铜冶炼优化方法、装置、电子设备和存储介质

1.本发明涉及铜冶炼技术领域，尤其涉及一种铜冶炼优化方法、装置、电子设备和存储介质。


背景技术：

2.铜冶炼是复杂的工业过程，具有工艺繁多、流程长、工序间关联耦合等特点。在铜冶炼过程中，原材料的成分、设备生产状态、生产工业参数等均会影响流程的运行，因此，对铜冶炼过程中的综合生产指标进行决策优化是一个关键研究问题。
3.铜冶炼优化是寻找一组工艺参数，如原材料成分、生产工况、操作参数等，使得多个生产指标达到最优，如同时满足铜产量最大且废气量最少。
4.在实际生产中，主要依靠技术人员凭借长期积累的经验和相关工艺知识进行决策，而人工决策随意性大且准确度较低，无法保证铜冶炼过程中生产指标的优化；同时，由于铜冶炼过程涉及复杂的物理化学反应，且生产指标与决策变量之间具有非线性、不确定性、机理复杂等特点，难以建立解析形式的数学模型进行决策优化，而采用进化算法进行铜冶炼优化时，该方法多用于单一生产指标的优化，并且需生成大量样本，计算复杂，耗时较长，无法满足实时性要求。


技术实现要素：

5.本发明提供一种铜冶炼优化方法、装置、电子设备和存储介质，用以解决现有技术中与铜冶炼问题拟合度低且实时性较低的缺陷，实现多竞争目标下的铜冶炼优化，实时获取最优工艺参数组合。
6.本发明提供一种铜冶炼优化方法，包括：
7.构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的；
8.将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
9.基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
10.根据本发明提供的铜冶炼优化方法，所述在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参
数最优解，包括：
11.基于所述目标解集，确定当前所述铜冶炼代理模型的第一超体积指标，所述第一超体积指标为所述目标解集中的合并预测组与参考预测组构成的超体积数值；
12.在所述目标解集加入新的合并预测组的情况下，确定新的铜冶炼代理模型的第二超体积指标；
13.基于所述第二超体积指标和所述第一超体积指标的差值，确定超体积改进量；
14.基于所述超体积改进量和新的合并预测组对应的多元概率密度，确定期望超体积改进量；
15.基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述合并预测组最优解用于表征所述合并预测组最优解对应的各所述铜冶炼指标均优于除所述合并预测组最优解以外的合并预测组对应的各铜冶炼指标。
16.根据本发明提供的铜冶炼优化方法，所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，包括：
17.基于所述第一超体积指标，确定多目标优化评价指标；
18.在所述多目标优化评价指标收敛的情况下，确定所述期望超体积改进量的最大值及对应的合并预测组，将所述合并预测组确定为合并预测组最优解，并将所述合并预测组最优解对应的决策参数确定为决策参数最优解。
19.根据本发明提供的铜冶炼优化方法，所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，还包括：
20.在所述多目标优化评价指标未收敛的情况下，确定所述期望超体积改进量的最大值及对应的合并预测组；
21.确定所述合并预测组对应的决策参数，并确定所述决策参数对应的铜冶炼指标；
22.将所述决策参数和所述铜冶炼指标添加至所述初始数据集，构建更新数据集；
23.将所述更新数据集再次输入所述铜冶炼代理模型进行训练，直至所述多目标优化评价指标收敛，确定合并预测组最优解及其对应的决策参数最优解。
24.根据本发明提供的铜冶炼优化方法，所述深度高斯过程包括l层高斯过程；
25.所述铜冶炼代理模型是基于以下步骤得到的：
26.构建l层高斯过程，且上一层高斯过程的输出为下一层高斯过程的输入，其中，第一层高斯过程的输入为样本决策参数；
27.基于第l层高斯过程的输出结果及高斯噪声的和，确定对应铜冶炼指标对应的铜冶炼代理模型。
28.根据本发明提供的铜冶炼优化方法，所述构建初始数据集，包括：
