专利名称：基于群决策检索策略的多目标评价优化方法
技术领域：
本发明涉及一种多目标评价优化方法，特别涉及一种冶金行业竖炉焙烧过程控制领域的基于群决策检索策略的多目标评价优化方法。技术背景
在工业过程控制领域，由于被控对象往往具有多变量、强耦合、强非线性特点，不易实现生产指标的优化控制，导致经济效益低下，对此起决定性作用是关键被控变量的合理操作值不易获得。监督控制的应用促进了工业生产过程关键被控变量的设定方法研究， 其研究目标是通过合理的设定值来保证生产指标的优化实现，即所谓的优化设定问题，实质上就是根据过程变量的实时变化和各种生产指标的要求建立优化设定模型，目前，国内外产业界对这个问题都非常重视。
设定方法及建模的研究是一门综合性技术，需要考虑诸多内因及外因。在其发展过程中，机理分析法和智能设定法占据着主导地位。例如，从对象的机理模型出发，Munoz C等人针对采矿过程提出了经济优化策略，用全局经济目标的优化来决定回路控制层的设定点，类似的还有后来Komareji M等人的工作，但对于动态参数的不确定性比较敏感，为了解决这个问题，Saez等人依据预测控制原理，设计了热电厂汽轮机的预测型监督控制器，滚动优化目标函数，对设定值进行在线调整。由于过程往往表现出多变量强耦合、强非线性、 工况变化频繁等复杂特性，难以建立其准确的数学模型，上述的优化设定方法在某些场合还需改进。目前，借助于智能控制策略来实现优化设定任务是控制领域的一个研究热点，例如，针对加热炉在不同操作点的炉温设定问题，目前有引进专家的设定推理规则来保证炉温的优化设定，也可利用模糊IF-THEN规则，得到了过程的优化设定值。为了克服专家知识获取困难的问题，利用经验案例进行推理设定的方法也得到了关注。案例推理是人工智能领域中新兴的一种新的推理技术，适用于未完全形式化、信息不完全及经验知识占主导地位的领域，其推理过程主要包括案例检索，案例修正，案例重用，案例存储四个过程，在智能决策与控制、问题求解等领域有着成功的应用。然而，将案例推理方法应用于关键被控变量的优化设定过程中时，其中的核心技术-案例推理的检索环节一直存在着检索精度低的缺陷，究其原因是案例特征属性的权重不易获得。确定权重的方法主要有主观法和客观法， 主观分析常用的定权方法有专家咨询法、调查统计法、无差异折衷法、相关分析法等，也包括应用较为广泛的层次分析法。在上述方法中，前三种方法一般是获取领域专家的先验知识，然后采用相应的方法确定各案例各属性的权重值；相关分析法则是一种基于数学统计的方法，相对于前三种虽有一定的进步，但主观性仍然较强，所以从总体来看，包括层次分析法在内的这些传统的主观分析确定案例特征属性权重的方法过分依赖于主观判断和经验，无疑会给相似案例检索的准确性造成影响。于是，客观分析法对权重进行优化的方法也相继提出。目前，客观法优化权重的方法有遗传算法、粗糙集、神经网络、模拟退火算法、 主元分析法等，在案例推理与其它优化方法的结合方面作出了可贵的探索，但这些方法都存在着自身固有的一些缺陷，比如神经网络的结构很难有一个标准；遗传算法容易陷入局部极小；基于粗糙集的案例属性权重的分配方法虽具有一定的客观性，但由于粗糙集中属性离散化一直是一个难点，多少会影响其推广使用的效果。所以，这些客观分析法在通用性上很难分出孰优孰劣。综合上述的主观法和客观法，案例各属性的权重一旦确定，将不再更改，带来的问题也是非常明显，比如，案例库历史记录的总数是不断积累而大幅增长的，这有可能改变案例库的内在特性，从而要求权重能够进行自调整以保证问题求解过程的正确推理，而固定不变的权重却使得机器的学习能力明显不足。
上述的机理设定法和智能设定法相比设定值不变的控制策略而言已经具有很大的优越性。但不论是机理法设定，还是通过智能法进行设定，在控制过程中，为了保证设定值的合理性，仍然是通过生产指标的实际控制效果对那些不合理的设定值进行补偿校正， 而生产指标的分析、测量过程往往费时费力，从控制的角度来讲，这种设定过程具有大滞后特性，实时效果很不理想，导致生产指标难以优化实现。虽然也有将以上各种方法混合的示范，但是其中的核心问题-如何能够实时地优化设定值仍然是尚未完成的任务。
可见，应用案例推理方法时，首先要解决案例属性权重的分配问题；设定模型在线运行时，需要解决设定值是否合理的评价问题，这些问题不解决，设定值的合理性就得不到保证，不利于众多生产指标，比如能耗、质量、产量等的优化实现。发明内容
