[发明专利]基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法

摘要

本发明公开了一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，包括以下几个步骤：一：统计对电流效率、吨铝能耗以及全氟化物排放量影响大的参数作为决策变量X；二：利用BP神经网络建立铝电解生产过程模型；三：运用MOBFOA算法对决策变量在其取值范围内进行优化；四：按照最优决策变量进行现场控制。有益效果：利用非线性映射能力强的BP神经网络建立铝电解生产过程模型；优化方法指导菌群跳出局部最优，可快速获得最佳的生产过程参数，达到了高效、降耗、减排的目的。

主权项

1.一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于包括以下步骤：S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；S2：选定铝电解工业现场，采集N组决策变量X1，X2，…，XN及其对应的电流效率y1，y2，…，yN；对应的吨铝能耗z1，z2，...，zN和对应的全氟化物排放量w1,w2,…,wN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi以及全氟化物排放量wi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；S3：利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，优化时，通过计算Pareto熵并根据Pareto熵对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，使其达到节能、降耗和减排的目的；步骤S3中的MOBFOA算法包括以下步骤：S31：将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；S32：初始化系统参数，包括细菌群体大小Nn，趋向次数Nc，趋向行为执行中前进次数Ns，繁殖次数Nre，驱散次数Ned，执行驱散行为的概率Ped，外部档案规模K；S33：执行趋向操作，包括翻转和前进；假设第i(i＝1,2,…,L)只细菌在第j次趋向操作第k次复制操作和第l次驱散操作之后的位置为θⁱ(j,k,l)，则θⁱ(j+1，k，l)＝θⁱ(j，k，l)+C(i)^*dct_i，式中，dct_i是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct_i方向前进的步伐长度，且Δ_i为各分量均为[‑1,1]内随机数的向量，向量的维数与决策变量X的维数相同；S34：根据个体间的信息素浓度Jcc执行聚群操作：S35：计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；对给定的k、l，每只细菌的健康函数为式中，表示第i只细菌的能量，J(i,j,k,l)表示细菌i在第j次趋向操作第k次复制操作和第l次驱散操作之后的适应度函数值，N_c表示趋向次数，越大，表示细菌i的觅食能力越强；S36：将S35产生的菌群与前一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，如不满足，则转至S38；S39：根据菌群进化状态调整步长，并跳转至步骤S33循环执行。