29.获取样本采样参数；
30.对所述样本采样参数进行仿真，确定所述样本采样参数对应的多个铜冶炼指标；
31.将所述样本采样参数分别与各所述铜冶炼指标组合，得到所述铜冶炼指标对应的数据对；
32.基于各所述数据对，构建初始数据集。
33.本发明还提供一种铜冶炼优化装置，包括：
34.构建模块，用于构建初始数据集，所述初始数据集是基于样本决策参数分别与多
个铜冶炼指标组合得到的；
35.输出模块，用于将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
36.确定模块，用于基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
37.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述铜冶炼优化方法。
38.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述铜冶炼优化方法。
39.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述铜冶炼优化方法。
40.本发明提供的铜冶炼优化方法、装置、电子设备和存储介质，针对铜冶炼中的非平稳且有噪声的问题，通过深度高斯过程和高斯噪声构建各铜冶炼指标对应的铜冶炼代理模型进行有效拟合，基于多个铜冶炼代理模型输出的目标预测值，以期望超体积改进量作为多目标的采集函数，实现多个铜冶炼指标的联合优化，以确定多个铜冶炼指标的最优解及对应的决策参数的最优解，通过有限次的迭代及模型更新即可快速找到最优的决策参数组合，提高铜冶炼优化的效率，满足实时性要求。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明提供的铜冶炼优化方法的流程示意图之一；
43.图2是本发明提供的铜冶炼优化方法的流程示意图之二；
44.图3是本发明提供的铜冶炼优化方法的实验结果示意图；
45.图4是本发明提供的铜冶炼仿真的示意图；
46.图5是本发明提供的铜冶炼优化装置的结构示意图；
47.图6是本发明提供的电子设备的结构示意图。
具体实施方式
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本
发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.由于铜冶炼过程涉及复杂的物理化学反应，且生产指标与决策参数之间存在非线性、不确定性、机理复杂等特点，难以建立解析形式的数据模型进行决策优化，而采用进化算法则优化效率较低，无法满足实时性要求。针对上述问题，本发明提供一种铜冶炼优化方法，图1是本发明提供的铜冶炼优化方法的流程示意图之一，如图1所示，该方法包括：
50.步骤110、构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的。
51.可选地，样本决策参数可以为由多类型数据组成的多维数组，如，样本决策参数可以为十维数组[空气注入量，铜精矿注入量，热油注入量，电炉单元焦炭注入量，电炉单元空气注入量，沸水注入量，热油中c
10
h8含量，干燥器温度，干燥后含水量，余热锅炉压力]，每个决策子参数均有各自的取值范围；上述铜冶炼指标可以为铜产率，还可以为废气产率；初始数据集中可以为由上述十维数组与铜产率组成的多组数据对，以及由上述十维数组与废气产率组成的多组数据对。
[0052]
步骤120、将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的。
[0053]
具体地，由于铜冶炼过程中工况条件的突然变化即可导致化学反应状态的变化，如，改变物料的注入量会影响铜冶炼过程中的化学反应强度，影响最终的铜冶炼结果，因而，铜冶炼指标在不同冶炼工况下呈现不同的特性，即铜冶炼过程中存在非平稳的问题。因此，本发明实施例中，针对不同的铜冶炼指标，采用深度高斯过程与高斯噪声结合，构建铜冶炼代理模型，以更好的拟合铜冶炼过程。如，以铜产率为目标函数，构建对应的铜产率代理模型，以废气产率为目标函数，构建对应的废气产率代理模型。
[0054]
