一种基于NSGA-II算法的烧结配料多目标优化方法、装置及设备与流程

技术特征：
1.一种基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，包括：根据烧结配料的品种和配比因素，确定决策变量和约束条件；根据烧结矿的优化目标，建立所述优化目标对应的目标函数；根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；根据预设迭代终止条件，利用nsga
‑
ii算法对所述多目标优化模型进行求解，得到帕累托最优解集。2.根据权利要求1所述的基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，所述决策变量包括：含铁粉料配比、烧结燃料配比和烧结溶剂配比。3.根据权利要求2所述的基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，所述约束条件为：所述约束条件为：所述约束条件为：所述约束条件为：所述约束条件为：式中，x
i
代表第i种含铁粉料配比，x代表含铁粉料的种类集合，l代表含铁粉料的种类数量，y
j
代表第j种烧结燃料配比，y代表烧结燃料的种类集合，m代表烧结燃料的种类数量，z
k
代表第k种烧结溶剂配比，z代表烧结溶剂的种类集合，n代表烧结溶剂的种类数量。4.根据权利要求3所述的基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，所述烧结矿的优化目标包括：生铁成本、烧结成本、高炉焦比、烧结矿冶金价值、高炉系数和烧结矿全铁。5.根据权利要求4所述的基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，所述目标函数为：f(1)＝cal_ironcostperton(x,y,z)；f(2)＝cal_sintercost(x,y,z)；f(3)＝cal_forecastcokeratio(x,y,z)；f(4)＝cal_sintermetlluvalue(x,y,z)；f(5)＝cal_forecastcoefficient(x,y,z)；f(6)＝cal_ratiotfe(x,y,z)；所述多目标优化模型的函数表达式为：
式中，f(1)代表生铁成本，f(2)代表烧结成本，f(3)代表高炉焦比，f(4)代表烧结矿冶金价值，f(5)代表高炉系数，f(6)代表烧结矿全铁。6.根据权利要求1所述的基于nsga
‑
ii算法的烧结配料多目标优化方法，其特征在于，所述根据预设迭代终止条件，利用nsga
‑
ii算法对所述多目标优化模型进行求解，得到帕累托最优解集，包括：随机产生规模为n的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，确定每个个体的非支配排序等级，并对同一支配排序等级的个体利用拥挤度比较算子进行拥挤度计算，确定每个个体的拥挤度大小，根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群；利用精英策略选择前后两代中更精英的个体，并通过遗传算法的基本操作产生新的子代种群；根据预设迭代终止条件，当子代种群数达到最大子代数时输出遗传算法迭代，得到帕累托最优解集。7.根据权利要求6所述的基于nsga
‑
ii算法的烧结配料多目标优化系统，其特征在于，所述根据所述非支配排序等级以及所述个体的拥挤度大小选取个体，组成新的父代种群，包括：根据所述非支配排序等级按照降序等级依次保留个体，并根据所述个体的拥挤度大小选取拥挤度大的个体，组成新的父代种群。8.一种基于nsga
‑
ii算法的烧结配料多目标优化装置，其特征在于，包括：确定模块，用于根据烧结配料的品种和配比因素，确定决策变量和约束条件；建立模块，用于根据烧结矿的优化目标，建立所述优化目标对应的目标函数；构建模块，用于根据所述决策变量和约束条件以及所述目标函数，构建多目标优化模型；求解模块，用于根据预设迭代终止条件，利用nsga
‑
ii算法对所述多目标优化模型进行求解，得到帕累托最优解集。9.一种基于nsga
‑
ii算法的烧结配料多目标优化设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的基于nsga
‑
ii算法的烧结配料多目标优化方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的基于nsga
‑
ii
算法的烧结配料多目标优化方法的步骤。

技术总结
本发明公开了一种基于NSGA


技术研发人员：肖春江 陈禹 肖扬
受保护的技术使用者：江苏省镔鑫钢铁集团有限公司
技术研发日：2021.06.21
技术公布日：2021/11/8