基于量子优化的铝电解多目标控制系统

发布时间：2017-10-16 18:18

  本文关键词：基于量子优化的铝电解多目标控制系统

  更多相关文章： 铝电解控制系统 多目标优化 Elman神经网络 BP神经网络 多目标进化算法 量子优化算法 遗传算法

【摘要】：当前国家提出建立资源节约性社会,环保型社会,降低PM2.5浓度,节约能耗,提高能源利用率的总体要求。铝电解产业作为高耗能,重污染的产业是优化调整的重点。对于铝电解进行节能降耗控制、优化控制是铝电解产业节能减排的重要途径,铝电解控制系统是一个复杂的多变量,非线性控制系统,影响铝电解的节能与电流效率的变量有很多,如何能通过多目标优化控制策略,以达到节能环保效果是研究的重点。本文首先综合分析了铝电解的工艺特点,根据铝电解过程复杂,变量多等特点,提出了铝电解多目标优化控制策略。分析了影响铝电解过程的主要工艺变量,针对物料平衡模型与能耗平衡模型,结合主要工艺参数构建了铝电解过程的机理模型。由于机理模型是基于理想条件下的,所以在实际应用中误差较大,控制效果不理想。因此建立了基于Elman神经网络预测模型。构建了铝电解多目标优化控制系统的总体结构,选用了BP神经网络控制器用以提高控制精度和动态跟踪精度。但由于BP神经网络固有的缺点,还需要进一步改进。因此针对多目标优化问题,提出了量子优化的方法。该算法用量子位对染色体进行实数编码,将量子比特的概率幅值都看作多目标问题的可行解。用量子旋转门更新量子比特相位,设计了量子选择算子、量子交叉算子、量子变异算子及种群更新算子,并选用相位增量空间按指数级别下降并可动态循环调整的策略,采用选则非支配排序算子及基于Pareto个体引力的选择策略,这些改进措施使算法优化效率得到明显提高。测试结果表明提出的算法能够有效的解决多目标优化问题,相对于其他多目标优化算法具有较强的全局搜索能力。为了使铝电解多目标控制系统产生更好的输出效果,使用了提出的算法与BP神经网络控制器进行融合,并设计了具体的改进方案,阐述了量子多目标遗传算法与BP神经网络融合的具体实现步骤,应用量子多目标遗传算法对BP神经网络控制器的权值、阈值与学习方式进行优化,充分发挥量子多目标遗传算法的全局搜索能力,提高了神经网络的收敛速度与泛化能力。最后通过计算机仿真,对铝电解多目标控制系统的输出效果进行了验证,通过与采用改进型非劣分类遗传算法(NSGAII)优化的BP神经网络的铝电解多目标控制系统进行了两优化目标输出效果比较,仿真研究结果表明基于量子优化算法的铝电解多目标控制系统,在相同的电流效率的情况下,直流功耗明显降低。因此可以证明本控制系统在铝电解节能降耗方面的先进性,证明了本文提出的铝电解多目标优化控制策略的可行性。
【关键词】：铝电解控制系统 多目标优化 Elman神经网络 BP神经网络 多目标进化算法 量子优化算法 遗传算法
【学位授予单位】：沈阳建筑大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TF821;TP273
【目录】：