步骤130、基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
[0055]
具体地，铜冶炼过程中，多个铜冶炼指标之间存在竞争关系，需要寻找平衡各铜冶炼指标之间的最优方案，如，寻找平衡铜产率和废气产率的最优解。本发明实施例中，以期望超体积改进量作为多目标的采集函数，进行多个铜冶炼指标的联合优化，以获得在平衡各铜冶炼指标的最优解的情况下对应的决策参数的最优解。
[0056]
可选地，图2是本发明提供的铜冶炼优化方法的流程示意图之二，如图2所示，所述在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，包括：
[0057]
基于所述目标解集，确定当前所述铜冶炼代理模型的第一超体积指标，所述第一
超体积指标为所述目标解集中的合并预测组与参考预测组构成的超体积数值；
[0058]
在所述目标解集加入新的合并预测组的情况下，确定新的铜冶炼代理模型的第二超体积指标；
[0059]
基于所述第二超体积指标和所述第一超体积指标的差值，确定超体积改进量；
[0060]
基于所述超体积改进量和新的合并预测组对应的多元概率密度，确定期望超体积改进量；
[0061]
基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述合并预测组最优解用于表征所述合并预测组最优解对应的各所述铜冶炼指标均优于除所述合并预测组最优解以外的合并预测组对应的各铜冶炼指标。
[0062]
具体地，基于平衡各铜冶炼指标的考虑，本发明实施例中，各铜冶炼代理模型输出的目标预测值组成合并预测组，并基于多个合并预测组确定目标解集，即，该目标解集中集合了平衡各铜冶炼代理模型的多个最优点，通过计算目标解集中加入新的最优点后的第二超体积指标与目标解集的第一超体积指标的差值，确定目标解集中加入新的最优点后带来的超体积改进量，并通过超体积改进量与新的最优点的多元概率密度作积分，计算期望超体积改进量，进而确定新的最优点对当前铜冶炼代理模型的期望改进量，以实现对各铜冶炼指标的联合优化。
[0063]
可选地，当前迭代周期的目标解集是基于以下步骤得到的：
[0064]
(1)确定上一迭代周期的第一帕累托前沿近似集为：[决策参数1，决策参数2，
……
，决策参数n]，上一迭代周期的第一目标解集为：[合并预测组1，合并预测组2，
……
，合并预测组n]；
[0065]
(2)在上一迭代周期未收敛的情况下，得到使期望超体积改进量最大的合并预测组及其对应的决策参数k1，将该决策参数k1添加至第一帕累托前沿近似集中，得到的第二帕累托前沿近似集为：[决策参数1，决策参数2，
……
，决策参数n，决策参数k1]，在第二迭代周期对各铜冶炼代理模型再次进行训练后，得到对应的第二目标解集为：[合并预测组1’，合并预测组2’，
……
，合并预测组n’，合并预测组k1]；
[0066]
(3)在当前迭代周期的第二目标解集中添加新的最优点y，得到的第三目标解集为：[合并预测组1’，合并预测组2’，
……
，合并预测组n’，合并预测组k1，合并预测组y]。
[0067]
可选地，初始迭代周期的帕累托前沿近似集是由初始迭代周期中确定的多个合并预测组中，平衡多个铜冶炼指标得到的多个较优的合并预测组对应的决策参数组成。
[0068]
可选地，超体积指标(hypervolume，hv)是指以参考点为上限的支配子空间的m维勒贝格测度，即第一超体积指标是指目标解集中各合并预测组构成的超体积大小，而第二超体积指标是指目标解集中加入新点后原合并预测组与新点构成的超体积大小。本发明中，超体积指标测量了各铜冶炼指标的支配子空间的大小，超体积指标hv(y)如式(1)所示，式(1)为：
[0069][0070]
其中，λm表示m维勒贝格测度，m表示铜冶炼指标的数量，＜表示帕累托支配顺序，∧表示且，y表示当前目标解集，y表示目标解集y中的任意一点，i表示第i个铜冶炼指标，r表示参考点，可依据经验进行设
定，z表示对应铜冶炼指标的支配子空间的任意一点。
[0071]
可选地，基于上述的超体积指标，确定第一超体积指标为hv(y)，第二超体积指标为hv(y∪{y
′
})，y
′
表示新的合并预测组，则超体积改进量(hypervolume improvement，hvi)hvi(y,y
