（钢铁冶金专业论文）基于遗传算法和神经网络的高炉参数预报模型.pdf

摘要 摘要 为了实现高炉生产的“优质、高产、长寿、低耗”，高炉生产的自动化势在必 行。而高炉生产自动化的核心部分高炉控制模型一直为人们所关注，并得 到了不断的发展。其发展经历了有高炉数学模型、高炉专家系统到高炉神经网络模 型以及神经网络与其他优化算法相结合模型的过程。 本论文根据高炉实际生产情况和技术水平，分别采用了b p 神经网络、遗传算 法与b p 神经网络相结合的两种方法建立了高炉焦比预报模型、高炉铁水硫含量预 报模型和高炉铁水硅含量预报模型。模型结构都为三层，即输入层、隐含层和输出 层，分别经过1 5 0 个样本的学习训练以及遗传算法对初始权值的优化，最终确定各 自的网络权值矩阵，并分别用7 0 组数据采用“固定式”和“修正式”两种预报模式 对高炉参数进行了离线预报，都具有良好的预报准确率。预报结果表明“修正式” 预报命中率要高于“固定式”预报，遗传算法与b p 神经网络相结合模型的预报命 中率和训练次数都要优于b p 神经网络预报模型。 本论文的各个模型还吸收了“修正式”预报的思想，并建立了a c c e s s 数据库， 能够完成数据的动态存储，实现高炉参数的在线预测。并能够通过不断的对新样本 学习，使模型适应生产条件的变化，使其在生产条件变化的情况下，仍具有很好的 预报准确率。 在软件的制作过程中，本研究结合工程心理学，注重界面设计，利用v b 语言 强大的多媒体功能，开发出一套集声音、动画、图片和文字为一体的全汉化交互式 软件系统。 图3 l 表1 9 参7 2 关键词：b p 神经网络；遗传算法；高炉参数；预报模型 分类号：t f 5 4 3 1 河北理i ：人学硕士学位论文 a b s 扛a c t i no r d e rt oa c h i e v em eg o a lo f e x c e l l e n tq u a l i t y ，h i 曲p m d u c t i o n ，l o n g1 i f ea f l dl o w c o s t ”，t h ea u t o m a t i o no f b l a s t 缸n a c e 叩e r a t i o ni si 瑚【p e r a t i v el l i l d e rt 1 1 l cs i t u a t i o n t h ec o r c o ft h ea u t o m a t i o no fb l a s tf h m a c eo p e r a t i o n c o n n i o l l i n gm o d e lo f b l a s tf u m a c e “a sb e e n p a i da t t e n t i o na ua l o n ga n dm a d ec o n t i n u o u s l yp r o g r e s s t h e r ea r ef o l l rs t a g e si n i t s d e v e l o p m e n t m a t h c m a t i c a lm o d e lo fb l a s tf u j m c c ，e x p c ns y s t e mo fb l a s t 血h l a c en e u r a l n e t w o km o d e lo fb l a s tn l m a c ea n dt l l em o d e lw h i c hb a s e do nn e u r a ln e t w o ka l l do t h e r o p t i m i z 砒i o na l g o r i t l l 瞄 a c c o r d i n gt ot 圭l ea c t l l a lo p e r a t i o n a lc o n d i t i o na n dt e c t l f l o l o g yo f t h eb l a s t 向m a c e ，t h e m o d e l s f o r p r e d i c t i o no f c o k er a t eo f b l a s t 如m a c e ，f o r p r e d i c t i o n o fs l l l p h i l rc o n t c n to f t h e h o tm e t a l 趾df o rp r e d i c t i o no fs i l i c o nc o n t e n to ft h e h o tm e t a la r es e tu p ，e a c hm o d e lu s e t 、v om e t l l o d s ，t l l e r ea r eb pn e l l m ln e t 、v o r km o d e la n dm em o d e lw h i c hb 踮e do ng e n e t i c a l g o r i t h ma i l db pn