預(yù)焙陽極的生產(chǎn)過程是一個工序復(fù)雜而且原料之間的反應(yīng)機理比較不明確的過程�，F(xiàn)在的國內(nèi)外大多通過建立一般的數(shù)學(xué)模型等方法對質(zhì)量進行控制,但是效果仍然不理想。神經(jīng)網(wǎng)絡(luò)算法是模擬人腦結(jié)構(gòu)而開發(fā)出來的一種數(shù)學(xué)模型,它對預(yù)焙陽極生產(chǎn)中煅燒工藝參數(shù)和生塊質(zhì)量間復(fù)雜的關(guān)系問題,可以進行自適應(yīng)的非線性映射。因此,神經(jīng)網(wǎng)絡(luò)算法在預(yù)焙陽極生產(chǎn)中的應(yīng)用是非常必要的。根據(jù)煅燒生產(chǎn)工藝參數(shù)與生塊質(zhì)量評價參數(shù)間的關(guān)系模型研究的課題需求,重新歸納和設(shè)計從而形成了混合遺傳模擬退火算法（GASA算法）。使之既擁有了遺傳算法較強的全局搜索能力,又擁有了模擬退火算法較強的局部搜索能力。同時,本文將GASA算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值和閾值,從而形成GASA-BP算法。最后,本文以煅燒生產(chǎn)工藝參數(shù)作為輸入,以生塊質(zhì)量的評價參數(shù)作為輸出,應(yīng)用GASA-BP算法形成生塊質(zhì)量與煅燒工藝參數(shù)間的預(yù)測模型。本文的具體工作和內(nèi)容如下:（1）分析預(yù)焙陽極生產(chǎn)過程中不同工序之間的關(guān)系以及原料的作用,選擇恰當?shù)奶卣鲄?shù)并對其進行數(shù)據(jù)采集和數(shù)據(jù)預(yù)處理工作。（2）研究模擬退火算法和遺傳算法以及BP神經(jīng)網(wǎng)絡(luò)算法,根據(jù)其各自的特點進行優(yōu)化,形... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１單點交叉??

叉算子??子即把父代個體中的基因各取一部分組成子代個體的基因。點交叉和多點交叉。??叉就是在父代個體的基因串中按照一定方法選擇一個基因的作時將兩個個體的交叉點前的基因或者交叉點后的基因結(jié)構(gòu)生兩個新的個體。如圖２－１所示：??Ｐａｒｅｎｔ?Ｏｆｆ－ｓｐｒｉｎｇｓ??ｈｌ〇｜ｉｌ〇ｌｉ｜ｉｌ?ｈｌ〇ＭｈＭｌ〇ｌ?????｜ｉ｜ｉ?ｏ｜ｉ｜ｉ｜ｏ｜?１?１１ｏ！ｏ１１?ｉｌ??ｌ．．．．．．—??．．．．．．?１．—???Ｊ?Ｃｒｏｓｓｏｖｅｒ???１???■??＞??圖２－１單點交叉??叉就是在父代個體的基因串中按照一定方法選擇多個基因的交作時候?qū)蓚�個體的多個交叉點之間的基因結(jié)構(gòu)進行交換，從體。以兩點交叉為例，如圖２－２所示：??Ｐａｒｅｎｔ?Ｏｆｆ－ｓｐｒｉｎｇｓ??

了提前設(shè)定的最大值后，遺傳算法便會終止運算并輸出當前最優(yōu)個體的值。??２．１．３遺傳算法流程??如圖２－４所示為遺傳算法流程圖。首先初始化種群數(shù)據(jù)，其中包括在解空間??內(nèi)隨機種群數(shù)據(jù)并進行編碼。然后計算出種群中每個個體的適應(yīng)度值，為后面選??擇操作提供概率參考。緊接著就是選擇和交叉以及變異等遺傳操作，這些操作過??后會產(chǎn)生子代種群數(shù)據(jù)。然后根據(jù)終止條件的設(shè)置繼續(xù)進行迭代，或者輸出當前??種群中的最優(yōu)解個體值。算法具體步驟如下：??步驟１：種群初始化。設(shè)定種群數(shù)據(jù)中的個體數(shù)量，然后在解空間內(nèi)隨機初??始化種群數(shù)據(jù)并對種群數(shù)據(jù)進行編碼。??步驟２：計算種群中每個個體的適應(yīng)度值。一般將目標函數(shù)或者其優(yōu)化后的??函數(shù)作為適應(yīng)度函數(shù)，然后對種群中所有個體進行適應(yīng)度值的計算。??步驟３：選擇操作。模擬生物進化論中適者生存的原則，采用輪盤賭方法選??擇出規(guī)定數(shù)量的個體作為下一代種群的父代個體。??步驟４：交叉操作。首先在均勻分布的（０，１）區(qū)間內(nèi)隨機選擇一個值并與設(shè)??定好的交叉概率進行比較