′
)如式(2)所示，式(2)为：
[0072]
hvi(y,y
′
)＝hv(y∪{y
′
})-hv(y)
[0073]
可选地，目标预测值包括各铜冶炼代理模型输出的指标预测值的均值和方差，由各铜冶炼指标的均值构建合并预测组，并通过该合并预测组构建目标解集，并计算第一超体积指标和第二超体积指标，进而计算超体积改进量。而在计算期望超体积改进量时，考虑到各铜冶炼代理模型预测的不确定性，通过指标预测值的均值和方差确定新点对应的多元概率密度，并通过多元概率密度和超体积改进量，确定期望超体积改进量，确保期望超体积改进量的可靠性。
[0074]
可选地，基于新的合并预测组的多元概率密度和超体积改进量，确定期望超体积改进量(expected hypervolume improvement，ehvi)，期望超体积改进量ehvi(μ,∑,y,y
′
)如式(3)所示，式(3)为：
[0075][0076]
其中，μ表示多个指标预测均值构成的均值向量，∑表示多个指标预测方差构成的斜方差矩阵，表示m维实数，pdf
μ,∑
(y
′
)表示新点对应的多元概率密度，如式(4)所示，式(4)为：
[0077][0078]
示例地，以铜产率和废气产率联合优化为例，优化目标可确定为铜产率最大化且废气产率最小化的最优解，当前目标解集中集合了各铜冶炼代理模型输出的由铜产率均值和废气产率均值联合组成的多个二维最优点，在多个二维最优点中，将各最优点的铜产率值取反，确定当前目标解集中铜产率和废气产率的最小值，进而根据式(1)确定第一超体积指标。之后，在当前目标解集中加入新的二维最优点，确定第二超体积指标，进而确定超体积改进量。根据铜产率均值、铜产率方差、废气产率均值和废气产率方差，确定新的二维最优点的多元概率密度，进而确定期望超体积改进量。
[0079]
需要说明的是，上述示例的优化问题可以为在铜生产和环境保护方面同时优化，即在决策参数取到最优值的情况下，使得铜产率最大、废气产率最小，如式(5)所示，式(5)为：
[0080][0081]
其中，q(x)表示铜产率，c(x)表示废气产率，x表示样本决策参数，n表示样本决策参数的数量，xi表示样本决策参数中的第i个决策子参数，[x
i,min
,x
i,max
]表示第i个决策子参数的取值范围。
[0082]
可选地，所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解
及其对应的决策参数最优解，包括：
[0083]
基于所述第一超体积指标，确定多目标优化评价指标；
[0084]
在所述多目标优化评价指标收敛的情况下，确定所述期望超体积改进量的最大值及对应的合并预测组，将所述合并预测组确定为合并预测组最优解，并将所述合并预测组最优解对应的决策参数确定为决策参数最优解。
[0085]
具体地，确定期望超体积改进量的最大值对应的决策参数和合并预测组，并基于第一超体积指标确定多目标优化评价指标，在多目标优化评价指标收敛的情况下，表明各铜冶炼代理模型与真实铜冶炼过程的拟合度达到最优，即各铜冶炼代理模型输出的目标预测值接近于真实值，此时，将确定的决策参数作为决策参数最优解，可依据决策参数最优解进行铜冶炼。
[0086]
可选地，所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，还包括：
[0087]
在所述多目标优化评价指标未收敛的情况下，确定所述期望超体积改进量的最大值及对应的合并预测组；
[0088]
确定所述合并预测组对应的决策参数，并确定所述决策参数对应的铜冶炼指标；
[0089]
将所述决策参数和所述铜冶炼指标添加至所述初始数据集，构建更新数据集；
[0090]
将所述更新数据集再次输入所述铜冶炼代理模型进行训练，直至所述多目标优化评价指标收敛，确定合并预测组最优解及其对应的决策参数最优解。
[0091]
具体地，若多目标优化评价指标未收敛，则表明各铜冶炼代理模型还未训练完成，将决策参数及其对应的铜冶炼指标确定为新点，并将新点加入初始数据集中，得到更新数据集，并将该更新数据集输入各铜冶炼代理模型继续进行训练，并重新计算期望超体积改进量，再次进行多目标联合优化，直至多目标优化评价指标达到收敛状态，进而确定铜冶炼最优解。
[0092]