c m ln e t w d r k t h es m l 曲l r co f m o d e l sa l lc o n s i s t so f t h r e el a y e r s ：i n p u t l a y e r ，h i d d e nl a y e ra n do u t p u tl a y e r ma _ t r i xo fp o w e rv a l u c so fn e 咖r ka r ef 政e da n e r l e 锄i n g15 0s 锄p l e sa n do p t i t n i z i n gt h m u 曲g e n e t i ca 1 9 0 枷加a n df o ra i l o m e r7 0 s a m p l e s ，仰op r e d i c t i o np a t t e m s ( t h ef i x e dp a t t e ma n dt l e 啪e n d a t o r yp a t t e m ) a r ea d o p t e d t oc h e c kt h ep e 而r n l a i l c eo ft l l em o d e l s n l ea c c u r a c yo fa l lm o d e l sa r ev e r yh i g h 1 1 1 e r e s u l t ss h o wt t l a tm em o d e l sw h i c hu s et h e 锄e n d a t o r yp a n e ma r cb e t t e rt l l a j l 血cm o d e l s 蛳c hu s ct l l ef i ) ( e dp a 池m ，m em o d e l sw h i c hb a s e do ng e n e t i ca l g o r i t h ma 1 1 db pn e u r a l n e t 、v o r kc a ng a i ni l i g h e rp r e d i c t i o na c c u r a c ya 1 1 dl o w e rt r a i n i n gt i m e s 血a f lb pn e u r a l n e c 、o r km o d e l s 1 1 1 ei d e ao ft h e 釉e n d a t o r yp a n e mp r e d i c t i 帆i sa d o p t e da n daa c c e s sd a t a b a s ei ss e t u pt oc o m p l e t e l ed y n 删cs t o r a g eo fd a 诅mt h en l o d e l s i tc a nr e a l i z eo n l i n ep r e d i c t i o n o fb l a s tm m a c eg a r a m e t e r s b yl e a m i n gt i l en e wd a 诅sc o n t i r m o u s l y ，t h ep r e d i c t e dv a l u e 舶mt 量l em o d e l sc 吼c h a n g ew i mt 1 1 ec h a i l g i n gc o n d i t i o na i l d 出ea c c u r a c yo ft h em o d e l s a r es t i l l l l i 曲 i i ld e s i g i lo fm es o n w a r e ，t 1 1 ei n t e r f | a c ed e s i 酏i sp a i da t t e m i o nt oc o n c e m i n gt h e e n 百n e e r i n gp s y c h o i o g y b ym e 曲r e n m 如lm u h i m e d i af o u n d a t i o no fv i s u a lb 硒i c ，am u t u a l s o f t w 砒es y s t e mo f c o m p l e t ec h i n e s e 、v i t l is o i l n d ，m o t i v a t i o n ，p i c t l l r e sa n dc h a r a c t e r sh a s b e e ns e t u d - i i - 摘要 f i g u r e3 l ；t a b l e1 9 ；r p f e r e n c e7 2 k e y w o r d s ： b pn e 啪ln e t 、v o r k ， g e n e t i ca l g o r i t h m ， b fp a r a m e t e r s ，p r e d i c t i o n m o d e l s c h i n e s eb o o k sc a t a l o g ：t f 5 4 3 1 独创性说明 奉人郑重声明：所旱交的论文是我个人在导师指导卜- 进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得 河北理工大学或其他教育机构的学位或证书所使用过的材料。