提出了在矿砂粒径尺寸级配情况下,不同粒径的筛下累积含量公式.在分析超声衰减基本理论模型的基础上,将不同粒径的筛下累积含量集成到超声波衰减模型中,推导出超声波衰减与矿浆浓度、粒度之间的关系模型.将所推导的模型结合实验和数据分析以确定超声波衰减与粒度分布的关系,且采用遗传算法反演计算获得矿浆中粒的粒度分布.结果表明,反演的计算结果精度较高

针对板坯入库优化决策问题,采用隶属度函数表示待入库板坯长度、宽度、厚度与各库位已存板坯对应属性的匹配程度,建立了板坯入库模型.针对问题特征,借鉴遗传算法的交叉和变异操作,设计了一种混合离散粒子群算法(DPSO-CM)进行求解.基于企业实际生产数据的仿真实验验证了模型和算法的可行性和有效性

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果

对连续退火线平整机的板形问题进行研究. 通过实际生产数据的统计分析,基于减小有害接触区和增强弯辊力调控功效的思想,利用影响函数法下的辊系弹性变形计算提出了相应的平整机支持辊辊形优化目标. 采用分层序列法处理多目标函数,并通过混合遗传算法进行求解,设计出新的辊形配置方案. 使用二维变厚度理论建立辊系有限元模型,对辊缝横向刚度、弯辊力调控功效进行计算校核. 将研究结果应用于实际生产,改善了平整机的板形控制效果,降低弯辊负担

运用净现值方法,考虑了当投资金额和回收期的现金流入与流出均为模糊变量,且投资者有多个目标时的资金预算问题,建立了资金预算的机会约束目标规划模型,并采用基于模糊模拟的遗传算法求解了模型问题

根据热轧工艺特点将板坯热轧批量计划编制问题归结为不确定旅行商数的多旅行商问题,建立了以生产成本最小化和产品质量最优化为主次目标且考虑加热区段能耗的生产调度数学模型,并采用遗传算法和禁忌搜索相结合的混合算法进行求解.基于实际生产数据的计算结果表明:该模型充分满足了现场热轧批量计划编制的需求,在轧制单元数最优的基础上,缩短了传搁时间,提高了热送热装率,优化了产品质量.与人机结合方式相比,本文模型的计算结果体现了更好的高产和节能效果

利用Gleeble 3500热力模拟试验机对22MnB5板材进行高温拉伸试验,研究了该材料在变形温度为700、800和900℃以及应变速率为0.01、0.1、1和10 s-1下的高温变形行为.在同一温度下,22MnB5的断裂应变随应变速率增加而呈现增加趋势,温度升高加剧这种趋势.建立了耦合损伤基于位错密度的统一黏塑性本构模型,该模型考虑了高温变形中损伤的演化规律,能够描述了应力-应变曲线后期的陡降段.利用遗传算法确定并优化该本构模型中的材料常数,所得材料常数确定的本构模型能够较好地预测22MnB5高温拉伸变形下的流变应力,并能较好地描述材料损伤演化规律

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

针对炼钢−连铸过程因车间布局复杂造成工序间钢水交叉供应频繁、等待时间过长以及天车调度困难等问题，本文建立以计划内所有炉次总等待时间最小为优化目标的炼钢−连铸过程生产调度模型，并采用改进的遗传算法求解该模型. 在遗传操作过程中，引入“炉−机对应”调控策略以改善初始种群质量，并根据转炉（精炼）与连铸作业周期的比较，来确定是否对个体进行交叉、变异操作