可选地，图3是本发明提供的铜冶炼优化方法的实验结果示意图，如图3所示，多目标优化评价指标可以为对数超体积，即以第一超体积指标的对数值作为多目标优化评价指标，图3中，本发明的方案dgmbo在迭代初期稍落后于现有方法gmbo，在添加新点的个数逐渐增加，即随着迭代次数的增加，约经过小于20次的迭代后，本发明的方案的对数超体积值高于现有方法gmbo，且对数超体积值上升较快，随着迭代次数的增加，对数超体积比现有方法较早收敛，即本发明中的铜冶炼代理模型更快的接近于真实的铜冶炼过程，显著的提高了铜冶炼优化的效率，且本发明收敛状态的对数超体积值高于现有方法，即本发明收敛状态的超体积指标值较大，表明本发明方案的收敛性和多样性均由于现有方案。
[0093]
可选地，所述深度高斯过程包括l层高斯过程；
[0094]
所述铜冶炼代理模型是基于以下步骤得到的：
[0095]
构建l层高斯过程，且上一层高斯过程的输出为下一层高斯过程的输入，其中，第一层高斯过程的输入为样本决策参数；
[0096]
基于第l层高斯过程的输出结果及高斯噪声的和，确定对应铜冶炼指标对应的铜冶炼代理模型。
[0097]
具体地，为了满足铜冶炼过程的不稳定性以及铜冶炼过程存在噪声的情况，本发明实施例中采用多层高斯模型的嵌套结构构建深度高斯过程，且将深度高斯模型的输出值
与高斯噪声结合，以噪声深度高斯过程拟合铜冶炼过程，构建铜冶炼代理模型。
[0098]
可选地，深度高斯过程包括l层高斯过程，且为嵌套结构，即上一层高斯过程的输出为下一层高斯过程的输入，铜冶炼代理模型如式(5)所示，式(5)为：
[0099]
y＝f
l
(f
l-1
(
…
(f2(f1(x)))))+δ
[0100]
其中，第i层高斯过程为fi(x)，x表示输入的样本决策参数，δ表示高斯噪声，且高斯噪声δ～n(0,σ2)，y表示铜冶炼代理模型输出的目标预测值。
[0101]
可选地，在铜冶炼代理模型的训练过程中，将数据集输入铜冶炼代理模型，利用梯度下降法求取损失函数的极小值，在损失函数取得极小值的情况下，完成本次迭代周期中铜冶炼代理模型的训练，得到多个样本决策参数对应的指标预测值、指标预测值的均值和方差，将指标预测值的均值和方差作为目标预测值进行输出。
[0102]
可选地，为了优化铜冶炼代理模型的参数，需要计算所有样本的边际似然，且计算过程中存在多个协方差矩阵的求逆运算，计算量较大，因此，本发明实施例中，采用最小化变分后验和真实后验的kl散度来降低计算量，通过最大化边际似然的下限来训练铜冶炼代理模型，损失函数如式(6)所示，式(6)为：
[0103][0104]
其中，g
(j)
表示第j个样本的真实值，y
(j)
表示第j个样本的预测值，p(g
(j)
|y
(j)
)表示在y
(j)
发生的情况下g
(j)
发生的概率，q(ui)表示变分分布，且通过变分分布q(ui)来近似变量u
l
的后验分布，ui＝fi(zi)，zi表示第i层高斯过程中输入的诱导变量，ui表示在第i层高斯过程的输入端加入诱导变量zi后的输出值，p(u
l
)表示ui的概率分布，用于优化预测结果，用于优化后验分布。
[0105]
可选地，可采用adam优化器对上述损失函数求梯度下降，进而实现对铜冶炼代理模型的训练。
[0106]
可选地，所述构建初始数据集，包括：
[0107]
获取样本采样参数；
[0108]
对所述样本采样参数进行仿真，确定所述样本采样参数对应的多个铜冶炼指标；
[0109]
将所述样本采样参数分别与各所述铜冶炼指标组合，得到所述铜冶炼指标对应的数据对；
[0110]
基于各所述数据对，构建初始数据集。
[0111]
具体地，为对铜冶炼代理模型进行监督训练，使模型更好的拟合铜冶炼过程，本发明实施例中，在采集样本决策参数后，将样本决策参数输入仿真系统进行仿真，以获得样本决策参数对应的铜冶炼指标，该铜冶炼指标作为指标真实值，将样本决策参数与仿真得到的铜冶炼指标组成数据对，多组数据对构成初始数据集。
[0112]
可选地，图4是本发明提供的铜冶炼仿真的示意图，如图4所示，铜冶炼仿真系统包括配料仓、干燥机、提升机、干矿仓、闪速炉、电炉和余热锅炉，粉状精矿通过配料仓传输至干燥机后，通过干燥机对粉状精矿进行深度脱水，脱水后通过提升机提升至干矿仓继续烘