与我一同 工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表 示了谢意。 签名：盎塞壶、日期：世立月丝日 关于论文使用授权的说明 本人完全了解河北理工大学有关保留、使用学位论文的规定， 即：学校有权保留送交论文的复e 件，允许论文被查阅和借阅；学 校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复 制手段保存论文。 ( 保密的论文在解密后应遵循此规定) 签名：巍，塞塞、导师签名：c 司! ! 垂h 期：型堕年蝴鱼目 引言 引言 高炉生产历史悠久，高炉技术源远流长。高炉炼铁同许多其他工业一样，也经 历了一个由经验到理论，由低级到高级的发展过程。进入6 0 年代以后，监测手段和 计算能力的不断提高为炼铁牛产的理论研究注入了新的活力。同时，随着科学技术 的不断进步，以及自动化、计算机技术的发展，炼铁理论的日趋完善，高炉自动化 得到了不断发展，并用于实际生产，并取得了良好效果，对高炉的“优质、高产、 长寿、低耗”起着巨大的推动作用。 高炉冶炼过程是一个在高温条件下发生的包含了物理、化学和传输的复杂过 程，因此这给高炉生产控制带来了一定难度，但随着监测手段的提高以及电子计算 机在高炉控制中的引入为加快高炉的数据处理创造了条件，促进了对高炉内部状 态的模拟和解析，从而发展了各种用于高炉过程控制的数学模型用以指导高炉生 产，它们在高炉炉况稳定时，与生产实际甚为一致。但由于高炉冶炼生产极为复 杂，很难控制输入条件恒定不变，且各种因素的变化影响具有很长的延迟特性。这 样，高炉数学模型力图定量精确描述高炉的冶炼反应状态，已存在着很大的局限 性，已无法满足复杂工业过程控制的要求。 随着研究工作者对高炉内部状态模糊信息的进一步认识，以及人工智能技术的 发展，专家系统和神经网络先后被引入到高炉控制领域，这给高炉控制带来了新的 思维和方法。专家系统依靠由优秀高炉冶炼专家提供的经验和知识所建立的知识 库，凭借系统的推理机进行逻辑推理和判断，去模拟高炉冶炼专家解决高炉冶炼过 程中出现的各种复杂问题的能力，从而对高炉生产进行操作指导。自八十年代以 来，专家系统技术进入高炉操作领域，并取得了长足发展。但专家系统的知识库不 易维护，知识自动获取困难，最重要的是它对规则知识不具备自学习能力，以及它 对领域的边缘性问题和域外问题的“窄台阶效应”，同时由于“匹配冲突”、“组 合爆炸”和“无穷递归”而导致推理速度慢、效率底。为此，人们丌始考虑人工神 经网络的自学习能力和模糊识别功能。神经网络模型可以较好的识别高炉的炉内数 据，能解决知识自动获取问题，并且利用其并行分布处理的特性快速推理知识。但 是神经网络推理机制在根本上还是属于数值计算，这使得它在很大程度上受到所选 择训练样本集的限制，训练样本集的正交性和完各性如果不好，就会使模型的性能 劣化或恶化。具体的对于b p 神经网络来说，就表现在模型学习训练时问过长，甚 至可能达不到学习的目的，从而大大削弱了模型的性能，因此该方法会造成网络的 河北理l 人学硕十学位论文 拟合精度和预报精度不太理想。遗传算法与神经网络相结合可以很好的解决这个问 题，利用遗传算法的强寻优能力对b p 神经网络进行优化，并利用b p 神经网络的自 学习以及非线性逼近能力进行较好的拟合和预报，使模型达到最优。 本研究根据高炉实际生产情况和技术水平，分别采用了b p 神经网络、遗传算 法与b p 神经网络相结合的两种方法建立了高炉焦比预报模型、高炉铁水硫含量预 报模型和高炉铁水硅含量预报模型，在现场进行实时跟踪预报。 2 一 l 文献综述及理论基础 l 文献综述及理论基础 1 1 高炉冶炼过程的特点 高炉冶炼过程是个在高温条件下发生的包含了物理、化学和传输的复杂过 程。在此过程中，存在着气( 煤气) 、固( 炉料) 、液( 液态渣铁) 三相之问复杂 的化学反应与物理过程，同时无论是沿高炉的高度方向还是沿半径方向，都存在着 不均匀性。 高炉冶炼过程是一个大滞后、多变量的非线性的“黑箱”系统，它具有如下特 点”一】： 1 高炉冶炼过程是在一个密闭容器内进行的，在炉料与炉气逆流运动过程中完 成的，多体系交织的复杂高温物理及化学过程，过程参数问的关系是非线性、不均 匀的。 2 到目前为止，全面的直接观察高炉冶炼状况能尚不可能，大部分监测都是间 接的，其精确可靠性有待改进，这给及时准确的判断、掌握和观察高炉冶炼状况带 来很大的困难。 3 影响高炉冶炼过程的参数众多，情况十分复杂，其中很多参数很难连续精确 的监测，故高炉过程的波动在一定程度上带来不可预测性。 4 高炉过程对很多参数变化的反应有很大的时间滞后性，如入炉原料条件的变 化一般要5 8 小时以后才能显现出影响，而鼓风条件的变化时问滞后性则弱些。