基于PSO和ANN的采选品位智能约束优化

根据铁矿采选生产过程,建立了以经济效益为目标函数,资源利用率和精矿产量为约束条件,截止品位和入选品位为决策变量的非线性约束优化模型,将粒子群算法和神经网络集成构成PSO-ANN算法来搜索最优品位组合。PSO-ANN算法包括内外两层：外层采用PSO作为搜索算法,采用基于可行性规则的约束处理技术,更新粒子群个体最优位置和全局最优位置,引导粒子朝最优解方向进行搜索;内层是REG模型、BP神经网络及RBF网络,实现粒子（截止品位和入选品位）到损失率、选矿金属回收率和采选成本之间的映射关系,进而计算资源利用率、精矿总量和净收益。以大冶铁矿为例,研究表明：2008-01~06,最优截止品位为17.5%,入选品位为45.4%,与现行方案相比,其资源利用率提高2%,精矿量增加1.34万t,总现值增加1 125万元。该方法为金属铁矿的品位优化提供了一个全新的思路,具有广泛的应用前景。

基于PSO-GA-ANN的铁矿采选品位与投资策略优化

在构建非线性多目标优化模型的基础上,集成粒子群(PSO)、遗传算法(GA)与人工神经网络(ANN)等智能优化算法,来确定实现铁矿资源减损和节能降耗的采选品位与投资策略。根据采选生产流程,建立以采选品位与投资策略为决策变量,计划精矿产量为约束条件,资源利用率、总电耗以及经济效益为目标的非线性多目标约束优化模型。将PSO、GA的高效搜索能力和ANN的建模功能相结合,构成PSOGA-ANN算法来寻找最优采选品位和投资策略。在PSO-GA-ANN算法中,进化个体采用二进制0-1编码和实数编码相结合,适应度函数为3个目标函数的加权和,各个目标的权重采用均匀设计的思想得到,采用基于可行性规则的约束处理技术引导搜索方向。最后,以D铁矿为例进行了研究,得到了其最优采选品位及投资策略。该方法为新时期铁矿应对资源利用和节能降耗难题提供了科学可行的思路。

资源利用与能耗约束下铁矿采选品位的智能优化

集成非线性目标规划模型与差分进化(DE)及神经网络(ANN)等智能算法,提出了资源利用和节能降耗约束下铁矿采选生产品位的动态优化方法。首先建立以截止品位和入选品位为决策变量,精矿产量、资源利用率、总用电量以及经济效益为目标约束的非线性目标规划模型,模型中包括损失率、选矿金属回收率和采选成本三个非线性函数;然后将所构建的非线性目标规划模型转化成无约束优化问题,将DE的高效寻优能力和ANN的建模功能相结合,构成DE-ANN算法来搜索最优采选品位组合;最后以D铁矿为例进行研究,结果表明了所提出方法的有效性。该方法综合考虑了资源利用、节能降耗等因素,为新时期铁矿的采选品位优化提供了科学可行的思路。