摘 要: 為提高計算機燒結(jié)配料的自適應(yīng)性和通用性,,提出了基于改進粒子群算法優(yōu)化求解的方法,。該方法采用柯西分布函數(shù)演化而來的調(diào)整函數(shù),根據(jù)迭代次數(shù)慣性權(quán)重動態(tài)調(diào)整,,對粒子群算法的全局和局部搜索能力進行平衡調(diào)整,,使算法初期有較快的收斂速度,后期又保持較高的尋優(yōu)精度,,從而提高了粒子群算法的全局和局部搜索能力,。仿真結(jié)果表明,所提出的改進粒子群算法收斂速度快,、精度高,、具有較強的全局尋優(yōu)能力,能有效降低鋼鐵企業(yè)燒結(jié)成本,為實際工程應(yīng)用提供了一個新思路,。
關(guān)鍵詞: 粒子群算法,;燒結(jié);優(yōu)化,;慣性權(quán)重,;仿真
在市場經(jīng)濟的推動下,現(xiàn)代鋼鐵生產(chǎn)成本和經(jīng)濟效益的矛盾十分突出,,對于各大鋼鐵企業(yè)來說,,降低成本、提高產(chǎn)品質(zhì)量已迫在眉睫,。因此,,單一礦種的燒結(jié)已經(jīng)難以滿足企業(yè)的要求,當今大部分企業(yè)已經(jīng)采用幾種礦粉合理搭配進行燒結(jié),,這樣既可以降低燒結(jié)成本,,又能提高燒結(jié)礦質(zhì)量。尤其最近各大企業(yè)相繼增加進口粉和外來鐵礦粉的用量,,并且隨著進口粉和外來粉種類增多,,探討各種原料的合理配比已勢在必行[1]。
算法描述如下:
(1)初始化粒子群,。確定種群大小,、空間維數(shù)、各粒子的隨機位置和速度及最大迭代次數(shù),。
(2)評價各計算粒子的適應(yīng)值,。
(3)對每個粒子xi,將其適應(yīng)值與其經(jīng)歷過的最好位置pi的適應(yīng)值作比較,,如果較好,,則將xi作為當前的最好位置pi。
(4)對每個粒子xi,,將其適應(yīng)值與所有粒子經(jīng)歷過的最好位置pg的適應(yīng)值作比較,,如果較好,則將其作為當前所有粒子的最好位置pg,。
(5)每次迭代中,,根據(jù)式(1)、式(2)對每個粒子的位置和速度進行更新,。
(6)滿足最大迭代次數(shù)或全局最優(yōu)位置滿足預定精度要求則停止迭代,,輸出全局最優(yōu)解,算法終止,,否則跳轉(zhuǎn)步驟(2)繼續(xù)執(zhí)行,。
2 粒子群算法改進
研究發(fā)現(xiàn)在算法的迭代過程中動態(tài)地調(diào)整慣性權(quán)重,可以改變搜索能力的強弱,。慣性權(quán)重類似模擬退火中的溫度,,較大的慣性權(quán)重有較好的全局收斂能力,而較小的慣性權(quán)重則有較強的局部收斂能力,。因此,,隨著迭代次數(shù)的增加,慣性權(quán)重應(yīng)不斷減少,,從而使得粒子群算法在初期具有較強的全局收斂能力,,而晚期具有較強的局部收斂能力。例如在參考文獻[5]中提出了線性遞減權(quán)重策略,,慣性權(quán)重w滿足:
4 仿真計算
根據(jù)以上數(shù)學模型,,采用Matlab語言、粒子群算法和改進的粒子群算法,,分別編制燒結(jié)礦優(yōu)化配料計算程序,,計算出的精鐵礦和粉礦需求量及成本如表3所示。其中方案1,、方案2,、方案3分別代表標準粒子群算法、線性遞減慣性權(quán)重改進粒子群算法,、本文改進粒子群算法的仿真結(jié)果,。
運用改進粒子群算法對鋼鐵燒結(jié)礦配料進行優(yōu)化計算,計算機仿真結(jié)果表明符合實際工藝要求,,通過與標準粒子群算法和線性遞減改進粒子群算法的結(jié)果相比較,,可看出本文提出的改進粒子群算法具有更好的尋優(yōu)能力和更高的運算精度,。由于粒子群算法在優(yōu)化實現(xiàn)的過程中,不需要對優(yōu)化問題的數(shù)學模型有過高的要求,,避免了常規(guī)數(shù)學方法在求解過程中的復雜性,,因此使用人員不需要具備過高、過深的數(shù)學理論知識,,很適合工程技術(shù)人員使用,。
參考文獻
[1] 梁中渝.煉鐵學[M].北京:冶金工業(yè)出版社,2009.
[2] EBERHART R C,,KENNEDY J.A new optimizer using particles swarm theory[C].Proc Sixth International Symposium on Micro Machine and Human Science,,1995:87-92.
[3] 張麗平.粒子群優(yōu)化算法的理論及實踐[D].杭州:浙江大學,2005.
[4] 張增強,,黃馬壯.粒子群算法在計算機自動配棉優(yōu)化中的應(yīng)用[J].紡織學報,,2011,32(2):44-47.
[5] SHI Y,,EBERHART R C.Empirical study of particle swarm optimization[C].Proceedings of the IEEE Congress on Evolutionary Computation,,1999:1945-1950.
[6] 宋永強.改進的粒子群優(yōu)化算法及其在石油性質(zhì)預測中的應(yīng)用[D].青島:中國石油大學,2008:15-18.
[7] 周品,,趙新芬.Matlab數(shù)學建模與仿真[M].北京:國防工業(yè)出版社,,2009:373-377.
[8] 李寧,鄒彤,,孫德寶.基于粒子群的多目標優(yōu)化算法[J].計算機工程與應(yīng)用,,2005(23):43-46.
[9] 黃玉明.重鋼燒結(jié)配礦優(yōu)化研究[D].重慶:重慶大學,2005.
[10] 周常立.燒結(jié)配料優(yōu)化方法及工業(yè)應(yīng)用[D].長沙:中南大學,,2011.
[11] CIUPRINA G,,LOAN D.Use of intelligent-particle swarm optimization in electromagnetics[J].IEEE Trans on Magnetics,2003,,38(2):1037-1040.