此 外，输入变量的变化相同可能产生的后果不同，即常称之为高炉的“惰性”，或者 说与此之前炉子状态及运行的“趋势”有关。 上述高炉过程的特殊性，给建立高炉过程数学模型以及对高炉冶炼过程的有效 控制都带来了相当的困难。为此，往往要借助于操作人员长期积累的经验，采用经 验的或半经验的模型，但存在较大的误差。 1 2 高炉冶炼控制模型 1 2 1 高炉冶炼控制模型的概况 高炉过程控制模型的建立也经历了由简到繁、由描述单一过程到综合多个模型 形成高炉过程控制体系的过程5 1 。最早，人们建立的是离线计算分析模型，这期间 河北理j 人学硕卜学位论文 的模型是以莱哈尔特图【6 j 、拉姆计算法用和罩斯特操作线【1 1 为代表。随着人们对高炉 冶炼原理研究的逐步深入和计算机技术的应用，人们率先丌发了炉热预测模型，其 中具有代表性的是法国的w u 模型郾1 及由此派生出来的e c 【1 0 1 、t c ，2 1 和t s 模型 等。其后，人们又开发了布料模型、炉体状态模型和热风炉燃烧控制模型o ”，l5 i 等。 在此基础上，人们又开发了对高炉多个过程进行控制的模型，如：1 9 7 5 年，同本川 崎制铁开发了g o s t o p 模型【l n ”j ，该模型不仅可以预测炉热状况，而且能预报崩 料、炉凉等重大炉况异常，并给出操作指导。8 0 年代，新日铁丌发了一种新的高炉 操作管理系统高炉多目标综合控制模型( a g o s ) 雌1 9 i ，该模型不仅可以炉况 迅速作出综合判断并给出操作指导，而且还能制定高炉长期管理的操作方针。 从建模方法上看，高炉过程控制模型经历了由简单分析到定量计算、由单一方 法到多种方法综合的过程。最早的高炉模型主要是图表分析，后柬是高炉数学模 型。高炉数学模型是以数学方法定量的描述高炉过程，对高炉生产起到了很好的指 导作用，但由于高炉过程的复杂性，高炉生产过程中存在着大量的不确定信息，影 响了数学模型的精确性和适用范围。随着人工智能技术的发展，专家系统和神经网 络技术引入了高炉模型，其中具有代表性的为日本川崎制铁的a “柚c e dg o s l t 0 p 【2 0 ，2 、新同铁的a l i s 【2 羽、n k k 的b a i s y s l 2 3 0 4 1 、住友金属的h y b 鼬d 1 2 s 】模型 等。高炉专家系统与高炉数学模型相比，具有快速、灵活、方便的特点。并可对不 确定信息进行模糊推理，克服了高炉数学模型灵活性和适应性差的缺点。但专家系 统的知识库不易维护，且专家系统不具有自学习功能，这是专家系统的两大缺点。 而神经网络以其自学习和模糊识别功能在高炉冶炼过程中得到了广泛的应用，弥补 了专家系统的主要缺陷，但是也存在着对其推理机制无法解释的“不透明”问题。 因此，人们开始研究将数学模型、专家系统和神经网络结合起来，建立更适应高炉 生产实际的过程控制模型。 1 2 2 高炉神经网络模型 神经网络以其自学习功能、非线性模式的识别以及预测预报功能而引入高炉领 域【2 ”9 1 。而应用于高炉操作的神经网络中，误差反向传播网络( b p 网络) 和自组织 网络是应用最为广泛的两个网络。 1 2 2 1 高炉炉顶煤气温度分布识别 闩本神户制钢就利用b p 网络对高炉炉顶煤气温度分布进行识别【3 0 ，3 l 】，它在高 炉顶部的出口不沿东西和南北方向共设置了2 2 个测温点，用来测量煤气温度沿直径 4 一 文献综述及理论基础 方向的分布。温度分布大致分为两大类；w 型和l 型。w 型的分布使中心温度最高 沿半径放行急剧下降达某一温度值，直到周围炉墙处不在升高，如图1 所示。 温 直径，i ( a ) w 型分布 直径a ( b ) l 型分布 图l 炉顶煤气温度的分布类型 f i g 1d i s t r i b u t i n gt y p e so f t o pg 邮t e m p e m u r e s 该三层b p 网络选用2 2 个输入界定，分别输入2 2 个测温点的经归一化处理后的 信息，中间层选用1 0 个节点，输出层两个节点，分别代表w 型和l 型。结果表明， 网络能较好的反映人目视判断所得到的结果。 1 2 2 2 炉墙温度分布识别【2 6 】 在高炉炉墙温度分布的识别中，由于在高炉不同高度的圆周方向上设有许多测 温点，其温度分布构成二维分布，目测谚 别相当困难。日本神户制钢在对炉墙温度 分布的识别中，采用了5 5 的自组织网络，并在高度方向和圆周方向上6 5 个点、 每点2 0 0 天的日平均做为自组织分类的样本，用这5 5 的网络学习后便可以进行分 类，该网络可以将炉墙温度很好的划分为2 5 种曲线，运用学习后的网络某组目平均 炉墙温度数据与哪个神经元的空间响亮重合度最好，就可以识别出温度分布的曲 线；用该识别结果，还能够解析与其他数据的定量关系。 1 2 2 3 高炉热状态预报 神经网络用于高炉操作最重要的一个方面就是利用b p 网络进行高炉炉温预 测，以确定高炉热状态，因为在高炉生产中，炉热状态是一个很重要的因素，并且 由于炉温的变化是一个大惯性动态过程，若要精确控制炉温，就必须提前预测出炉 温的变化，及时确定控制策略f 2 让7 。