CN105302973A - 基于moea/d算法的铝电解生产优化方法 - Google Patents
基于moea/d算法的铝电解生产优化方法 Download PDFInfo
- Publication number
- CN105302973A CN105302973A CN201510750067.1A CN201510750067A CN105302973A CN 105302973 A CN105302973 A CN 105302973A CN 201510750067 A CN201510750067 A CN 201510750067A CN 105302973 A CN105302973 A CN 105302973A
- Authority
- CN
- China
- Prior art keywords
- moea
- algorithm
- aluminium
- optimization
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明提供了一种基于MOEA/D算法的铝电解生产优化方法,首先,利用BP神经网络对铝电解生产过程进行建模,然后,利用基于MOEA/D算法对生产过程模型进行优化,得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝耗能和全氟化物排放量。其中,MOEA/D算法将多目标优化分解为多个单目标优化子问题,其核心思想是获取一个子问题相邻的其他子问题信息,然后进行协同优化,极大地加快了多目标优化的优化速度。该方法确定了铝电解生产过程中工艺参数的最优值,有效提高了电流效率,减少了温室气体排放量,真正达到节能减排的目的。
Description
技术领域
本发明涉及最优控制领域,具体涉及一种基于MOEA/D算法的铝电解生产优化方法。
背景技术
环境友好型铝电解生产过程长期以来都是一个具有挑战性的问题。在电解铝工业中,最终目标是在电解槽平稳运行的基础上,提高电流效率、降低吨铝能耗以及减少全氟化物的排放量,然而这一目标是非常难以实现的,原因在于铝电解槽参数较多,参数间呈现出非线性、强耦合性,给铝电解生产过程建模带来了较大难度。BP神经网络具有很强的非线性映射能力,适用于解决非线性***建模问题,为铝电解生产过程建模提供了新的思路。MOEA/D算法是一种经典的多目标进化算法,其运算速度快、适应能力强、求解具有复杂PS的多目标问题时具有较高的性能因而被广泛应用于多个领域。
发明内容
本申请通过提供一种基于MOEA/D算法的铝电解生产优化方法,以解决现有技术中铝电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且严重污染环境的技术问题。
为解决上述技术问题,本申请采用以下技术方案予以实现:
一种基于MOEA/D算法的铝电解生产优化方法,其关键在于,包括如下步骤:
S1:统计铝电解生产过程中对电流效率、吨铝能耗和全氟化物排放量有影响的原始变量,并从中确定对电流效率、吨铝能耗和全氟化物排放量影响大的参数作为决策变量X;
S2:采集时间T内的决策变量X及其对应的电流效率、吨铝能耗和全氟化物排放量Y的样本,得到样本矩阵,利用BP神经网络进行训练、检验,建立铝电解生产过程模型;
S3:利用基于MOEA/D算法对生产过程模型进行优化,得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝能耗和全氟化物排放量;MOEA/D算法对生产过程模型进行优化的具体步骤包括:
S31:初始化;
S311:将待优化的多个目标分解为N个单目标,并对每个单目标赋予权重(λ1,λ2,…λN);
S312:计算任意两个权重的欧氏距离,对于每个i=1,2,…N,令B(i)={i1,i2,…iT},则是离λi最近的T个权重;
S313:初始化种群x1,...xN,初始化目标函数最佳值z=(z1,...zm)T,zi=min{fi(x1),...fi(xN)},设置外部存档EP为空;
S32:对单个待优化目标最优值进行重复计算,每次产生的新向量都会更加接近多目标优化的最优值;
S321:从B(i)中随机选取两个序列号为k,l子向量,运用遗传算子有xk,xl产生一个新的解y,并对y运用基于测试问题的修复和改进启发产生y';
S322:更新z:对于j=1,...m,如果zi<fj(y'),则令zi=fj(y');
S323:更新邻域解:对于j∈B(i),如果gte(y'/λj,z)≤gte(xj/λj,z),则令xj=y',FVj=F(yj),其中gte(x/λj,z)表示第j个子问题的目标函数,利用切比雪夫法将多目标优化分解为N个标量优化子问题,具体表达式为:FV为x的目标函数,FVi=F(xi),FVi是xi的F值;
S324:更新EP,从EP中移出所有被F(y')支配的向量,加入所有不被支配的F(y');
S33:判断EP中的值是否满足条件,如果满足,则输出EP值,如果不满足,则返回S32。
进一步地,步骤S2中Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,S为训练样本个数,
为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出;
步骤S2中建立铝电解生产过程模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算BP神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
作为一种优选的技术方案,步骤S1中的决策变量包括:系列电流、正常下料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。
