基于多目标微粒群的转炉合金加入量优化研究

【摘要】： 转炉炼钢过程中,出钢时的脱氧合金化作为最后环节,决定吹炼成败。确定合金加入量是该过程的主要控制手段,其目的是使钢包中各个元素含量达到生产规程要求的同时尽量降低合金成本,因此,合金加入量优化模型的建立是十分必要的。传统优化算法计算复杂,难以处理复杂的目标函数,因此,所建模型难以满足脱氧合金化过程复杂的实际生产的需要。针对上述问题,本文利用改进的动态邻域多目标微粒群算法(Dynamic Neighborhood Multi-objective Particle Swarm Optimization, DN-MOPSO),建立转炉合金加入量优化模型。 由于出钢过程对优化算法实时性和解集质量具有较高要求,本文对动态邻域多目标微粒群的收敛速度和优化解集的质量进行改进,使其更适用于合金加入量优化模型。首先,针对原始动态邻域多目标微粒群的收敛速度慢、解集完备性差的不足,提出扩展外部存储解集,并结合改进的邻域选择策略,以提高动态邻域多目标微粒群算法优化速度,同时获得完备的优化解集；此外,针对动态邻域多目标微粒群算法的优化解集分布不均的问题,引入基于自适应网格的解集维护方法,使算法能够得到分布均匀、具有较好多样性的优化解集,为决策者提供更全面的解决方案；最后,将改进后的动态邻域多目标微粒群算法应用于转炉合金加入量优化模型,利用钢厂实际生产数据进行仿真,验证了改进算法的优良性能和合金加入量优化模型的有效性。本文方法对转炉炼钢实际生产具有一定的指导意义。