移动，以便在保证种群多样性的前提下迅速收 敛。
[0106] 步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形 成的非支配解为Q，具体包括如下步骤：
[0107]B1:计算外部档案所有个体的拥挤距离，并作降序排列；
[0108] B2:更新外部档案:在第i次迭代时，若Q>A，则以Q替换A;
[0109] B3:判断外部档案A容量是否满足最大容量的要求，若A中个体数n<q，则复制Q到A 中，形成新的外部档案A1;
[0110] B4:判断新的外部档案A1中是否存在目标值相同的个体，若存在则只保留其一；
[0111] B5:若新的外部档案A1中个体数nl^q，则进行下一次迭代，若nl>q，则计算拥挤 距离cU，并降序排列，删除拥挤距离最小的nl-q个个体。
[0112] 通过上述步骤对铝电解生产过程进行优化可得100组最优的决策变量与对应的输 出值，选取其中最合理的3组列于下表3中。
[0113] 表3最佳生产参数
[0114]
[0115]对比其中最佳运行参数与2013年全年记录的平均值可知，电流效率提高了 4·25%、CF4排放量降低了0.64kg。
[0116]S4:按照步骤S3所得的最优决策变量Xbe3St中的控制参数来控制步骤S2中所选定的 铝电解工业现场，使其达到节能减排。
[0117] 本申请的上述实施例中，通过提供一种基于BP神经网络与自适应MBF0算法的铝电 解节能减排方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用基于拥挤 距离的多目标细菌觅食优化算法对生产过程模型进行优化，得到各决策变量的一组最优解 以及该最优解对应的电流效率和温室气体排放量，其中，在对生产过程模型进行优化时，根 据菌群进化状态对趋向操作的步长进行动态调整，以确保种群的多样性和收敛性。该方法 确定了铝电解生产过程中工艺参数的最优值，有效提高了电流效率，减少了温室气体排放 量，真正达到节能减排的目的。
[0118] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例， 本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应 属于本发明的保护范围。
【主权项】
1. 一种基于BP神经网络与自适应MBFO算法的铝电解节能减排方法，包括如下步骤： Sl:选择对电流效率和温室气体排放量有影响的控制参数构成决策变量X= [X1，X2，…， XM]，M为所选参数的个数； S2:选定铝电解工业现场，采集N组决策变量X1，X2，…，Xn及其对应的电流效率yi，y 2，…， yN和温室气体排放量Zl，Z2，…，ZN作为数据样本，以每一个决策变量Xi作为输入，分别以对应 的电流效率yi和温室气体排放量Zi作为输出，运用BP神经网络对样本进行训练、检验，建立 铝电解槽生产过程模型； S3:利用多目标细菌觅食优化算法，即MBFO算法，对步骤S2所得的两个生产过程模型进 行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest和温室气体排放量Zbest，优化 时，根据菌群进化状态对趋向操作的步长进行动态调整，以确保种群的多样性和收敛性； 趋向操作的步长动态调整如下： 第i只细菌第t+Ι次迭代的步长为步长调整函数为式中，Ct⑴为第i只细菌第t次迭代的步长，di为第i只细菌的拥挤距离，μ、λΕ (〇，1)为 步长调整因子，为第i只细菌第t次迭代的拥挤距离，L为细菌群体的大 小； S4:按照步骤S3所得的最优决策变量Xbe3st中的控制参数来控制步骤S2中所选定的铝电 解工业现场，使其达到节能减排。2. 根据权利要求1所述的基于BP神经网络与自适应MBFO算法的铝电解节能减排方法， 其特征在于，步骤Sl中选定了 8个参数构成决策变量，分别为系列电流、下料次数、分子比、 出铝量、铝水平、电解质水平、槽温和槽电压。3. 根据权利要求1或2所述的基于BP神经网络与自适应MBFO算法的铝电解节能减排方 法，其特征在于，步骤S2中的BP神经网络由输入层、隐藏层和输出层构成； 针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用 13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Tansig函 数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为500; 针对温室气体排放量所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为 Logsig函数，隐藏层到输出层之间的函数为Purel in函数，样本训练时的迭代次数为500。