本文關鍵詞：多目標粒子群算法及其在轉爐煉鋼中的應用研究

  更多相關文章： 多目標優(yōu)化 粒子群 轉爐煉鋼 鐵合金加入量計算

【摘要】：現(xiàn)實中大量的科學研究與工程實踐問題都可歸結為多目標優(yōu)化問題。粒子群優(yōu)化作為一種群體智能計算模型,易于實現(xiàn)且收斂速度快,適合于求解多目標優(yōu)化問題,吸引了眾多學者進行廣泛而深入地研究。目前國內(nèi)外已有部分多目標粒子群優(yōu)化算法的研究成果,但仍然存在一些不足：方面,大部分算法缺乏監(jiān)測種群進化環(huán)境的機制,無法獲得實時的反饋信息,難以決定在何時調(diào)節(jié)何種進化策略到何種程度；另一方面,粒子群優(yōu)化算法在求解高維多目標優(yōu)化問題時優(yōu)化能力急劇下降。針對以上不足,本文主要進行了以下研究：(1)針對缺乏監(jiān)測進化環(huán)境機制的問題,設計了相應的監(jiān)測機制,并在平衡全局搜索和局部搜索、平衡解集收斂性和多樣性兩方面分別提出了兩種改進的多目標粒子群優(yōu)化算法。在基于高斯混沌變異和精英學習的自適應多目標粒子群算法中,通過監(jiān)測種群的收斂狀態(tài)來自適應調(diào)節(jié)慣性權重和學習因子；而且,提出精英學習策略和改進的高斯混沌變異算子來調(diào)節(jié)局部搜索和全局搜索能力。而在基于檔案解集狀態(tài)的自適應多目標粒子群算法中,混合了兩種全局向導選擇策略,并通過監(jiān)測檔案解集所處的狀態(tài)來自適應調(diào)整這兩種策略的選擇概率；此外,分別對粒子和檔案解集中的個體進行擾動,根據(jù)檔案解集狀態(tài)和迭代次數(shù)動態(tài)調(diào)整這兩種擾動的概率,使算法能兼顧解集的收斂性和多樣性。(2)針對多目標粒子群優(yōu)化算法在求解高維多目標優(yōu)化問題上的不足,提出一種基于參考點的高維多目標粒子群算法。在目標空間中引入一系列的參考點,根據(jù)參考點來篩選出兼顧收斂性和多樣性的非支配解作為粒子的全局向導,并提出了基于參考點的檔案維護方法,維持解集的多樣性。(3)將多目標粒子群優(yōu)化算法應用于轉爐煉鋼鐵合金加入量計算問題中。在轉爐煉鋼生產(chǎn)過程中,如何保證鋼水中各成分含量達標的同時降低生產(chǎn)成本是影響鋼鐵企業(yè)生產(chǎn)效益的一個重要問題。本文在回聲狀態(tài)網(wǎng)絡進行軟測量的基礎上,將該問題轉化為一個多目標優(yōu)化問題,并采用改進的多目標粒子群優(yōu)化算法對其進行求解,在實際煉鋼數(shù)據(jù)上的仿真實驗表明,所提方法能在保證鋼水成分含量達標的同時有效降低鐵合金投入的成本。
【關鍵詞】：多目標優(yōu)化 粒子群 轉爐煉鋼 鐵合金加入量計算
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TF713;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-18
• 1.1 課題研究背景及意義9-11
• 1.2 多目標優(yōu)化問題11-12
• 1.3 多目標進化算法和多目標粒子群算法研究現(xiàn)狀12-15
• 1.4 轉爐煉鋼過程及其建模技術現(xiàn)狀15-16
• 1.5 論文主要研究內(nèi)容和結構安排16-18
• 2 多目標粒子群算法中進化環(huán)境監(jiān)測機制的研究18-35
• 2.1 引言18-19
• 2.2 基于高斯混沌變異和精英學習的自適應多目標粒子群算法19-29
• 2.2.1 收斂因子自適應調(diào)整慣性權重和學習因子19-21
• 2.2.2 高斯混沌變異和精英學習21-23
• 2.2.3 仿真實驗及結果分析23-29
• 2.3 基于檔案解集狀態(tài)的自適應多目標粒子群算法29-34
• 2.3.1 自適應選擇全局向導策略29-31
• 2.3.2 平衡粒子擾動和檔案解集的擾動31-32
• 2.3.3 仿真實驗及結果分析32-34
• 2.4 小結34-35
• 3 基于參考點的高維多目標粒子群算法35-43
• 3.1 引言35-36
• 3.2 基于參考點的高維多目標粒子群算法36-39
• 3.2.1 參考點生成和轉換檔案解集目標值36-38
• 3.2.2 基于參考點的全局最優(yōu)選擇和檔案維護策略38-39
• 3.3 仿真實驗及結果分析39-41
• 3.4 小結41-43
• 4 基于多目標粒子群的鐵合金加入量計算模型43-52
• 4.1 引言43-44
• 4.2 鐵合金加入量優(yōu)化問題的描述44-46
• 4.3 仿真實驗及結果分析46-50
• 4.3.1 預測鋼水元素含量46-48
• 4.3.2 優(yōu)化成本和誤差48-50
• 4.4 小結50-52
• 結論52-53
• 參考文獻53-59
• 攻讀碩士學位期間參加的基金項目情況59
• 攻讀碩士學位期間發(fā)表學術論文情況59-60
• 致謝60-61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 肖婧;王科俊;畢曉君;;基于改進K支配排序的高維多目標進化算法[J];控制與決策;2014年12期

2 夏立榮;李潤學;劉啟玉;耿志強;;基于動態(tài)層次分析的自適應多目標粒子群優(yōu)化算法及其應用[J];控制與決策;2015年02期

3 畢曉君;張永建;沈繼紅;;高維多目標多方向協(xié)同進化算法[J];控制與決策;2014年10期

4 康琦;安靜;汪鐳;吳啟迪;;自然計算的研究綜述[J];電子學報;2012年03期

5 彭宇;王建民;彭喜元;;儲備池計算概述[J];電子學報;2011年10期

6 孔維健;丁進良;柴天佑;;高維多目標進化算法研究綜述[J];控制與決策;2010年03期

7 陳民鈾;張聰譽;羅辭勇;;自適應進化多目標粒子群優(yōu)化算法[J];控制與決策;2009年12期

8 公茂果;焦李成;楊咚咚;馬文萍;;進化多目標優(yōu)化算法研究[J];軟件學報;2009年02期

9 吳敏;丁雷;曹衛(wèi)華;;基于混合粒子群算法的燒結配料優(yōu)化[J];信息與控制;2008年02期

10 申曉寧;郭毓;陳慶偉;胡維禮;;一種子群體個數(shù)動態(tài)變化的多目標優(yōu)化協(xié)同進化算法[J];控制與決策;2007年09期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 王心哲;SVM和CBR的建模研究及其在轉爐煉鋼過程的應用[D];大連理工大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 徐俏;基于多目標微粒群的轉爐合金加入量優(yōu)化研究[D];大連理工大學;2010年

，

本文編號：739154