基于遗传算法的板坯连铸二冷配水优化方法

为提高板坯高效连铸二冷水的动态控制水平,在满足生产实时性要求的传热模型基础上,引入遗传算法对二冷区各段水量进行编码,并根据板坯连铸配水所遵循的冶金准则确定多目标优化的适应度函数,该遗传算法与冶金准则、传热模型集成的优化配水方法避免了经验方法的适应性不足,改进了传统优化方法在解决多目标优化非线性求解时搜索效率低下的问题.从攀钢炼钢厂板坯连铸过程的仿真计算和现场测试结果可以看出,优化后的配水方案较优化前相比,水量可节约2%,同时配水沿着拉坯方向水量逐渐递减,符合铸坯质量控制的要求.     

基于混沌粒子群算法的连铸传热模型参数辨识

针对连铸传热模型参数辨识问题中包含偏微分方程所带来的复杂性和非线性,提出采用混沌粒子群算法进行优化求解,依据不同位置射钉测量坯壳厚度和二冷外测量铸坯表面温度相结合,优化确定了二冷换热系数和有效导热系数相应参数.最后通过在线计算铸坯表面温度与二冷出口铸坯表面测温比较,结果偏差小于13℃,验证了辨识参数的可靠性.校验后的模型成功应用于连铸机的二冷配水优化和动态控制.     

连铸坯铸造工艺研究现状

随着连铸技术的发展,提高连铸坯产量和质量成为连铸技术研究的主要问题之一.连铸由于其生产成本低、工作效率高、操作灵活以及高质量等优点在全世界的钢铁行业中都得到了迅速发展.近几年,高效连铸成为连铸发展的一个主要趋势.温度在铸坯凝固传热过程中备受关注,它关系着铸坯的质量和产量,决定高效连铸能否顺利进行.由于铸坯产品的质量与铸坯凝固过程密切相关,而连铸坯的凝固基本上是在二次冷却区内完成的,所以研究二冷热传输过程对了解铸坯凝固行为和保证铸坯质量也具有重要的意义.     

混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合，在蚁群搜索完成后，利用混沌进行细搜索，以提高搜索精度，避免陷入局部最小点．将其用于线性回归分析，仿真结果表明，混沌蚁群算法能够有效地解决回归分析问题，为回归问题提供了一个新的解决方法．     

基于蚁群算法的连铸二冷优化

连铸二次冷却水量是影响铸坯质量的关键因素之一.为使二冷区内各冷却段间的铸坯表面温度冷却速率和温度回升速率更加趋于合理,减少诱发铸坯产生内部裂纹和表面裂纹的应力因素,根据冶金准则对目标表面温度、矫直点温度、表面最大冷却速率和表面温度回升速率、液芯长度、铸坯的鼓肚等的要求及设备约束条件建立连铸二冷优化模型,并利用蚁群算法对连铸二次冷却水量进行优化,达到提高连铸坯产品质量的目的.     

板坯连铸二冷配水及通用软件的开发

论述了板坯连铸二次冷却技术研究的进展,针对板坯连铸工艺及钢水凝固过程,建立了板坯凝固传热通用数学仿真模型。按照连铸工艺要求及铸坯质量准则,应用VB6.0开发了板坯连铸二次冷却计算机通用仿真软件。通过软件的模拟仿真计算,对连铸工艺参数进行优化设计。软件界面直观友好,准确度高。     

板坯连铸二冷配水及通用软件的开发

论述了板坯连铸二次冷却技术研究的进展,针对板坯连铸工艺及钢水凝固过程,建立了板坯凝固传热通用数学仿真模型。按照连铸工艺要求及铸坯质量准则,应用VB6.0开发了板坯连铸二次冷却计算机通用仿真软件。通过软件的模拟仿真计算,对连铸工艺参数进行优化设计。软件界面直观友好,准确度高。     

基于有限元法异型坯动态二冷控制模型开发与应用

建立了异型坯连铸凝固传热数学模型,并利用有限元法进行离散求解.在此基础上开发了异型坯连铸动态二冷控制模型,模型以5s为周期动态计算整个铸坯实时温度场,并采用有效拉速和表面目标温度法对二冷水量进行设定和优化.用可视化编程工具Visual C++6.0编制了异型坯连铸动态二冷控制系统.在相同工况情况下,动态二冷控制系统仿真结果与大型商业软件Marc计算结果一致,可用于在线控制或异型坯连铸二冷工艺离线设计优化.     

连铸二冷节水增效多目标优化模型

在蚁群算法中采用节点选择优化策略,减少算法中的节点选择次数,并通过对筛选候选节点减少单个蚂蚁选择节点的计算量,提高蚁群算法的执行效率.在冶金准则、设备约束条件确定的板坯连铸优化模型中,加入节水模型、拉速优化模型,形成新的板坯连铸二次冷却多目标优化模型.并利用改进的蚁群算法对板坯连铸二次冷却进行优化,达到在保证连铸坯质量的前提下,提高生产效率、节约二冷用水的目的.     

基于改进多目标遗传算法的连铸二冷过程优化

采用一种改进的多目标遗传算法对二冷工艺进行优化.改进的多目标遗传算法应用概率法选取选择算子，根据适应度值来动态计算交叉和变异概率，能够得到更好的全局最优解，提高算法精度和整体性能.在基于凝固传热模型的二冷优化过程中，采用变间距差分法离散求解传热方程，对比粒子群算法、多目标遗传算法，改进的多目标遗传算法搜索效率高，得到的价值函数最小.在实际生产中，采用优化后的二冷工艺，使得总用水量减少约10%，提高了铸坯质量，达到了节能降耗的要求.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解。算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计。     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

基于动态参数蚁群算法的寻源导热反问题研究

基于蚁群优化算法,求解含有未知内热源位置的导热逆问题.通过分析计算表明:信息素启发因子、能见度启发因子、信息素挥发率等蚁群参数对蚁群选择路径以及路径上信息素浓度更新有直接影响,其取值最终会影响求解结果的准确性及收敛速度.在计算过程中,路径上的信息素浓度不断改变,蚂蚁选择路径也趋于集中,采用定值蚁群参数不能满足在整个计算过程中都具有良好的性能,为此提出了动态参数蚁群算法,并根据计算分析结果确定蚁群参数值随全局循环次数而变的动态函数.计算结果证明,采用动态参数蚁群算法能有效提高求解反问题的质量及收敛速度.     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验,结果表明,改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.