本发明的目的在于，提供一种基于群决策检索策略的多目标评价优化方法，在遗传算法得到多组权重的基础上，将每一组权重看成一个决策专家，然后，综合各个专家的决策知识，利用群基数效用函数的构造思想对检索结果进行优化决策，从而提高多目标优化设定值的精度。
本发明是采用以下技术手段实现的
一种基于群决策检索策略的多目标评价优化方法，其特征在于，基于设定值的多目标评价结构，案例推理的设定模型根据被控系统发送的过程信息，给出当前状况下的控制回路设定值，经由系统模型运算后，仿真输出产品质量、产量以及能耗，由此进入到设定值的评价环节；将产品质量、产量以及能耗与期望的目标值进行比较，如果误差均在容许的范围内，则将案例推理的结果作为当前的控制回路设定值参与到控制中，如果任一个指标的误差超出容许的范围，则由基于专家规则的补偿模型输出设定值的补偿校正值，经补偿校正后的设定值再次由系统模型进行运算，直至误差均在容许的范围内，则将补偿校正后的设定值作为控制回路的设定值参与到被控系统的过程控制。
对于被控系统的过程控制用下面的非线性式子进行描述
(Y1, Y2, y3) = f (x1 x2, A，Xn)
其中，yi、y2以及y3分别表示产品质量、产量以及能耗，属于被控变量的范畴; X1,…，^分别表示对生产指标具有决定性影响的η个变量，即各控制回路的设定值；假设为合理设置，则yi、y2以及y3能控制在期望的目标范围内。包括以下步骤
步骤1:定义编码函数；
染色体采用二进制编码，每条染色体由基因链组成，对应一组案例属性权重矢量， 每个基因表示一个属性的权重，基因链长度由案例属性个数决定。
步骤2 对历史案例集，利用遗传算法对权重随机赋值；
步骤3 解码后进行案例检索；
由染色体解码成案例属性权重的计算公式为
权利要求
1. 一种基于群决策检索策略的多目标评价优化方法，其特征在于，基于设定值的多目标评价结构，案例推理的设定模型根据被控系统发送的过程信息Z，给出当前状况下的控制回路设定值X1 Χη，经由系统模型运算后，仿真输出产品质量yi、产量y2以及能耗y3，由此进入到设定值的评价环节；将产品质量Y1、产量y2以及能耗％与期望的目标值ysl、ys2以及 ys3进行比较，如果误差ei ％均在容许的范围内，则将X1 ι作为当前的控制回路设定值参与到控制中，如果任一个指标的误差超出容许的范围，则由基于专家规则的补偿模型输出设定值的补偿校正值Δ& Δ &，经补偿校正后的设定值& Xn再次由系统模型进行运算，直至误差ei ％均在容许的范围内，则将\ Xn作为控制回路的设定值参与到被控系统的过程控制；对于被控系统的过程控制用下面的非线性式子进行描述 (yi，y2' y3) = f (χ” χ2，Λ，χη)其中，y”y2以及y3分别表示产品质量、产量以及能耗，属于被控变量的范畴；分别表示对生产指标具有决定性影响的η个变量，即各控制回路的设定值；假设为合理设置，则yi、y2 以及y3能控制在期望的目标范围内；包括以下步骤步骤1 对历史案例集，利用遗传算法对权重随机赋值，并用以下公式解码； 记测试案例集中的设定解为χ/ ,χ2' , L, xn'，定义如下的适应度函数
全文摘要
本发明公开了一种基于群决策检索策略的多目标评价优化方法以及针对优化计算设定值的多目标评价结构，包括定义编码函数；初始化权重随机赋值；解码后进行案例检索；计算个体适应度；精度是否满足要求(若满足，输出优化权重；否则，重新进行案例检索)；由群决策得到最终权重；计算案例相似度，得到新的检索结果；是否有新的案例待检索；计算产品质量、产量和单位时间的能耗指标；对设定值进行评价；判断是否对设定值进行补偿校正；输出最终设定值。本发明应用于冶金行业竖炉焙烧过程控制中，可以实现设定值的合理性评价，焙烧矿质量提高2％，产量提高4％，能耗降低5％。优化实现生产指标的目标值，提高了焙烧矿的质量，降低了生产过程中的煤气消耗，达到了节能降耗的目的。
文档编号G05B13/00GK102540879SQ201110447860
公开日2012年7月4日 申请日期2011年12月28日 优先权日2011年12月28日
发明者严爱军, 卢园园, 张春晓 申请人:北京工业大学