• 摘要4-5
• Abstract5-11
• 第一章 绪论11-21
• 1.1 课题研究的背景及意义11-12
• 1.2 铝电解控制系统及国内外发展现状12-14
• 1.3 多目标优化算法及国内外发展现状14-19
• 1.3.1 多目标优化问题及其研究意义14-17
• 1.3.2 多目标优化算法的发展现状17-19
• 1.4 本论文的主要工作19-21
• 第二章 铝电解多目标控制的工艺分析与预测模型的建立21-31
• 2.1 铝电解工艺发展21-23
• 2.2 预焙槽铝电解生产的重要参数及特点23-25
• 2.3 机理模型的构建25-26
• 2.4 铝电解多目标优化神经网络预测模型的建立26-30
• 2.5 本章小节30-31
• 第三章 铝电解多目标控制系统的控制方案与量子优化算法31-57
• 3.1 铝电解多目标控制系统的总体设计方案31-32
• 3.2 神经网络的选择32-34
• 3.3 BP神经网络34-38
• 3.3.1 BP神经网络的介绍34-35
• 3.3.2 铝电解多目标优化系统的BP神经网络控制器结构35-36
• 3.3.3 学习与训练过程36-37
• 3.3.4 BP神经网络控制器的不足37-38
• 3.4 多目标进化算法38-45
• 3.4.1 进化算法38-40
• 3.4.2 多目标遗传算法的分类、关键性理论与典型的多目标遗传算法40-45
• 3.4.2.1 多目标遗传算法的分类40-41
• 3.4.2.2 多目标遗传算法的关键理论41-43
• 3.4.2.3 典型的多目标进化算法43-45
• 3.4.3 典型多目标进化算法的不足45
• 3.5 量子多目标进化算法45-55
• 3.5.1 量子优化算法的基础介绍45-47
• 3.5.2 量子多目标遗传算法47-55
• 3.5.2.1 量子编码方案47
• 3.5.2.2 优化问题的解空间变换47
• 3.5.2.3 量子多目标遗传算法进化算子47-51
• 3.5.2.4 相位增量空间的调整51
• 3.5.2.5 选择算子51
• 3.5.2.6 量子交叉算子51-52
• 3.5.2.7 量子变异算子52
• 3.5.2.8 种群更新52-53
• 3.5.2.9 量子多目标遗传算法描述53
• 3.5.2.10 量子多目标遗传算法收敛性分析53-55
• 3.6 本章小节55-57
• 第四章 优化算法的性能测试及其与BP神经网络控制器的融合57-69
• 4.1 量子多目标遗传算法的性能测试57-65
• 4.1.1 测试问题57-59
• 4.1.2 性能指标59-60
• 4.1.3 实验参数的选择60
• 4.1.4 实验结果与分析60-65
• 4.2 量子多目标遗传算法与BP神经网络控制器的融合65-68
• 4.2.1 量子多目标遗传算法与BP神经网络结合的关键因素65-66
• 4.2.2 量子多目标遗传算法与BP神经网络的融合66-67
• 4.2.3 关键性问题的解决与算法的优化流程67-68
• 4.3 本章小结68-69
• 第五章 铝电解多目标优化控制系统的实验仿真与结果分析69-77
• 5.1 基于NSGAII的铝电解多目标优化控制系统的实验仿真69-72
• 5.2 基于量子多目标遗传算法的铝电解多目标优化控制系统的实验仿真72-74
• 5.3 两种改进算法的铝电解多目标控制系统实验仿真效果对比74-76
• 5.4 本章小结76-77
• 第六章 结论77-79
• 6.1 总结77
• 6.2 展望77-79
• 参考文献79-83
• 作者简介83-85
• 致谢85-86

【相似文献】

中国期刊全文数据库 前10条

1 钮因健;;大力推进铝电解工业第二次科技创新[J];新材料产业;2010年08期

2 ;云铝公司“低温低电压铝电解新技术”项目通过技术验收[J];上海有色金属;2011年03期

3 姜玉敬;我国铝电解工业的进展和发展动向[J];世界有色金属;1996年06期

4 艾自金;浅析我国的铝电解工业[J];有色金属(冶炼部分);2000年03期

5 陆钦芳,金秀岩;关于我国铝电解工业技术发展路线的建议[J];世界有色金属;2001年05期

6 狄贵华,任剑;浅析国内外铝电解能耗状况[J];有色冶金节能;2004年04期

7 田忠良,赖延清,银瑰,孙小刚,段华南,张刚;低温铝电解研究进展[J];有色金属(冶炼部分);2004年05期

8 阚洪敏;班允刚;邱竹贤;王兆文;;低温铝电解的研究[J];中国有色冶金;2007年02期

9 钮因健;;对如何实现铝电解节能目标的认识[J];轻金属;2007年09期

10 姜玉敬;;近30年世界铝电解工业的发展与启示[J];世界有色金属;2007年11期

中国重要会议论文全文数据库 前10条

1 高钢;曾水平;;基于神经网络的铝电解温度与分子比的预测研究[A];中国计量协会冶金分会2010年会论文集[C];2010年

2 刘希烈;祁世文;;中国铝电解工业的现状及发展战略[A];中国有色金属学会第三届学术会议论文集——战略研究综述部分[C];1997年

3 朱莹;许树克;;铝电解清洁生产与污染控制[A];中国环境科学学会2009年学术年会论文集（第一卷）[C];2009年

4 梁学民;;领先世界的中国铝电解技术[A];2009（重庆）中西部第二届有色金属工业发展论坛论文集[C];2009年

5 李R，

本文编号：1044190