4. 根据权利要求1所述的基于BP神经网络与自适应MBFO算法的铝电解节能减排方法， 其特征在于，步骤S3中的MBFO算法包括以下步骤： S31:将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个 细菌构成菌群初始位置； S32:初始化系统参数，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱散次数 Ne3d，驱散概率Ped，外部档案规模K; S33:执行趋向操作，包括翻转和前进； 假设第i (i = 1，2，…，L)只细菌在第j次趋向操作第k次复制操作和第1次驱散操作之后 的位置为01(j，k，l)，贝ijQVj+l = j，k，l)+C(i)*dcti， 式中，Clct1是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿Clct1方向 前进的步伐长度，且△ i为各分量均为[-1，1 ]内随机数的向量，向量的维数 与决策变量X的维数相同； S34:根据个体间的信息素浓度J。。执行聚群操作： S35:计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康 函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致； 对给定的k、l，每只细菌的健康函数为表示第i只 细菌的能量，J(i，j，k，l)表示细菌i在第j次趋向操作第k次复制操作和第1次驱散操作之后 的适应度函数值，N。表示趋向次数，越大，表示细菌i的觅食能力越强； S36:将S35产生的菌群与前一次迭代计算产生的菌群合并，计算此时新菌群的个体拥 挤距离并按照拥挤距离进行排序，选择前L个优势个体构成下一代菌群； S36:驱散:细菌经历几代复制后，以驱散概率Pe3d被驱散到搜索空间中的任意位置； S37:判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest 及其对应的电流效率ybest和温室气体排放量Zbest，如不满足，则跳转至步骤S33循环执行。5. 根据权利要求1所述的基于BP神经网络与自适应MBFO算法的铝电解节能减排方法， 其特征在于，步骤S3中计算非劣解的拥挤距离包括如下步骤： Al:对外部档案中所有最优个体进行升序排序； A2:计算每个解相邻的两个个体在每个优化目标空间上的距离； A3:将这些距离相加即得所求最优解的拥挤距离，并设边界解的拥挤距离为无穷大； 第i个个体的拥挤距离为：式中，?/f为第i个个体在目标j的距离，R为升序排列后拥挤距离最大的个体序号，m为 目标空间维度； 步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形成的 非支配解为Q，具体包括如下步骤： Bl:计算外部档案所有个体的拥挤距离，并作降序排列； B2:更新外部档案:在第i次迭代时，若Q>A，则以Q替换A; B3:判断外部档案A容量是否满足最大容量的要求，若A中个体数n<q，则复制Q到A中， 形成新的外部档案Al; B4:判断新的外部档案Al中是否存在目标值相同的个体，若存在则只保留其一； B5:若新的外部档案Al中个体数nl^q，则进行下一次迭代，若nl>q，则计算拥挤距离 cU，并降序排列，删除拥挤距离最小的nl-q个个体。
【专利摘要】本发明提供了一种基于BP神经网络与自适应MBFO算法的铝电解节能减排方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用基于自适应步长的多目标细菌觅食优化算法对生产过程模型进行优化，得到各决策变量的一组最优解以及该最优解对应的电流效率和温室气体排放量，其中，在对生产过程模型进行优化时，根据菌群进化状态对趋向操作的步长进行动态调整，以确保种群的多样性和收敛性。该方法确定了铝电解生产过程中工艺参数的最优值，有效提高了电流效率，减少了温室气体排放量，真正达到节能减排的目的。
【IPC分类】C25C3/20, G06N3/08
【公开号】CN105426959
【申请号】CN201510750725
【发明人】黄迪, 易军, 陈实, 何海波, 李太福, 周伟, 张元涛, 刘兴华
【申请人】重庆科技学院
【公开日】2016年3月23日
【申请日】2015年11月6日