摘  要： 為提高計算機(jī)燒結(jié)配料的自適應(yīng)性和通用性，提出了基于改進(jìn)粒子群算法優(yōu)化求解的方法。該方法采用柯西分布函數(shù)演化而來的調(diào)整函數(shù)，根據(jù)迭代次數(shù)慣性權(quán)重動態(tài)調(diào)整，對粒子群算法的全局和局部搜索能力進(jìn)行平衡調(diào)整，使算法初期有較快的收斂速度，后期又保持較高的尋優(yōu)精度，從而提高了粒子群算法的全局和局部搜索能力。仿真結(jié)果表明，所提出的改進(jìn)粒子群算法收斂速度快、精度高、具有較強(qiáng)的全局尋優(yōu)能力,能有效降低鋼鐵企業(yè)燒結(jié)成本，為實際工程應(yīng)用提供了一個新思路。
關(guān)鍵詞： 粒子群算法；燒結(jié)；優(yōu)化；慣性權(quán)重；仿真

    在市場經(jīng)濟(jì)的推動下，現(xiàn)代鋼鐵生產(chǎn)成本和經(jīng)濟(jì)效益的矛盾十分突出，對于各大鋼鐵企業(yè)來說，降低成本、提高產(chǎn)品質(zhì)量已迫在眉睫。因此，單一礦種的燒結(jié)已經(jīng)難以滿足企業(yè)的要求，當(dāng)今大部分企業(yè)已經(jīng)采用幾種礦粉合理搭配進(jìn)行燒結(jié)，這樣既可以降低燒結(jié)成本，又能提高燒結(jié)礦質(zhì)量。尤其最近各大企業(yè)相繼增加進(jìn)口粉和外來鐵礦粉的用量，并且隨著進(jìn)口粉和外來粉種類增多，探討各種原料的合理配比已勢在必行[1]。


    算法描述如下：
    (1)初始化粒子群。確定種群大小、空間維數(shù)、各粒子的隨機(jī)位置和速度及最大迭代次數(shù)。
    (2)評價各計算粒子的適應(yīng)值。
    (3)對每個粒子xi，將其適應(yīng)值與其經(jīng)歷過的最好位置pi的適應(yīng)值作比較，如果較好，則將xi作為當(dāng)前的最好位置pi。
    (4)對每個粒子xi，將其適應(yīng)值與所有粒子經(jīng)歷過的最好位置pg的適應(yīng)值作比較，如果較好，則將其作為當(dāng)前所有粒子的最好位置pg。
    (5)每次迭代中，根據(jù)式(1)、式(2)對每個粒子的位置和速度進(jìn)行更新。
    (6)滿足最大迭代次數(shù)或全局最優(yōu)位置滿足預(yù)定精度要求則停止迭代，輸出全局最優(yōu)解，算法終止，否則跳轉(zhuǎn)步驟(2)繼續(xù)執(zhí)行。
2 粒子群算法改進(jìn)
    研究發(fā)現(xiàn)在算法的迭代過程中動態(tài)地調(diào)整慣性權(quán)重，可以改變搜索能力的強(qiáng)弱。慣性權(quán)重類似模擬退火中的溫度，較大的慣性權(quán)重有較好的全局收斂能力，而較小的慣性權(quán)重則有較強(qiáng)的局部收斂能力。因此，隨著迭代次數(shù)的增加，慣性權(quán)重應(yīng)不斷減少，從而使得粒子群算法在初期具有較強(qiáng)的全局收斂能力，而晚期具有較強(qiáng)的局部收斂能力。例如在參考文獻(xiàn)[5]中提出了線性遞減權(quán)重策略，慣性權(quán)重w滿足：
    

4 仿真計算
    根據(jù)以上數(shù)學(xué)模型，采用Matlab語言、粒子群算法和改進(jìn)的粒子群算法，分別編制燒結(jié)礦優(yōu)化配料計算程序，計算出的精鐵礦和粉礦需求量及成本如表3所示。其中方案1、方案2、方案3分別代表標(biāo)準(zhǔn)粒子群算法、線性遞減慣性權(quán)重改進(jìn)粒子群算法、本文改進(jìn)粒子群算法的仿真結(jié)果。

    運用改進(jìn)粒子群算法對鋼鐵燒結(jié)礦配料進(jìn)行優(yōu)化計算，計算機(jī)仿真結(jié)果表明符合實際工藝要求，通過與標(biāo)準(zhǔn)粒子群算法和線性遞減改進(jìn)粒子群算法的結(jié)果相比較，可看出本文提出的改進(jìn)粒子群算法具有更好的尋優(yōu)能力和更高的運算精度。由于粒子群算法在優(yōu)化實現(xiàn)的過程中，不需要對優(yōu)化問題的數(shù)學(xué)模型有過高的要求，避免了常規(guī)數(shù)學(xué)方法在求解過程中的復(fù)雜性，因此使用人員不需要具備過高、過深的數(shù)學(xué)理論知識，很適合工程技術(shù)人員使用。
參考文獻(xiàn)
[1] 梁中渝.煉鐵學(xué)[M].北京：冶金工業(yè)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] 張麗平.粒子群優(yōu)化算法的理論及實踐[D].杭州：浙江大學(xué)，2005.
[4] 張增強(qiáng)，黃馬壯.粒子群算法在計算機(jī)自動配棉優(yōu)化中的應(yīng)用[J].紡織學(xué)報，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] 宋永強(qiáng).改進(jìn)的粒子群優(yōu)化算法及其在石油性質(zhì)預(yù)測中的應(yīng)用[D].青島：中國石油大學(xué)，2008：15-18.
[7] 周品，趙新芬.Matlab數(shù)學(xué)建模與仿真[M].北京：國防工業(yè)出版社，2009：373-377.
[8] 李寧，鄒彤，孫德寶.基于粒子群的多目標(biāo)優(yōu)化算法[J].計算機(jī)工程與應(yīng)用，2005(23)：43-46.
[9] 黃玉明.重鋼燒結(jié)配礦優(yōu)化研究[D].重慶：重慶大學(xué)，2005.
[10] 周常立.燒結(jié)配料優(yōu)化方法及工業(yè)應(yīng)用[D].長沙：中南大學(xué)，2011.
[11] CIUPRINA G，LOAN D.Use of intelligent-particle swarm optimization in electromagnetics[J].IEEE Trans on Magnetics，2003，38(2)：1037-1040.