002.

Optimization of sintering ingridients based on genetic algorithm

YANG Zhao，LI Zhi
(Department of Electrical and Information Engineering，Wuhan Polytechnic University，Wuhan 430023，China)

According to the complexity and polytrope of the sintering burden，we combine the genetic algorithm with general regression neural networks，in order to develop the robustness of the genetic algorithm and neural networks’s generalization ability，which will make the neural networks with fast astringency and powerful learning ability.On carrying out the field test and optimized analysis，the model meets the actual production，providing the effective and significant data to optimize the way of sintering burden production.

general regression neural network;genetic algorithm;sintering;optimization

TF 11

A

1009-4881(2011)03-0054-04

10.3969/j.issn.1009-4881.2011.03.013

2011-05-10.

杨钊(1985-)，男，硕士研究生，E-mail：154234969@qq.com.

李智(1964-)，男，教授，E －mail：lizhihb@yahoo.com.

湖北省教育厅科学技术研究项目(B20101707).