2 4 1 。 5 一 按一 丝一 度 。由 5 日皿 向，l 喳 方 、i 一好 西、1 r 一 东 e ，一熊 一 一泸寸i 燧 河j e 理 ：大学硕士学位论文 厂 l 其他动i i 态参数l i 。_ j 图2 炉温预测神经网络结构 f i g 2 n ns t c t u r e f o rp r e d i c t i n gt 1 1 eh o tm e t a lt e m p e r a t u r ei nb l a s tf u m a c e 日本川崎制铁千叶制铁所运用三层b p 神经网络来预测炉温，其基本思想是， 以高炉炉内原料下降量、炉内一氧化碳的变化量、炉壁温度的变化量等动念数据作 为网络的输入模式，利用神经网络的非线性映射与联想推理能力，得到有关炉温在 将来2 3 小时内的变化趋势信息。网络结构如图2 所示，它由三层组成，其中输入 层1 2 个单元，输出层3 个单元，中间层的单元数通过试验最后确定。 l _ 2 1 3 高炉神经网络模型在我国的发展 商炉神经网络模型在我国发展迅速，也取得了比较显著的成果。 重庆大学的范志刚、邱贵宝、贾娟鱼、白晨光采用人工神经网络方法建立了高 炉焦比预测模型，此模型采用三层9 9 1 的b p 网络，经过学习后，焦比预测值 和实际值之间的误差小于2 p ”。 东北大学的绘雅娜、许桂清、周建常建立了铁水硫含量的人工神经网络时问序 列预报模型，该模型将t d 方法与人工神经元网络方法有机地结合起来，对鞍钢高 炉硫含量进行了离线预报，并取得了良好的预报效果p 6 j 。 北京科技大学的杨尚宝针对我国中小型高炉的监测水平，采用人工神经网络方 法建立了一种用于硅预报的神经网络模型。该模型采用三层b p 网络，输入参数 为：风温、风压、风量、透气性指数、富氧率、炉顶温度、炉顶煤气压力、炉料中 各成分含量、批量、料速、前几次出铁硅含量等等。该模型经过离线学习后，在线 运行效果良好。命中率可达8 5 8 p ”。 一6 一 一一一一 1 文献综述及理论基础 东北大学刘金琨等运用b p 网络建立了硅含量的神经网络时间序列预报模型， 输入层节点数取1 0 ，隐含层节点数为1 5 ，输出层节点数为1 ，即预报值。其方法是 将已经测量到的数据坝1 ) ，坝2 ) ，坝”) 分成t 组，每组有1 1 个值，前1 0 个作 输入值，后一个作为该组输入值对应的输出节点的期望输出。对宝钢2 号高炉硅含 量进行离线预报， s i 】在0 1 5 范围内命中率为8 5 睫”】。 华东冶金学院李家新等将神经网络用于硅含量预报，并作了一些改进，对梅l u 3 号高炉的生产数据进行离线预报，o 1 的命中率为8 6 6 7 【4 m 4 ”。 姚斌又引入遗传算法，发展了三权值网络，建立了基于遗传算法的神经网络高 炉炉况判断专家系统，分别对高炉铁水硅含量和高炉炉缸炉底的侵蚀程度进行了预 报，并取得了良好的预报效果【4 2 1 4 3 l 。 此外，北京科技大学的宁小钧及东北大学的郭金宇等也都作过这方面的工作 【5 ，棚。 1 3 人工神经网络理论 人工神经网络【8 j o ，4 5 4 7 】( a 币f i c i a ln e u r a ln e t w o r k s ，简称舢町n ) 是迸年来发展 起来的一门交叉学科，涉及生物，电子，计算机，数学和物理等学科。采用物理可 实现的器件或计算机来模拟生物体中神经网络的某些结构与功能，并反过来用于工 程或其他领域。人工神经网络着眼点不是用物理器件去完整的复制生物体中神经细 胞网络，而是采纳其可利用的部分来克服目前计算机或其他系统不能解决的问题， 如学习，识别，控制，专家系统等。 神经网络是由大量处理单元( 神经元、处理元件、光电元件等) 广泛互连而成 的网络。它反映了人脑功能的基本特性，但不是人脑的真实描写，而只是它的某种 抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现，知谚 与信息 的存储表现为网络元件互连间分布式的物理联系，网络的学习和识别决定于各神经 元连接权系的动态演化过程。 1 1 3 1 人工神经元简介 人工神经元是神经网络的基本处理单元，它一般是一多输入单输出的非线性器 件，其结构模型如图3 所示。图中一、工：、z 。为神经元接收到的信号，q 。、 q ：、q 。为连接的权值，表示神经元之间的耦合强度，谚为阎值。对于第f 个 神经元，接收其他多个神经元的输入信号x ，利用某种运算把输入信号的作用结合 一7 河j 匕理t 犬学硕士学位论文 j 工j j j 叉一一2 j 月一 j 一 图3 人工神经元示意图 f 培3 s k e t c hm a po f n e u r a lu n l t 起来，给出它们的总效果，称之为“净输入”，以n p r ，表示。净输入的表达式有多 种类型，其中最简单的一种是线性加权求和，即 雕f 。= x ，( 当只2 0 时) 。( 1 a ) j = l 此作用引起神经元的状态变化，而神经元f 的输出是它当前状态的函数， 称为活化函数。