论文部分内容阅读
钢铁工业的迅速发展带动了金属矿石的市场需求,市场竞争也愈演愈烈。因此,为了提高经济效益及市场竞争力,必须提高生产效率和产品质量,实现节能降耗,降低生产成本。近年来,尽管智能优化算法已经取得了很大的发展,但是在选矿综合生产指标优化的应用方面,大多数的研究还只是根据理想情况下决策目标的要求、设备能力和能源资源约束进行优化决策。然而,实际的生产过程中,设备能力、运行时间以及指标约束都是随着时间变化的。因此,为了提高选矿综合生产指标的优化决策能力,就需要对优化决策模型进行更精确的分析,包括考虑随时间变化的设备能力和运行时间等。本文针对以上问题,在国家自然科学基金项目《复杂工业过程运行指标闭环优化方法研究(61273031)》的支持下开展了选矿综合生产指标动态多目标优化问题的研究。本文的主要工作如下：(1)描述了选矿综合生产指标多目标优化问题。分别介绍了选矿过程设备的运行计划、生产运行计划和选矿综合生产指标。结合实际选矿生产过程,对选矿生产全流程综合生产指标优化的存在的问题和难点进行了分析。(2)提出了基于梯度驱动的G-DNSGA-Ⅱ遗传算法。算法在解决动态优化问题方面,引入了三种机制,分别为探测环境变化机制,适应变化环境机制和环境变化后探索种群的机制。在环境变化后通过对父代种群的再次适应度值计算,保证了算法适应环境变化的能力。通过设置探测器函数,保证了在环境发生变化时能够快速的发现环境的变化。为了提高算法在环境变化后探索新种群空间的能力,引入了梯度驱动策略,该策略弥补了经典优化算法容易陷入局部最优、收敛方向受初始化种群分布影响和收敛速度慢的缺陷。将提出的G-DNSGA-Ⅱ算法与A-DNSGA-Ⅱ算法在两个动态标准测试问题MFDA2和HE2上进行了测试对比。算法性能评价指标反向代距离IGD计算结果表明G-DNSGA-Ⅱ算法具有更快的收敛速度,在环境变化程度大的情况下,这一特点表现的更加明显。超体积比HVR对算法保持种群多样性的能力进行了评估,结果表明G-DNSGA-Ⅱ算法具有更优异性能。(3)分析了实际生产过程中,选矿综合生产指标优化问题的目标函数、约束范围和参数相互之间的关联性以及与时间的相关性。通过对选矿综合生产指标优化问题目标函数和约束范围的描述阐明了它们相互之间的关联性和问题处理过程中的难点。通过分析选矿综合生产指标优化问题与时间的相关性,发现了设备运行能力和总的运行时间的变化规律,并根据它们随着时间变化的规律建立了选矿综合生产指标动态优化模型。(4)对建立的优化模型最优值和最优解变化的特点进行了分析。研究了提出的G-DNSGA-Ⅱ算法在求解选矿综合生产指标动态优化问题的能力。在设备能力和运行时间跟随时间变化并带动约束条件变化的情况下,G-DNSGA-Ⅱ算法能够快速的求解出不同时刻的精矿品位、金属回收率、精矿产量、全选比和单位成本的Pareto解集,证明了G-DNSGA-Ⅱ算法在解决选矿综合生产指标动态优化问题的有效性。