作为一种优选的技术方案,最大迭代次数g为800次。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:该方法确定了铝电解生产过程中工艺参数的最优值,有效提高了电流效率,减少了温室气体排放量,真正达到节能减排的目的。
附图说明
图1为基于MOEA/D算法的铝电解生产优化方法流程图;
图2为CF4排放量预测结果图;
图3为CF4排放量预测误差图;
图4为电流效率预测结果图;
图5为电流效率预测误差图;
图6为吨铝能耗预测结果图;
图7为吨铝能耗预测误差图。
具体实施方式
本申请实施例通过提供一种基于MOEA/D算法的铝电解生产优化方法,以解决现有技术中铝电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且严重污染环境的技术问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例
如图1所示,一种基于MOEA/D算法的铝电解生产优化方法,其特征在于,包括如下步骤:
S1:统计铝电解生产过程中对电流效率、吨铝能耗和全氟化物排放量有影响的原始变量,并从中确定对电流效率、吨铝能耗和全氟化物排放量影响大的参数作为决策变量X;
通过对实际工业生产过程中测量参数进行统计得到对电流效率y1和温室气体排放量y2影响最大的变量为:系列电流x1、正常下料次数x2、分子比x3、出铝量x4、铝水平x5、电解质水平x6、槽温x7、槽电压x8共8个变量。
S2:采集时间T内的决策变量X及其对应的电流效率、吨铝能耗和全氟化物排放量Y的样本,得到样本矩阵,利用BP神经网络进行训练、检验,建立铝电解生产过程模型;
在本实施例中,采集重庆天泰铝业有限公司170KA系列电解槽中的223#槽2013年全年生产数据以及2014年前40天数据,共计405组数据,数据样本如下表1所示。
表1数据样本
设置Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,N为训练样本个数,
为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出,迭代次数g取800;
步骤S2中建立铝电解生产过程模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算BP神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值,计算公式为: 式中,η为学习效率;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
在神经网络设计中,隐层节点数的多少是决定神经网络模型好坏的关键,也是神经网络设计中的难点,这里采用试凑法来确定隐层的节点数。
式中,p为隐层神经元节点数,n为输入层神经元数,m为输出层神经元数,k为1-10之间的常数。BP神经网络的设置参数如下表2所示。
表2BP神经设置参数
通过上述过程,可得到BP神经网络预测效果如图2、3、4、5、6、7所示。铝电解生产过程优化的基础是优化模型的建立,模型精度直接影响优化结果。通过对图2、3、4、5、6、7分析可知,经BP神经网络训练,四氟化碳CF4排放量预测误差为2.3%,电流效率的最大预测误差为-3%,吨铝能耗预测误差为-4.9%,,模型预测精度高,满足建模要求。
在铝电解生产过程模型的基础上,利用MOEA/D算法在各决策变量范围内对其进行优化,得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝能耗和全氟化物排放量,各决策变量具体变化范围如表3所示。
表3各变量取值范围
S31:初始化;S311:将待优化的多个目标分解为N个单目标,并对每个单目标赋予权重(λ1,λ2,…λN);
S312:计算任意两个权重的欧氏距离,对于每个i=1,2,…N,令B(i)={i1,i2,…iT},则是离λi最近的T个权重;
S313:初始化种群x1,...xN,初始化目标函数最佳值z=(z1,...zm)T,zi=min{fi(x1),...fi(xN)},设置外部存档EP为空;
初始化的参数主要包括:初始种群个体数O=100,参考点CK=10,最大遗传代数MAXGEN=100,交叉概率Pr=0.7,变异概率Pm=0.1,外部精英集规模K=100。
S32:对单个待优化目标最优值进行重复计算,每次产生的新向量都会更加接近多目标优化的最优值;
S321:从B(i)中随机选取两个序列号为k,l子向量,运用遗传算子有xk,xl产生一个新的解y,并对y运用基于测试问题的修复和改进启发产生y';
S322:更新z:对于j=1,...m,如果zi<fj(y'),则令zi=fj(y');
S323:更新邻域解:对于j∈B(i),如果gte(y'/λj,z)≤gte(xj/λj,z),则令xj=y',FVj=F(yj),其中gte(x/λj,z)表示第j个子问题的目标函数,利用切比雪夫法将多目标优化分解为N个标量优化子问题,具体表达式为:FV为x的目标函数,FVi=F(xi),FVi是xi的F值;
S324:更新EP,从EP中移出所有被F(y')支配的向量,加入所有不被支配的F(y');
S33:判断EP中的值是否满足条件,如果满足,则输出EP值,如果不满足,则返回S32。
通过上述步骤对铝电解生产过程进行优化可得100组最优的决策变量与对应的输出值,选取其中最合理的3组列于下表4中。
表4最佳生产参数
