[发明专利]一种基于改进粒子群算法的陶瓷辊道窑工艺参数优化方法

权利要求书

1.一种基于改进粒子群算法的陶瓷辊道窑工艺参数优化方法，其特征在于，包括以下步骤：

S1：建立陶瓷坯体的质量模型；

在步骤S1中，采用神经网络进行拟合得到陶瓷坯体的质量模型；

神经网络的输入变量包括天然气流量助燃风流量和助燃风温度T_air，神经网络的输出变量包括陶瓷温差ΔT和出窑温度T；则神经网络所建立的质量模型为：

其中，γ为空气过剩系数；

S2：根据质量模型，建立陶瓷辊道窑损失优化目标函数；

在步骤S2中，具体包括以下步骤：

S2.1：根据质量模型，建立具有陶瓷坯体质量约束的陶瓷辊道窑优化模型，得到约束优化问题；

S2.2：采用外点法中的非死刑法将约束优化问题转变为无约束优化问题；

S2.3：确定损失优化目标的决策变量包括：天然气流量空气过剩系数γ和助燃风温度T_air；

S2.4：建立陶瓷辊道窑损失优化目标函数为：

其中，

E_f为天然气化学E_yq为温度最高时烟气为燃料的标准高热值，c_yq为排烟气体体积定压热容，V_yq为1m³天然气实际烟气量，T_h为天然气燃烧后烟气的最高温度，为1m³天然气理论的烟气量，为理论助燃空气量，为氢气的体积含量，m为燃料中第i种烷烃类的碳原子数，n为燃料中第i种烷烃类的氢原子数，为1m³天然气中烷烃类的体积含量；

S3：对现有的粒子群算法进行改进并引入跳变率Jr，得到一般化反向无参数粒子群算法；

S4：采用一般化反向无参数粒子群算法求解优化目标函数，得到优化后的工艺参数；

在步骤S3中，包括以下步骤：

S3.1：基于反向学习对现有的粒子群算法进行改进，得到反向粒子群算法；

S3.2：基于一般化反向学习对反向粒子群算法进行改进，得到一般化反向粒子群算法；

S3.3：引入跳变率Jr，使优化计算每隔几代才进行一次个体的适应度评价；

S3.4：结合无参数粒子群算法对引入跳变率的一般化反向粒子群算法进行改进，得到一般化反向无参数粒子群算法；

在步骤S3.1中，反向粒子群算法为：

假设粒子x定义在域[a,b]上并且该域的中心是c，即：

x∈[a,b],其中a＜b,c＝(a+b)/2

则x的反射反向定义为x_o1：

x_o1＝a+b-x；

将x扩展到n维向量上，即x_i定义在[a_i,b_i]上，并且x_i的所在域的中心是c_i，则x的反射反向定义为：

x′_o1＝[x_o1,1,x_o1,2,…,x_o1,i,…,x_o1,n]

x_o1,i＝a_i+b_i-x_ii∈[1,n]；

在步骤S3.2中，一般化反向粒子群算法为：

假设粒子有D维，将反向粒子定义为：

x″_o1,i＝k·(a_i+b_i)-x_ii∈[1,D]

此时粒子中心位置为:

同时将动态边界[a_j(t),b_j(t)]转换成固定边界[a,b]；

其中，k是介于0到1之间均匀分布的随机数，a_j(t)＝min(x_ij(t))，b_j(t)＝max(x_ij(t))，ij表示第i个粒子的第j个维度；

还包括为了防止一般化反向粒子跳出可行解边界，对一般化反向粒子做出以下限制:

其中，函数rand()为随机函数；

在步骤S3.4中，一般化反向无参数粒子群算法为：

假设有N个粒子存在于维度为D的邻域中，粒子在该邻域内的最优位置是当前的全局最优位置是

S3.4.1：利用局部拓扑，使用环形拓扑且领域数为2，采用邻域内粒子的最优位置改变当前种群中每个粒子的速度以及位移：

v_i(t+1)＝v_i(t)+r₁(p_b-x_i(t))+r₂(p_lbest-x_i(t))

其中，v_i(t+1)为种群中每个粒子在时刻t+1的速度；v_i(t)为种群中每个粒子在时刻t的速度；x_i(t)为种群中每个粒子在时刻t的位移；p_b＝(p_b1，p_b2，...，p_bD)为粒子i搜索到的个体最优位置，r₁、r₂都是属于在[0,1]区间的随机数；

S3.4.2：引入二次插值更新当前种群全局最优粒子的位置：

其中，x′₁和x′₂分别是指x_j、x_k所对应的位置，x_j、x_k是在种群中随机选择的两个粒子，且x_gbest、x_j和x_k是三个不相同的粒子，函数f()是二次插值函数。

2.根据权利要求1所述的一种基于改进粒子群算法的陶瓷辊道窑工艺参数优化方法，其特征在于，跳变率Jr取0.3控制反向学习过程。