针对钢铁烧结中混合料粒度分布无法在线测量、难以实现混合制粒过程优化控制的问题,提出基于粒度分布评估函数(Evaluation model of granularity distribution,EMGD)的混合制粒优化控制算法.首先,根据烧结生产历史数据和混合料筛分实验...针对钢铁烧结中混合料粒度分布无法在线测量、难以实现混合制粒过程优化控制的问题,提出基于粒度分布评估函数(Evaluation model of granularity distribution,EMGD)的混合制粒优化控制算法.首先,根据烧结生产历史数据和混合料筛分实验数据建立粒度分布BP神经网络(BP neural network,BPNN)评估模型;然后,以该模型为目标函数,以制粒过程状态参数的边界为约束条件,采用粒子群算法(Particle swarms optimization,PSO)计算粒度分布优化值;最后建立基于BPNN的制粒水分设定模型,根据粒度分布优化值和当前配重实现水分优化控制.仿真实验和工业应用表明评估模型真实反映了粒度分布对料层透气性的影响;PSO-BP粒度分布优化控制算法对改善透气性、减少燃料损耗、稳顺烧结生产具有重要意义.展开更多
对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明.该算...对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明.该算法物理意义明确,用于基于密度的样本聚类时,计算简单快捷.能有效搜寻到数据样本空间的各个聚类中心.从而实现对数据样本的准确聚类.展开更多
文摘针对钢铁烧结中混合料粒度分布无法在线测量、难以实现混合制粒过程优化控制的问题,提出基于粒度分布评估函数(Evaluation model of granularity distribution,EMGD)的混合制粒优化控制算法.首先,根据烧结生产历史数据和混合料筛分实验数据建立粒度分布BP神经网络(BP neural network,BPNN)评估模型;然后,以该模型为目标函数,以制粒过程状态参数的边界为约束条件,采用粒子群算法(Particle swarms optimization,PSO)计算粒度分布优化值;最后建立基于BPNN的制粒水分设定模型,根据粒度分布优化值和当前配重实现水分优化控制.仿真实验和工业应用表明评估模型真实反映了粒度分布对料层透气性的影响;PSO-BP粒度分布优化控制算法对改善透气性、减少燃料损耗、稳顺烧结生产具有重要意义.
文摘对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明.该算法物理意义明确,用于基于密度的样本聚类时,计算简单快捷.能有效搜寻到数据样本空间的各个聚类中心.从而实现对数据样本的准确聚类.