对比其中最佳运行参数与2013年全年记录的平均值可知,电流效率提高了1.02%、吨铝能耗降低了617.59KWh/t-A1、CF4排放量降低了0.39kg。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:该方法确定了铝电解生产过程中工艺参数的最优值,有效提高了电流效率,降低了吨铝能耗,减少了温室气体排放量,真正达到节能减排的目的。
本申请的上述实施例中,通过提供一种基于MOEA/D算法的铝电解生产优化方法,首先,利用BP神经网络对铝电解生产过程进行建模,然后,利用基于MOEA/D算法对生产过程模型进行优化,得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝耗能和全氟化物排放量。其中,MOEA/D算法将多目标优化分解为多个单目标优化子问题,其核心思想是获取一个子问题相邻的其他子问题信息,然后进行协同优化,极大地加快了多目标优化的优化速度。该方法确定了铝电解生产过程中工艺参数的最优值,有效提高了电流效率,降低了吨铝能耗,减少了温室气体排放量,真正达到节能减排的目的。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于MOEA/D算法的铝电解生产优化方法,其特征在于,包括如下步骤:
S1:统计铝电解生产过程中对电流效率、吨铝能耗和全氟化物排放量有影响的原始变量,并从中确定对电流效率、吨铝能耗和全氟化物排放量影响大的参数作为决策变量X;
S2:采集时间T内的决策变量X及其对应的电流效率、吨铝能耗和全氟化物排放量Y的样本,得到样本矩阵,利用BP神经网络进行训练、检验,建立铝电解生产过程模型;
S3:利用基于MOEA/D算法对生产过程模型进行优化,得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝能耗和全氟化物排放量;MOEA/D算法对生产过程模型进行优化的具体步骤包括:
S31:初始化;
S311:将待优化的多个目标分解为N个单目标,并对每个单目标赋予权重(λ1,λ2,…λN);
S312:计算任意两个权重的欧式距离,对于每个i=1,2,…N,令B(i)={i1,i2,…iT},则是离λi最近的T个权重;
S313:初始化种群初始化目标函数最佳值z=(z1,...zm)T,zi=min{fi(x1),...fi(xN)},设置外部存档EP为空;
S32:对单个待优化目标最优值进行重复计算,每次产生的新向量都会更加接近多目标优化的最优值;
S321:从B(i)中随机选取两个序列号为k,l子向量,运用遗传算子有xk,xl产生一个新的解y,并对y运用基于测试问题的修复和改进启发产生y';
S322:更新z:对于j=1,...m,如果zi<fj(y'),则令zi=fj(y');
S323:更新邻域解:对于j∈B(i),如果gte(y'/λj,z)≤gte(xj/λj,z),则令xj=y',FVj=F(yj),其中gte(x/λj,z)表示第j个子问题的目标函数,利用切比雪夫法将多目标优化分解为N个标量优化子问题,具体表达式为: FV为x的目标函数,FVi=F(xi),FVi是xi的F值;
S324:更新EP,从EP中移出所有被F(y')支配的向量,加入所有不被支配的F(y');
S33:判断EP中的值是否满足条件,如果满足,则输出EP值,如果不满足,则返回S32。
2.根据权利要求1所述的基于MOEA/D算法的铝电解生产优化方法,其特征在于,步骤S2中Xk=[xk1,xk2,…,xkM](k=1,2,…,S)为输入矢量,S为训练样本个数,
为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,Yk(g)=[yk1(g),yk2(g),…,ykP(g)](k=1,2,…,S)为第g次迭代时网络的实际输出,dk=[dk1,dk2,…,dkP](k=1,2,…,S)为期望输出;
步骤S2中建立铝电解生产过程模型具体包括如下步骤:
S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)一个(0,1)区间的随机值;
S22:随机输入样本Xk;
S23:对输入样本Xk,前向计算BP神经网络每层神经元的输入信号和输出信号;
S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);
S25:判断误差E(g)是否满足要求,如不满足,则进入步骤S26,如满足,则进入步骤S29;
S26:判断迭代次数g+1是否大于最大迭代次数,如大于,则进入步骤S29,否则,进入步骤S27;
S27:对输入样本Xk反向计算每层神经元的局部梯度δ;
S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;
S29:判断是否完成所有的训练样本,如果是,则完成建模,否则,继续跳转至步骤S22。
3.根据权利要求1所述的基于MOEA/D算法的铝电解生产优化方法,其特征在于,步骤S1中的决策变量包括:系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。
4.根据权利要求2所述的基于MOEA/D算法的铝电解生产优化方法,其特征在于,最大迭代次数g为800次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510750067.1A CN105302973A (zh) | 2015-11-06 | 2015-11-06 | 基于moea/d算法的铝电解生产优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510750067.1A CN105302973A (zh) | 2015-11-06 | 2015-11-06 | 基于moea/d算法的铝电解生产优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105302973A true CN105302973A (zh) | 2016-02-03 |
