·286· 北京科技大学学报 2003年第3期 浓度调节机制，定义为： 动阈值法建立的优化方程 BY ga(X)=1+aln(1+D) (5) 优化变量为高炉的原料燃料条件（包栝炉料 g()为抗体j的原适应度函数，>0，具体根据待 配比、煤粉喷吹等)、鼓风常数、高炉煤气、炉渣成 解决问题和经验来定.从式（⑤）可以看出，抗体原 分、产品质量参数等可能影响到冶炼焦比的 适应度越大，则复制选择概率越大，抗体浓度越 变量.状态变量为高炉炉型、操作水平、入炉炉料 高，则选择概率越小.这样既保留了优秀个体，又 特性参数等.模型的约束条件有平衡约束、工艺 可减少相似抗体的选择，确保个体的多样性. 约束和条件约束.用罚函数法处理约束条件，最 2.3免疫遗传算法的基本步骤1 后得到优化目标函数的适应度函数为： (1)抗原输人及参数设定.输入目标函数及约 Ming(X)=g(X)-P(X) (7) 束条件，作为抗原的输入，设定种群规模Popsize, 其中，g()为原优化函数得到的适应度函数， 交叉概率P。,变异概率Pm, g《)为考虑了罚函数后的新适应度函数，P)为 (2)初始抗体产生，识别抗原，从免疫记忆数 罚函数.采用免疫遗传算法对该问题求解时，抗 据库中提取优化变量经验数据的下限，在此基础 体的编码采用二进制.为提高精度，将优化变量 上叠加随机变量形成初始抗体群 分为两部分的和：一部分为经验数据最小值，不 (3)亲和度及浓度的计算.计算各抗体和抗原 需要编码；另一部分为遗传变量，需要编码.计算 的亲和度，计算各抗体的浓度 亲和度时为两部分的和，进行交叉、变异等操作 (4)终止条件判断.判断是否满足终止条件， 时仅用遗传变量.由于在经验数据附近寻优，所 是则将与抗原亲和度最高的抗体加人免疫记忆 以群体规模取为50即可.基于免疫遗传算法的 数据库中，然后终止：否则继续 高炉焦比目标优算法框图见图3. (⑤)选择操作.按照基于浓度调节的适应度函 抗原输入 数，根据采样选择方法选择个体进入下一代。 (⑥)交叉、变异操作.在选择操作的基础上，根 初始抗体产生 据设置的交叉概率P.和变异概率P。选择抗体进 行常规的交叉、变异操作 亲和度计算 记忆细胞库 (⑦)根据以上的操作更新群体后转到(3). 条件判断？ 3目标优化及仿真 选择操作 输出优化结果 以高炉为目标，建立优化模型.以基耶夫热 储区为分界，将高炉看成两个串连的反应器，即 交叉和变异 上部反应器和下部反应器.并且假设上部区域全 部高价铁氧化物均还原成为浮式体铁，碳的气化 群体更新 反应只在下部区域进行，热储备带内COCO2 图3免疫遗传算法框图 FeO-Fe及H-H,O-FeO-Fe均趋近平衡. Fig.3 Immune genetic algorithm flowchart 设X=(xx,x)T为n维优化变量组成的向 用以上方法对某钢铁厂进行焦比优化计算， 量，C=(c,c,…,c)为焦比目标系数向量，则优化 得到优化结果与高炉实际生产比较结果如表2 目标函数为： 所示. Min f(X)=Minf(CX) (6) 从优化结果看，为降低焦比，需要提高喷煤 f)为根据高炉生产数据通过多元回归中的变 量，增加风温，加大富氧率，提高顶压，同时保持 表2优化结果与实际生产结果比较 Table 2 Comparison of optimizing results and practical productive results 喷煤比kgt)风温/℃富氧率%生铁含硅量%顶压/kP 煤气利用率%焦比kgt) 实际值 145 1077 2.0 0.64 60 18.03 407 最优值 160 1100 3.0 0.46 68 19.42 362北 京 科 技 大 学 学 报 年 第 期 浓 度 调 节 机制 ， 定 义 为 。 