【參考文獻】：
期刊論文
[1]提高預(yù)焙陽極質(zhì)量的關(guān)鍵工藝技術(shù)的優(yōu)化[J]. 李波,朱玉德.  世界有色金屬. 2017(14)
[2]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期發(fā)電量預(yù)測[J]. 郭文強,師帥,張筱,李可可,佘金龍,高文強.  陜西科技大學(xué)學(xué)報. 2017(04)
[3]石油焦對預(yù)焙陽極質(zhì)量的影響因素分析及改進措施[J]. 聶紹紅.  炭素. 2016 (01)
[4]一種改進適應(yīng)度函數(shù)的遺傳算法[J]. 玄登影,王福林,高敏慧,馬海志.  數(shù)學(xué)的實踐與認識. 2015(16)
[5]遺傳規(guī)劃中遺傳算子對種群多樣性的影響[J]. 周冬梅,孫俊.  計算機工程與應(yīng)用. 2016(20)
[6]基于Metropolis準則的自適應(yīng)隨機搜索算法研究[J]. 蔣惠波,劉彬,袁衛(wèi)華.  中國西部科技. 2015(03)
[7]基于螢火蟲優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法研究[J]. 侯越,趙賀,路小娟.  蘭州交通大學(xué)學(xué)報. 2013(06)
[8]基于快速模擬退火算法的可切割布圖規(guī)劃方法[J]. 羅佐,杜世民,戚利俠,夏銀水.  微電子學(xué)與計算機. 2012(09)
[9]基于Spring MVC及MyBatis的Web應(yīng)用框架研究[J]. 徐雯,高建華.  微型電腦應(yīng)用. 2012(07)
[10]基于快速確定隱層神經(jīng)元數(shù)的BP神經(jīng)網(wǎng)絡(luò)算法[J]. 鄭緒枝,雷靖,夏薇.  計算機科學(xué). 2012(S1)

碩士論文
[1]鋁用預(yù)焙陽極石油焦摻配工藝的應(yīng)用研究[D]. 孟祥波.湖南大學(xué) 2016
[2]改質(zhì)瀝青對電解鋁用預(yù)焙陽極性能的影響研究[D]. 陳澤永.湖南大學(xué) 2010
[3]基于人工神經(jīng)網(wǎng)絡(luò)的混凝土抗凍性預(yù)測[D]. 趙娜.內(nèi)蒙古科技大學(xué) 2010
[4]BP神經(jīng)網(wǎng)絡(luò)學(xué)習問題的分析研究[D]. 楊賽.江西理工大學(xué) 2010
[5]遺傳算法的改進研究及在背包問題中的應(yīng)用[D]. 于惠.山東師范大學(xué) 2009
[6]低成本電解鋁用預(yù)焙陽極研究[D]. 高守磊.湖南大學(xué) 2009
[7]基于輕量級J2EE框架的實訓(xùn)管理系統(tǒng)的設(shè)計與實現(xiàn)[D]. 周曜.電子科技大學(xué) 2008
[8]模擬退火算法的原理及算法在優(yōu)化問題上的應(yīng)用[D]. 龐峰.吉林大學(xué) 2006
[9]基于遺傳BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘系統(tǒng)及其應(yīng)用[D]. 張波.哈爾濱理工大學(xué) 2005
[10]用可持續(xù)發(fā)展理論分析我國電解鋁行業(yè)的發(fā)展[D]. 劉新星.北京化工大學(xué) 2005



本文編號：3232881