《电子技术应用》
您所在的位置:首页 > 其他 > 设计应用 > 改进的粒子群算法在烧结配料中的应用
改进的粒子群算法在烧结配料中的应用
来源:微型机与应用2012年第16期
赵 辉1,2,王 明1,王红君1,岳有军1
(1.天津理工大学 天津市复杂系统控制理论及应用重点实验室,天津300384;2.天津农学院,天津3
摘要: 为提高计算机烧结配料的自适应性和通用性,提出了基于改进粒子群算法优化求解的方法。该方法采用柯西分布函数演化而来的调整函数,根据迭代次数惯性权重动态调整,对粒子群算法的全局和局部搜索能力进行平衡调整,使算法初期有较快的收敛速度,后期又保持较高的寻优精度,从而提高了粒子群算法的全局和局部搜索能力。仿真结果表明,所提出的改进粒子群算法收敛速度快、精度高、具有较强的全局寻优能力,能有效降低钢铁企业烧结成本,为实际工程应用提供了一个新思路。
Abstract:
Key words :

摘  要: 为提高计算机烧结配料的自适应性和通用性,提出了基于改进粒子群算法优化求解的方法。该方法采用柯西分布函数演化而来的调整函数,根据迭代次数惯性权重动态调整,对粒子群算法的全局和局部搜索能力进行平衡调整,使算法初期有较快的收敛速度,后期又保持较高的寻优精度,从而提高了粒子群算法的全局和局部搜索能力。仿真结果表明,所提出的改进粒子群算法收敛速度快、精度高、具有较强的全局寻优能力,能有效降低钢铁企业烧结成本,为实际工程应用提供了一个新思路。
关键词: 粒子群算法;烧结;优化;惯性权重;仿真

    在市场经济的推动下,现代钢铁生产成本和经济效益的矛盾十分突出,对于各大钢铁企业来说,降低成本、提高产品质量已迫在眉睫。因此,单一矿种的烧结已经难以满足企业的要求,当今大部分企业已经采用几种矿粉合理搭配进行烧结,这样既可以降低烧结成本,又能提高烧结矿质量。尤其最近各大企业相继增加进口粉和外来铁矿粉的用量,并且随着进口粉和外来粉种类增多,探讨各种原料的合理配比已势在必行[1]。


    算法描述如下:
    (1)初始化粒子群。确定种群大小、空间维数、各粒子的随机位置和速度及最大迭代次数。
    (2)评价各计算粒子的适应值。
    (3)对每个粒子xi,将其适应值与其经历过的最好位置pi的适应值作比较,如果较好,则将xi作为当前的最好位置pi。
    (4)对每个粒子xi,将其适应值与所有粒子经历过的最好位置pg的适应值作比较,如果较好,则将其作为当前所有粒子的最好位置pg。
    (5)每次迭代中,根据式(1)、式(2)对每个粒子的位置和速度进行更新。
    (6)满足最大迭代次数或全局最优位置满足预定精度要求则停止迭代,输出全局最优解,算法终止,否则跳转步骤(2)继续执行。
2 粒子群算法改进
    研究发现在算法的迭代过程中动态地调整惯性权重,可以改变搜索能力的强弱。惯性权重类似模拟退火中的温度,较大的惯性权重有较好的全局收敛能力,而较小的惯性权重则有较强的局部收敛能力。因此,随着迭代次数的增加,惯性权重应不断减少,从而使得粒子群算法在初期具有较强的全局收敛能力,而晚期具有较强的局部收敛能力。例如在参考文献[5]中提出了线性递减权重策略,惯性权重w满足:
    

 


4 仿真计算
    根据以上数学模型,采用Matlab语言、粒子群算法和改进的粒子群算法,分别编制烧结矿优化配料计算程序,计算出的精铁矿和粉矿需求量及成本如表3所示。其中方案1、方案2、方案3分别代表标准粒子群算法、线性递减惯性权重改进粒子群算法、本文改进粒子群算法的仿真结果。

    运用改进粒子群算法对钢铁烧结矿配料进行优化计算,计算机仿真结果表明符合实际工艺要求,通过与标准粒子群算法和线性递减改进粒子群算法的结果相比较,可看出本文提出的改进粒子群算法具有更好的寻优能力和更高的运算精度。由于粒子群算法在优化实现的过程中,不需要对优化问题的数学模型有过高的要求,避免了常规数学方法在求解过程中的复杂性,因此使用人员不需要具备过高、过深的数学理论知识,很适合工程技术人员使用。
参考文献
[1] 梁中渝.炼铁学[M].北京:冶金工业出版社,2009.
[2] EBERHART R C,KENNEDY J.A new optimizer using particles swarm theory[C].Proc Sixth International Symposium on Micro Machine and Human Science,1995:87-92.
[3] 张丽平.粒子群优化算法的理论及实践[D].杭州:浙江大学,2005.
[4] 张增强,黄马壮.粒子群算法在计算机自动配棉优化中的应用[J].纺织学报,2011,32(2):44-47.
[5] SHI Y,EBERHART R C.Empirical study of particle swarm optimization[C].Proceedings of the IEEE Congress on Evolutionary Computation,1999:1945-1950.
[6] 宋永强.改进的粒子群优化算法及其在石油性质预测中的应用[D].青岛:中国石油大学,2008:15-18.
[7] 周品,赵新芬.Matlab数学建模与仿真[M].北京:国防工业出版社,2009:373-377.
[8] 李宁,邹彤,孙德宝.基于粒子群的多目标优化算法[J].计算机工程与应用,2005(23):43-46.
[9] 黄玉明.重钢烧结配矿优化研究[D].重庆:重庆大学,2005.
[10] 周常立.烧结配料优化方法及工业应用[D].长沙:中南大学,2011.
[11] CIUPRINA G,LOAN D.Use of intelligent-particle swarm optimization in electromagnetics[J].IEEE Trans on Magnetics,2003,38(2):1037-1040.

此内容为AET网站原创,未经授权禁止转载。