基于改进MOEA/D的钢铁多介质能源计划优化

针对多介质钢铁能源计划模型存在变量较多、约束复杂和模型求解难度高等问题，提出基于自适应邻域的改进MOEA/D(decomposition-based multi-objective evolutionary algorithm)实现多介质能源计划优化。考虑分时电价特性和煤气柜的缓冲作用，构建以最小化运行成本和总能耗的目标函数，设计能源介质供需和工序饱和度等模型约束；基于能源产耗规则的解码方法确定目标值，定义归一化的切比雪夫聚合函数和种群进化程度的自适应邻域更新，设计改进MOEA/D的能源计划优化算法。仿真对比实验验证了改进MOEA/D有效实现能源计划优化，提高解的收敛性，降低运行成本1.3%和能耗1.2%。     

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。