这样，上述模型的数学表达式为： 删。= _ 一只( 1 b ) j = l _ y = 厂n p f ，) ( 1 c ) 有时为方便起见，常把一b 看成对应恒等于l 的输入量工。的权值。 如图4 所示，常用的神经元非线性特征( 即，) 转变函数) 可描述如下： 闽值型：该类型中，神经元没有内部状态，而且函数，( ) 为一阶跃函数，如 图4 a 所示： ( 2 ) 分段线性型：如图4 b 所示，转换函数，( ) 呈折线状，也称为线性饱和型。在 线性范围内系统是线性的，一直到饱和状态。 子阈累积型：如图4 c 所示，当z 超过一定范围时，函数，( ) 才会产牛反响。 8 0 o o 。 为了求孚生，先从数学上作简单变换： o m a 旦：旦塑生 a | k a 眦tk 8 j k 定义反传误差信号以为： ( 1 3 ) 占。：一旦：一竺堕( 1 4 ) a n e t k8 0 k a n e t k 式中： 罢= 一似。一吼) 鲁= 击，) = 。锄p ，锄吮一“。、“ 由此 瓯= 一啡) 厂o e ) = o 。( 1 一o 。m 一吼) 又 薏2 去一卜砌m a 珊ml 匀”。 因此对输出层的任意神经元加权系数的修正公式为： = 刁0 。一吼) ，0 p “) d ，= 玎以0 j 即： m = 和。( 1 一d 。) ( 吨一d 。) o ， ( 1 5 ) ( 1 6 ) ( 1 7 ) 2 ) 隐含层加权系数的调整 如果加权系数不直接作用于输出层神经元，情况就不同了。对于隐含层计算加 权系数的变化量 1 2 1 文献综述及理论基础 幽，叫盖叫嚣，等 8 e 一刁赢。q = 刁盖卜叫l 一瓦萄尸 = 叩 一乳q = 玎一。d ，( 1 8 ) 但式中罢不能直接计算，需通过其他间接量进行计算，即： 显然，有 些：一旦墼 a o |铃a n e l ka o = 射盖怯( 扣q = 射矗卜。 = 套喀 = 厂。0 e f ，废瓯 ( 1 9 ) 将样本标记p 记入公式后，有 对输出节点i ： ，q 。= 矿k f 肚肚一。肚b 。= 驷肚- 肿一。肚b 。( 2 0 ) 对隐含节点_ ，： ，：矿。k r 。f 圭靠甜止 ：驷。( 1 一 r 壹1 ( 2 1 ) 女= i - 1 式中，是输出节点七的输出，是隐含节点，的输出，d 。是输入节点f 的输 出或节点f 的输入。 一1 3 。 河北理l 人学硕十学位论文 为了使收敛速度快些，可在式( 2 0 ) 、式( 2 1 ) 中增加一个惯性项，使加权系 数变化更平稳些。 甜，( f + 1 ) = 。o ) + 叩4 0 ，+ 口b 。( f ) 一珊，( r 1 ) j ( o 口 l 一( 1 一只) 步骤3 ：计算各个染色体的适应值，且从大到小排序，并各染色体的选择概 率： p 女= f ( 1 一只) ”降- 1 女= 1 ，2 ，p ( 2 6 ) 式中j v ( ) 是种群中蠡序号染色体的适应值由大到小的排序号。 步骤4 ：适应值最大的染色体直接进入下一代，并在下一代种群中的序号为 l ： 胁w 彬= 黟，c 船1 步骤5 ：计算染色体的累积选择概率值： 吼= 加( i ) 七= l ，2 ，p ( 2 7 ) ( 2 8 ) 步骤6 ：在 0 ，1 问产生按升序排列的随机数序列，。 步骤7 ：对染色体进行选择，如果r 玎，则染色体被选择进入下一代，下一代 种群染色体的开始序号为2 。 1 采样空间 本算子是基于整代替代的规则采样空间，即后代一旦产生就替换掉双亲。这种 后代完全替换双亲的策略会在进化过程中失去一些较好的染色体，有时甚至会丢掉 一2 l 一 河北理1 人学硕士学位论文 最佳染色体。为了克服这个问题，这里采用了保留当前代最佳染色体的策略：一方 面，上一代的最佳染色体不参与概率选择，直接进入下一代；另一方面，当前代的 最佳染色体不参与交叉和变异的遗传运算。该策略可以有效地防止最佳染色体的退 化。 2 采样机理 该选择算子属于混合采样。对于最佳染色体，直接进入下一代，属于确定性采 样；其他染色体的选择是根据其生存概率来确定繁殖数量的，属于随机采样。所 以，选择过程中，当前代中适应值最大的染色体以序号l 直接进入下一代，下代 染色体的选择序号从2 开始。 3 选择概率 采用排序法确定染色体的选择概率。排序法忽略实际染色体的适应值，用染色 体的顺序来换算出相应的生存概率，换算原则为大适应值对应高选择概率，小适应 值对应低选择概率。排序法最大的优点是：保证大适应值染色体获得高选择概率， 同时阻止某些超级染色体过快地把持遗传过程。 1 5 2 4 遗传运算 种群中序号为l 的染色体是上一代中适应值最大的染色体为了防止最佳染色 体的退化，该染色体不参与交叉和变异的遗传操作。所以，父代染色体从序号为 2 p 的种群范围内均匀随机产生。 这里采用浮点编码的表达方式，染色体直接对应问题空间，所构造的遗传算子 与经典的算子在操作方式上有所不同，但是根据它们在进化过程中所起的作用，仍 将其称为交叉算子和变异算子。 1 交叉算子。