干，并与空气充分混合，并以高速从顶部喷入高温的闪速炉的反应塔内，烘干的粉状精矿在反应塔内处于悬浮状态，在2-3s内就基本完成硫化物的分解、氧化和熔化过程。熔融态的硫化物和氧化物下落到闪速炉底部的沉淀池中汇集起来，继续完成冰铜与炉渣的最终形成过程，并进行沉清分离，冰铜通过闪速炉底部排出，进而得到铜产率，炉渣在电炉中进行贫化处理后排出，高温的悬浮物通过余热锅炉回收余热，并通过电收尘后排出废气，进而得到废气产率。
[0113]
可选地，高速的范围可以为60-70m/s，高温的范围可以为1450-1550℃。
[0114]
本发明提供的铜冶炼优化方法，针对铜冶炼中的非平稳且有噪声的问题，通过深度高斯过程和高斯噪声构建各铜冶炼指标对应的铜冶炼代理模型进行有效拟合，基于多个铜冶炼代理模型输出的目标预测值，以期望超体积改进量作为多目标的采集函数，实现多铜冶炼指标的联合优化，以确定多铜冶炼指标的最优解及对应的决策参数的最优解，通过有限次的迭代及模型更新即可快速找到最优的决策参数组合，提高铜冶炼优化的效率，满足实时性要求。
[0115]
下面对本发明提供的铜冶炼优化装置进行描述，下文描述的铜冶炼优化装置与上文描述的铜冶炼优化方法可相互对应参照。
[0116]
图5是本发明提供的铜冶炼优化装置的结构示意图，如图5所示，该铜冶炼优化装置500，包括：构建模块501、输出模块502和确定模块503，其中：
[0117]
构建模块501，用于构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的；
[0118]
输出模块502，用于将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
[0119]
确定模块503，用于基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
[0120]
本发明提供的铜冶炼优化装置，针对铜冶炼中的非平稳且有噪声的问题，通过深度高斯过程和高斯噪声构建各铜冶炼指标对应的铜冶炼代理模型进行有效拟合，基于多个铜冶炼代理模型输出的目标预测值，以期望超体积改进量作为多目标的采集函数，实现多铜冶炼指标的联合优化，以确定多铜冶炼指标的最优解及对应的决策参数的最优解，通过有限次的迭代及模型更新即可快速找到最优的决策参数组合，提高铜冶炼优化的效率，满足实时性要求。
[0121]
可选地，确定模块503，具体用于：
[0122]
所述在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，包括：
[0123]
基于所述目标解集，确定当前所述铜冶炼代理模型的第一超体积指标，所述第一
超体积指标为所述目标解集中的合并预测组与参考预测组构成的超体积数值；
[0124]
在所述目标解集加入新的合并预测组的情况下，确定新的铜冶炼代理模型的第二超体积指标；
[0125]
基于所述第二超体积指标和所述第一超体积指标的差值，确定超体积改进量；
[0126]
基于所述超体积改进量和新的合并预测组对应的多元概率密度，确定期望超体积改进量；
[0127]
基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述合并预测组最优解用于表征所述合并预测组最优解对应的各所述铜冶炼指标均优于除所述合并预测组最优解以外的合并预测组对应的各铜冶炼指标。
[0128]
可选地，确定模块503，具体用于：
[0129]
所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，包括：
[0130]
基于所述第一超体积指标，确定多目标优化评价指标；
[0131]
在所述多目标优化评价指标收敛的情况下，确定所述期望超体积改进量的最大值及对应的最大合并预测组，将所述最大合并预测组确定为合并预测组最优解，并将所述合并预测组最优解对应的决策参数确定为决策参数最优解。
[0132]
可选地，确定模块503，具体用于：
[0133]
所述基于所述期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，还包括：
[0134]
在所述多目标优化评价指标未收敛的情况下，确定所述期望超体积改进量的最大值及对应的合并预测组；
