多目标粒子群算法及其在转炉炼钢中的应用研究

发布时间：2017-08-26 02:31

  本文关键词：多目标粒子群算法及其在转炉炼钢中的应用研究

  更多相关文章： 多目标优化 粒子群 转炉炼钢 铁合金加入量计算

【摘要】：现实中大量的科学研究与工程实践问题都可归结为多目标优化问题。粒子群优化作为一种群体智能计算模型,易于实现且收敛速度快,适合于求解多目标优化问题,吸引了众多学者进行广泛而深入地研究。目前国内外已有部分多目标粒子群优化算法的研究成果,但仍然存在一些不足：方面,大部分算法缺乏监测种群进化环境的机制,无法获得实时的反馈信息,难以决定在何时调节何种进化策略到何种程度；另一方面,粒子群优化算法在求解高维多目标优化问题时优化能力急剧下降。针对以上不足,本文主要进行了以下研究：(1)针对缺乏监测进化环境机制的问题,设计了相应的监测机制,并在平衡全局搜索和局部搜索、平衡解集收敛性和多样性两方面分别提出了两种改进的多目标粒子群优化算法。在基于高斯混沌变异和精英学习的自适应多目标粒子群算法中,通过监测种群的收敛状态来自适应调节惯性权重和学习因子；而且,提出精英学习策略和改进的高斯混沌变异算子来调节局部搜索和全局搜索能力。而在基于档案解集状态的自适应多目标粒子群算法中,混合了两种全局向导选择策略,并通过监测档案解集所处的状态来自适应调整这两种策略的选择概率；此外,分别对粒子和档案解集中的个体进行扰动,根据档案解集状态和迭代次数动态调整这两种扰动的概率,使算法能兼顾解集的收敛性和多样性。(2)针对多目标粒子群优化算法在求解高维多目标优化问题上的不足,提出一种基于参考点的高维多目标粒子群算法。在目标空间中引入一系列的参考点,根据参考点来筛选出兼顾收敛性和多样性的非支配解作为粒子的全局向导,并提出了基于参考点的档案维护方法,维持解集的多样性。(3)将多目标粒子群优化算法应用于转炉炼钢铁合金加入量计算问题中。在转炉炼钢生产过程中,如何保证钢水中各成分含量达标的同时降低生产成本是影响钢铁企业生产效益的一个重要问题。本文在回声状态网络进行软测量的基础上,将该问题转化为一个多目标优化问题,并采用改进的多目标粒子群优化算法对其进行求解,在实际炼钢数据上的仿真实验表明,所提方法能在保证钢水成分含量达标的同时有效降低铁合金投入的成本。
【关键词】：多目标优化 粒子群 转炉炼钢 铁合金加入量计算
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TF713;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-18
• 1.1 课题研究背景及意义9-11
• 1.2 多目标优化问题11-12
• 1.3 多目标进化算法和多目标粒子群算法研究现状12-15
• 1.4 转炉炼钢过程及其建模技术现状15-16
• 1.5 论文主要研究内容和结构安排16-18
• 2 多目标粒子群算法中进化环境监测机制的研究18-35
• 2.1 引言18-19
• 2.2 基于高斯混沌变异和精英学习的自适应多目标粒子群算法19-29
• 2.2.1 收敛因子自适应调整惯性权重和学习因子19-21
• 2.2.2 高斯混沌变异和精英学习21-23
• 2.2.3 仿真实验及结果分析23-29
• 2.3 基于档案解集状态的自适应多目标粒子群算法29-34
• 2.3.1 自适应选择全局向导策略29-31
• 2.3.2 平衡粒子扰动和档案解集的扰动31-32
• 2.3.3 仿真实验及结果分析32-34
• 2.4 小结34-35
• 3 基于参考点的高维多目标粒子群算法35-43
• 3.1 引言35-36
• 3.2 基于参考点的高维多目标粒子群算法36-39
• 3.2.1 参考点生成和转换档案解集目标值36-38
• 3.2.2 基于参考点的全局最优选择和档案维护策略38-39
• 3.3 仿真实验及结果分析39-41
• 3.4 小结41-43
• 4 基于多目标粒子群的铁合金加入量计算模型43-52
• 4.1 引言43-44
• 4.2 铁合金加入量优化问题的描述44-46
• 4.3 仿真实验及结果分析46-50
• 4.3.1 预测钢水元素含量46-48
• 4.3.2 优化成本和误差48-50
• 4.4 小结50-52
• 结论52-53
• 参考文献53-59
• 攻读硕士学位期间参加的基金项目情况59
• 攻读硕士学位期间发表学术论文情况59-60
• 致谢60-61

【参考文献】

中国期刊全文数据库 前10条

1 肖婧;王科俊;毕晓君;;基于改进K支配排序的高维多目标进化算法[J];控制与决策;2014年12期

2 夏立荣;李润学;刘启玉;耿志强;;基于动态层次分析的自适应多目标粒子群优化算法及其应用[J];控制与决策;2015年02期

3 毕晓君;张永建;沈继红;;高维多目标多方向协同进化算法[J];控制与决策;2014年10期

4 康琦;安静;汪镭;吴启迪;;自然计算的研究综述[J];电子学报;2012年03期

5 彭宇;王建民;彭喜元;;储备池计算概述[J];电子学报;2011年10期

6 孔维健;丁进良;柴天佑;;高维多目标进化算法研究综述[J];控制与决策;2010年03期

7 陈民铀;张聪誉;罗辞勇;;自适应进化多目标粒子群优化算法[J];控制与决策;2009年12期

8 公茂果;焦李成;杨咚咚;马文萍;;进化多目标优化算法研究[J];软件学报;2009年02期

9 吴敏;丁雷;曹卫华;;基于混合粒子群算法的烧结配料优化[J];信息与控制;2008年02期

10 申晓宁;郭毓;陈庆伟;胡维礼;;一种子群体个数动态变化的多目标优化协同进化算法[J];控制与决策;2007年09期

中国博士学位论文全文数据库 前1条

1 王心哲;SVM和CBR的建模研究及其在转炉炼钢过程的应用[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前1条

1 徐俏;基于多目标微粒群的转炉合金加入量优化研究[D];大连理工大学;2010年

，

本文编号：739154