，删 交叉运算是两个父体互相交换部分基因而产生新个体的过程。这里采用浮点线 性算术交叉算子，浮点编码的交叉算子直接在问题空间进行运算。在浮点编码的执 行中，每个染色体向量被编码成一个浮点数向量，且各向量在规定的区域内，交叉 算子的设计也要保证所产生的后代在规定的区域内，这是浮点编码交叉算子设计的 首要条件。 算术交叉算子对于凸搜索空间有这样的性质：对解空间里的任何两个点p 1 、 p 2 的线性组合为： 印l + ( 1 一口) p 2口【0 ，1 】( 2 9 ) 同样是解空间中的一个点，此性质是实现算术交叉的重要保证。 2 2 1 文献综述及理论基础 算术交叉的操作过程为：假定种群中的点p 1 、p 2 被选为交叉运算的双亲，则 由双亲产生的后代为： p 1 = 印1 + ( 1 一口) p 2 口 o ，1 ( 3 0 a ) p 2 = 印2 + ( 1 一a ) p l 盯【o ，1 1 ( 3 0 b ) 随机数口 o ，1 ，从而保证了尸1 ，p 2 是解空嵋j 的点。 交叉算子的具体操作过程如下： 步骤1 ：根据交叉概率p 计算交叉操作的次数： n 。= 只m n p ( 3 1 ) 式中： 尸种群规模； m 权值矩阵中横向个数； n 权值矩阵中纵向个数； 步骤2 ：随机选择两个参与交叉运算的染色体和相应的基因座叫，、p 2 ， ( f = l ，2 ，n ) 作为交叉双亲。 步骤3 ：在【o ，l 】区间产生随机交叉参数口。 步骤4 ：将父体基因作线性算术交叉运算产生新基因p 1 ，、p 2 ，。 步骤5 ：将新基因替代父体基因，产生新的染色体，并重复步骤2 4 ，直到 ，= n 。为止。 值得注意的是，这里所执行的交叉操作是在两条不同染色体的相同基因座上发 生的，而不是针对染色体。以后的变异操作也是针对染色体上的基因进行的。交叉 率就是指参与交叉操作的基因与基因总数的比值。 2 变异算子【6 0 ，6 7 】 变异算子为种群提供新的信息，从而保持种群染色体的多样性。我们这里构造 的变异算子还有一个突出的特点扩大染色体基因值的取值范围。也就是说，通 过变异操作，权值的取值已突破了初始权值的取值空间，向着更广泛的空间进行搜 索，这证好迎合了网络权值没有取值限制的特点。 这里采用非均匀变异操作，即各代中参与变异操作的染色体的变异量是非均匀 变化的，变异量( ，y ) 是染色体p ，、取值区域左右边界6 与6 ，、当前进化代毋、 最大进化代数g 。和形状系数6 等参量的函数。则： p f = p f + ( g 。，y )若s 喀玎= o ( 3 2 a ) p ，= 一( g 。，)若s 塘7 l = 1 ( 3 2 b ) 式中：s 缸那符号标记，是随机产生的o 或1 。 2 3 河北理i 人学硕士学位论文 变异量函数的公式表达如下： ( g 。_ y ) = ，【r ( 1 一，) r ，( 3 3 ) 式中：y 参与变异操作的染色体到耿值区域边界的距离，按如下公式计算： y = 6 ，一若s 忉= o ( 3 4 a ) y = 一岛若s 咖= 1 一( 3 4 b ) r 进化标记，公式表达如下： ，：墨( 3 5 ) g 。 ，在 0 ，1 区间均匀产生的随机数； 6 形状系数，起到调节函数曲线非均匀变化的作用，它的调节作用见图 7 。 盘 i o i 奄 、 图7 形状系数6 的调节能力 f i g 7r e g u 】a t i o na b i l t yo f t h es h 印ep a r 习曲e t e r b 图8 权值取值示意图 f i g 8 s k e t c hm a po f p o w e rv a l u e s 2 4 l 文献综述及理论基础 随着进化代数的增加，( ，y ) 靠近0 的概率就会增大。这种算子在进化计算 的初期，可均匀地搜索问题的空间；而在进化的后期，则具有局部精确搜索的性 能。 图8 形象的描绘出了交叉算子和变异算子随着进化代数的增加权值取值范围的 扩展情况。 在第1 代，交叉算子所产生的子代仍在初始权值的取值空间，对应右图的内 坏，而变异算子所产生的子代的取值却超出了这个范围，扩大到了第2 环；在第2 代，交叉算子的子代延伸到了第2 环，变异算予的子代扩大到了第3 环；。这样的工作一直重复进行下去，直到完成所预定的进化代数。 变异算子的具体操作过程如下： 步骤1 ：确定根据变异概率p 卅和形状系数6 。 步骤2 ：计算变异操作的次数h 。： ，= ，i ，打n p ( 3 6 ) 式中：尸种群规模； 埘权值矩阵中横向个数； ”权值矩阵中纵向个数； 步骤3 ：随机选择一个参与变异运算的染色体和相应的基因座卢， ( ，= 1 ，2 ， h 。) 作为变异父代。 步骤4 ：计算变异标记f 。 步骤5 ：计算基因p ，的变异量( 氍，y ) 。 步骤6 ：在【o ，1 】区间产生随机变异参数r 。 步骤7 ：由父体基因变异产生新基因p 。，。 步骤8 ：将新基因替代父体基因，产生新的染色体，并重复步骤3 7 ，直到 ，= 。为止。 1 5 3 遗传算法优化b p 神经网络初始化权值的优点 1 编码问题。