Family
ID=55200241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510750067.1A Pending CN105302973A (zh) | 2015-11-06 | 2015-11-06 | 基于moea/d算法的铝电解生产优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105302973A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及*** |
CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及*** |
CN107274392A (zh) * | 2017-06-09 | 2017-10-20 | 西安电子科技大学 | 基于深信度网络的多目标优化sar图像变化检测方法 |
CN107464022A (zh) * | 2017-08-11 | 2017-12-12 | 同济大学 | 一种基于分解多目标进化算法的选址优化方法 |
CN107748937A (zh) * | 2017-11-03 | 2018-03-02 | 哈尔滨工业大学 | 一种基于moead的比例区间偏好引导多目标决策优化方法 |
CN108363303A (zh) * | 2018-03-09 | 2018-08-03 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN109472361A (zh) * | 2018-11-13 | 2019-03-15 | 钟祥博谦信息科技有限公司 | 神经网络优化方法 |
CN111143947A (zh) * | 2019-11-26 | 2020-05-12 | 成都承奥科技有限公司 | 一种指尖密封性能优化方法 |
CN111910217A (zh) * | 2020-08-24 | 2020-11-10 | 常州机电职业技术学院 | 高效铝电解生产智能控制*** |
CN111996558A (zh) * | 2020-08-24 | 2020-11-27 | 常州机电职业技术学院 | 铝电解生产工艺参数设定方法 |
CN116779062A (zh) * | 2023-06-14 | 2023-09-19 | 东北大学 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2104334C1 (ru) * | 1996-06-21 | 1998-02-10 | Открытое акционерное общество "Красноярский алюминиевый завод" | Способ эксплуатации алюминиевых электролизеров |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
-
2015
- 2015-11-06 CN CN201510750067.1A patent/CN105302973A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2104334C1 (ru) * | 1996-06-21 | 1998-02-10 | Открытое акционерное общество "Красноярский алюминиевый завод" | Способ эксплуатации алюминиевых электролизеров |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
Non-Patent Citations (6)
Title |
---|
姚立忠: "复杂工业过程动态演化建模与决策参数稳健优化", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
李明杰: "多目标优化及其决策方法在铜电解***中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
王华: "侧插槽电解铝时多目标优化数学模型", 《轻金属》 * |
谭艳艳: "几种改进的分解类多目标进化算法及其应用", 《中国博士学位论文全文数据库信息科技辑》 * |
郭俊 等: "改进差分进化算法在铝电解多目标优化中的应用", 《中南大学学报自然科学版》 * |
郭俊等: "铝电解生产过程的多目标优化", 《中南大学学报(自然科学版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106472332B (zh) * | 2016-10-10 | 2019-05-10 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及*** |
CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及*** |
CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及*** |