、 二 月 知因为抗体 的原适 应喘度 函漪数 ， ， 具体根据 待 解 决 问题和 经验来 定 从式 可 以 看 出 ， 抗 体 原 适 应 度 越 大 ， 则 复制选 择 概率越大 ， 抗 体浓 度 越 高 ， 则 选 择概率越小 这样 既保 留 了优 秀个体 ， 又 可 减 少 相 似抗 体 的选 择 ， 确保个体 的多 样 性 免 疫 遗传 算 法 的基 本步 骤 ’圳 抗原输入及参数设定 输人 目标 函数及 约 束条件 ， 作为抗原 的输 人 ， 设定 种 群 规模 ， 交叉 概 率 ， 变 异 概 率 初 始抗 体产 生 识别 抗原 ， 从免疫 记忆 数 据库 中提取优化 变量经验数据 的下 限 ， 在 此基础 上 叠加 随机 变 量 形 成初 始 抗 体群 亲 和度及浓 度 的计算 计算各抗体和抗原 的亲 和 度 ， 计算各抗 体的浓 度 终止条件 判 断 判 断 是否 满 足终 止条件 ， 是 则 将与抗 原 亲 和 度最 高 的抗体 加 人 免疫 记 忆 数据 库 中 ， 然 后 终 止 否 则 继 续 选 择操作 按 照基于浓 度调 节 的适应 度 函 数 ， 根据采 样 选 择方法 选 择个体进 入 下 一 代 交叉 、 变异 操作 在 选择操作 的基础上 ， 根 据设置 的交叉 概 率 和 变异 概率 选择抗 体进 行常规 的交叉 、 变 异 操作 根 据 以 上 的操作更新 群 体后 转 到 动 阂值法 建立 的优 化 方程 优化 变量 为 高炉 的原料燃料条件 包括炉料 配 比 、 煤 粉喷吹等 、 鼓风 常数 、 高炉煤气 、 炉渣成 分 、 产 品 质 量 参 数 等 可 能 影 响 到 冶 炼 焦 比 的 变 量 状态 变量 为高炉 炉 型 、 操作水平 、 人炉 炉料 特性 参数 等 模 型 的约束条件有平衡约 束 、 工 艺 约 束 和 条件约 束 用 罚 函数法 处 理 约束条件 ， 最 后 得 到优 化 目标 函 数 的适 应度 函数 为 义幻 “ 以刀一尸口 其 中 ，以幻 为 原 优 化 函 数 得 到 的 适 应 度 函 数 ， ’ 为考虑 了罚 函数后 的新适 应 度 函数 尸口约为 罚 函数 ， 采用 免疫遗传算 法 对该 问题求解 时 ， 抗 体 的编 码 采 用 二 进 制 为 提 高精度 ， 将 优化 变量 分 为两 部 分的 和 一 部 分为经 验数据最 小值 ， 不 需 要 编 码 另 一 部分为遗传变量 ， 需要 编码 计算 亲 和 度 时 为 两 部分 的 和 ， 进 行交叉 、 变 异 等操作 时 仅用 遗 传变量 由于 在 经 验数据 附近 寻优 ， 所 以 群体规模取为 即可 基 于 免疫遗 传算法 的 高炉 焦 比 目标优算法 框 图 见 图 目标优 化 及 仿 真 以 高炉 为 目标 ， 建立 优 化模 型 以基 耶 夫 热 储 区 为分界 ， 将高炉 看 成 两个 串连 的反 应 器 ， 即 上 部反应 器 和下 部反 应器 并且假设上 部 区 域 全 部高价铁氧 化物均 还 原成 为浮式 体铁 ， 碳 的气 化 反 应 只 在 下 部 区 域 进 行 ， 热储备 带 内 一 卜 及 卜 均 趋 近 平 衡 设 二 ，丙 ，… 禹 为 维 优 化 变 量 组 成 的 向 量 ， ， ‘ ，… ， 为焦 比 目标 系 数 向量 ， 则 优 化 目标 函 数 为 幻 刀 只幻 为 根 据高炉 生 产 数 据 通 过 多 元 回 归 中 的 变 抗原输入 初始抗体产生 亲和度计算 记忆细胞库 选择操作 输 出优化结果 交叉和变异 群体更新 图 免疫 遗传算法框 图 用 以 上 方法对某 钢铁 厂 进行 焦 比优化计算 ， 得 到 优 化 结果 与 高 炉 实 际 生 产 比较 结果 如表 所 示 从优 化结 果 看 ， 为 降低焦 比 ， 需 要 提 高喷煤 量 ， 增 加 风 温 ， 加 大 富氧 率 ， 提高顶 压 ， 同时保 持 表 优 化 结 果 与 实 际 生 产 结 果 比较 泣 喷煤 比 · 一 、 风 温 ℃ 富氧率机 生铁 含硅 量 顶 压 廿 煤气利用 率 焦 比 · 一 ， 实 际值 ‘ ︸ 最优值