对网络的权值进行进化计算，很容易想到直接采用网络的权值作 为染色体的编码方法，这种自然的表达方式抛开了烦琐的编码与解码，遗传计算直 接在问题空问进行，从而简化了操作过程。 2 遗传算子操作的对象。经典遗传算法的进化运算( 选择) 和遗传运算( 交叉 和变异) 都是针对染色体进行的。这里进化运算同样是针对染色体进行的，但是， 2 5 河北理i ：人学硕士学位论文 遗传运算却是针对染色体上的基因进行的，即网络权值矩阵的元索参与交叉和变异 运算。严格来讲，这里所构造的遗传算法与特定问题有关，已不再是标准的遗传算 法。 许多从事遗传算法应用研究的专家与学者，采用了更自然的表达方式，构造了 与特定问题有关的遗传算子，成功地解决了许多实际问题。这种遗传算法至少不再 是经典的遗传算法，美国学者m i c h s l e 、v i c z 称其为“遗传算法的演化程序”。 3 网络的误差曲面问题。虽然遗传算法不采用网络误差梯度下降的方法来修改 网络权值，但适应值是由网络误差来定义的，也就是说，遗传算法是按网络的误差 下降的趋势进化的。所以，遗传算法还是与网络的误差曲面问题紧密相关的。 本算法多数情况下能够搜索到使网络误差几乎为零的网络权值，所以说这里所 构造的算子是非常有效的。但是，能够提供高精度网络映射的权值无论在搜索路径 上，还是权值元素的取值上，差别都非常大，这说明网络的误差曲面上存在不止一 个全局最小值。一些文献对网络的误差曲面的特点作了全面的概括，其中重要的一 项就是“网络的误差曲面有很多全局最小解”。 4 约束空间问题。绝大多数实际优化问题都必须满足某些约束条件，而且，这 种约束机制贯穿于种群的初始化、交叉操作和变异操作的始终。是否能够保证子代 仍属于约束空间，是针对约束问题构造遗传算子首先要考虑的问题。与此相比，网 络权重进化问题应该属于无约束问题，因为输入层权重、隐层权重和输出层权重都 不存在取值空间的限制。 这种权重取值自由性的思想深入变异算子的构造原则之中，这里所构造的变异 算子不断地、任意地扩展原有的取值空间。 5 全局性搜索问题。全局搜索性是遗传算法最为突出的优点，也是评价遗传算 子性能的重要方面。变异算子或者在原有取值空间内随机地进行搜索，或者对原有 取值空间进行扩展搜索；算术交叉算子在不断扩展的取值空间内进行搜索，最终， 两种遗传算子能够完成很大空间的搜索。 从搜索的范围上来讲，两种算子在所扩展到的空间内进行全局性的搜索。正如 前面提到的那样，网络权值的取值是自由的，并没有取值空间的限制，这里强调 “很大的搜索空间”，而不使用“全局性”的提法。算法最终所能够达到的搜索范 围与初始权值取值空间和最大进化代数有关。 2 6 l文献综述及理论基础 对于真正的实际问题，遗传算法不可能达到如此高的搜索精度，更精确的局部 搜索还得留给b p 算法来完成。采用遗传算法来进化网络权值的目的是为了优化b p 神经网络的初始权值。 把遗传算法优化后的权值作为b p 神经网络的初始权值对网络进行训练，得到 网络的最优权值，用于预测高炉参数。 遗传算法优化b p 神经网络初始权值模型的流程图如图9 。 图9 遗传算法和b p 神经网络相结合模型的流程图 f i g 9 s k e t c hm 印o f t h em o d e lw h i c hb e do ng e n e t i ca l g o r i t h ma n db pa n i f i c i a ln e u r a ln e t w o r k 2 7 河北理i ：人学硕十学位论文 1 6 问题的提出 基于以上的理论分析，本论文力求做到以下工作： 1 建立b p 神经网络、遗传算法与b p 神经网络相结合的两种高炉焦比预报模 型，并通过神经网络模型的训练、预测以及相关的公式，找出影响焦比显著的因素 以及对焦比影响不大的因素，对模型进行优化，确定最合理的网络模型结构，然后 两种模型采用此模型结构分别用“固定式”和“修正式”两种预报模式对高炉焦比 进行预报，并对预报结果进行比较和分析。 2 建立b p 神经网络、遗传算法与b p 神经网络相结合的两种高炉硫含量预报模 型，采用“固定式”和“修正式”两种预报模式对高炉硫含量进行预报，并比较和 分析其预报结果。 3 建立b p 神经网络、遗传算法与b p 神经网络相结合的两种高炉硅含量预报模 型，采用“固定式”和“修正式”两种预报模式对高炉硅含量进行预报，并比较和 分析其预报结果。 一2 8 2 高炉焦比预报模型 2 高炉焦比预报模型 焦炭是高炉生产不可或缺的原料，但由于现在焦炭资源短缺，价格昂贵，消耗 量大，在高炉生产成本中占了很大比例，因此各大钢铁厂都将降低焦比作为作为减 少成本的重要手段。 焦比是指生产单位生铁所消耗的焦炭量，是高炉生产过程中最重要的技术经济 指标之一，又是高炉生产效率和能量消耗的集中体现，还是焦比是影响高炉顺行和 稳定的重要因素，也是实际生产中需要预测并进行控制的目标之一。在实际生产过 程中，焦比的预测主要是依靠现场操作人员的经验和一些数学或经验的模型来实 现。但是影响焦比的因素很多，如：风温、风量、炉顶煤气温度、矿石品位等，加