CN107274392A (zh) * | 2017-06-09 | 2017-10-20 | 西安电子科技大学 | 基于深信度网络的多目标优化sar图像变化检测方法 |
CN107274392B (zh) * | 2017-06-09 | 2019-10-08 | 西安电子科技大学 | 基于深信度网络的多目标优化sar图像变化检测方法 |
CN107464022A (zh) * | 2017-08-11 | 2017-12-12 | 同济大学 | 一种基于分解多目标进化算法的选址优化方法 |
CN107748937A (zh) * | 2017-11-03 | 2018-03-02 | 哈尔滨工业大学 | 一种基于moead的比例区间偏好引导多目标决策优化方法 |
CN107748937B (zh) * | 2017-11-03 | 2021-08-13 | 哈尔滨工业大学 | 一种基于moead的比例区间偏好引导多目标决策优化方法 |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN108363303A (zh) * | 2018-03-09 | 2018-08-03 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN108363303B (zh) * | 2018-03-09 | 2020-09-04 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN109086469B (zh) * | 2018-03-09 | 2022-11-11 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN109472361A (zh) * | 2018-11-13 | 2019-03-15 | 钟祥博谦信息科技有限公司 | 神经网络优化方法 |
CN109472361B (zh) * | 2018-11-13 | 2020-08-28 | 钟祥博谦信息科技有限公司 | 神经网络优化方法 |
CN111143947A (zh) * | 2019-11-26 | 2020-05-12 | 成都承奥科技有限公司 | 一种指尖密封性能优化方法 |
CN111910217A (zh) * | 2020-08-24 | 2020-11-10 | 常州机电职业技术学院 | 高效铝电解生产智能控制*** |
CN111996558A (zh) * | 2020-08-24 | 2020-11-27 | 常州机电职业技术学院 | 铝电解生产工艺参数设定方法 |
CN111996558B (zh) * | 2020-08-24 | 2021-06-25 | 常州机电职业技术学院 | 铝电解生产工艺参数设定方法 |
CN116779062A (zh) * | 2023-06-14 | 2023-09-19 | 东北大学 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
Ding et al. | Forecasting Chinese CO2 emissions from fuel combustion using a novel grey multivariable model | |
CN105447567A (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN107679671A (zh) | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 | |
Zhang et al. | Local parameter optimization of LSSVM for industrial soft sensing with big data and cloud implementation | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN101782743A (zh) | 神经网络建模方法及*** | |
CN109085752B (zh) | 基于角度支配关系的铝电解偏好多目标优化算法 | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN112766608B (zh) | 一种基于极限学习机的水泥磨***电耗指标预测方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
CN108445756B (zh) | 基于ar支配关系的铝电解节能减排智能控制方法 | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN105404142A (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
Yüzgeç | Performance comparison of differential evolution techniques on optimization of feeding profile for an industrial scale baker’s yeast fermentation process | |
CN114429248A (zh) | 一种变压器视在功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160203 |
|
RJ01 | Rejection of invention patent application after publication |