[0135]
确定所述合并预测组对应的决策参数，并确定所述决策参数对应的铜冶炼指标；
[0136]
将所述决策参数和所述铜冶炼指标添加至所述初始数据集，构建更新数据集；
[0137]
将所述更新数据集再次输入所述铜冶炼代理模型进行训练，直至所述多目标优化评价指标收敛，确定合并预测组最优解及其对应的决策参数最优解。
[0138]
可选地，输出模块502，具体用于：
[0139]
所述深度高斯过程包括l层高斯过程；
[0140]
所述铜冶炼代理模型是基于以下步骤得到的：
[0141]
构建l层高斯过程，且上一层高斯过程的输出为下一层高斯过程的输入，其中，第一层高斯过程的输入为样本决策参数；
[0142]
基于第l层高斯过程的输出结果及高斯噪声的和，确定对应铜冶炼指标对应的铜冶炼代理模型。
[0143]
可选地，构建模块501，具体用于：
[0144]
所述构建初始数据集，包括：
[0145]
获取样本采样参数；
[0146]
对所述样本采样参数进行仿真，确定所述样本采样参数对应的多个铜冶炼指标；
[0147]
将所述样本采样参数分别与各所述铜冶炼指标组合，得到所述铜冶炼指标对应的数据对；
[0148]
基于各所述数据对，构建初始数据集。
[0149]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备600可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行铜冶炼优化方法，该方法包括：
[0150]
构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的；
[0151]
将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
[0152]
基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
[0153]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0154]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的铜冶炼优化方法，该方法包括：
[0155]
构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的；
[0156]
将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
[0157]
基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶
炼代理模型的期望改进量。
[0158]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的铜冶炼优化方法，该方法包括：
[0159]
构建初始数据集，所述初始数据集是基于样本决策参数分别与多个铜冶炼指标组合得到的；
[0160]
将所述初始数据集输入对应的铜冶炼代理模型，输出用于表征铜冶炼指标预测结果的目标预测值，其中，铜冶炼代理模型是针对各铜冶炼指标，基于深度高斯过程和高斯噪声确定的；
[0161]
基于各所述铜冶炼指标对应的目标预测值构建的多个合并预测组，确定目标解集，并在所述目标解集加入新的合并预测组的情况下，基于期望超体积改进量，确定铜冶炼优化的合并预测组最优解及其对应的决策参数最优解，其中，所述目标解集是基于当前迭代周期的帕累托前沿近似集确定的，所述当前迭代周期的帕累托前沿近似集是在上一迭代周期的帕累托前沿近似集的基础上，添加上一迭代周期确定的使期望超体积改进量最大的决策参数最优解得到的，所述期望超体积改进量用于表征新的合并预测组对当前所述铜冶炼代理模型的期望改进量。
[0162]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0163]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0164]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。