黃金生產(chǎn)工藝參數(shù)的優(yōu)化盧才武云慶夏陳永鋒蘭新哲西安建筑科技大學(xué)西安710055)摘要本文探討了神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合協(xié)同求解黃金生產(chǎn)工藝參數(shù)的優(yōu)化問(wèn)題。該方法既利用了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)非線性映射和預(yù)測(cè)功能,又利用了遺傳算法的全局優(yōu)化特性,實(shí)例證明該方法是合理的、可行的。關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)遺傳算法優(yōu)化黃金中圖分類號(hào)F402.3文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)1004-4051(2003)10-0051-03OPTIMIZATION OF THE TECHNICAL PARAMETERSIN GOLD PRODUCTIONLu Caiwu Yun Qingxia Chen Yongfeng Lan Xinzhe(xi'an University of Architecture and Technology Xi'an 710055)Abstract: this paper discusses the application of the new optimal method-Genetic algorithm and artificialeural network in the determination of the gold production technical parameters. The method uses not only theability of nonlinear mapping and prediction of artificial neural network, but also the overall situation optimizationof genetic algorithm. The results of example show that it is reasonable and reliable to determinate the technicaparameters of gold production by using B-P neural network and genetic algorithmKeywords: Artificial neural network, Genetic algorithm, Optimization Gold人工神經(jīng)網(wǎng)絡(luò)是80年代獲得迅速發(fā)展的一門(mén)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向計(jì)算和誤差反向傳非線性科學(xué),它力圖模擬人腦的一些基本特性,如遞修改2個(gè)過(guò)程組成。正向計(jì)算各層節(jié)點(diǎn)輸出值自適應(yīng)性,自組織性和容錯(cuò)性能,并已用于模式識(shí)為別、系統(tǒng)辯識(shí)等領(lǐng)域,取得了很好的效果(2)。對(duì)fay-1+9,)(j=23……)于多輸入多輸出問(wèn)題,利用神經(jīng)網(wǎng)絡(luò)模型可以建立式中y1—輸入網(wǎng)絡(luò)的數(shù)據(jù)向量多輸入和多輸出之間復(fù)雜的非線性關(guān)系,本文擬將y-1—第j-1層節(jié)點(diǎn)輸出數(shù)據(jù)向量人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于黃金生產(chǎn)工藝參數(shù)優(yōu)化y—第j層節(jié)點(diǎn)輸出數(shù)據(jù)向量中,建立各個(gè)工藝參數(shù)與生產(chǎn)成本間的非線性關(guān)第j-1層節(jié)點(diǎn)與第j層節(jié)點(diǎn)間的連系,然后利用遺傳算法搜索尋找最優(yōu)的生產(chǎn)工藝參接權(quán)值矩陣數(shù),以期得到更加可行和合理的結(jié)果。1誤差反向傳播網(wǎng)絡(luò)原理0——第j層節(jié)點(diǎn)閾值向量。誤差反向傳播網(wǎng)絡(luò)由 Rumelhart等于1985年f(x)=,1為Sgmd函數(shù)。定義網(wǎng)絡(luò)提出。BP網(wǎng)絡(luò)模型屬于多層前饋映射網(wǎng)絡(luò),其核誤差函數(shù)為心算法是基于最小二乘法(LMS)的廣義δ算法網(wǎng)絡(luò)通過(guò)δ算法學(xué)習(xí)訓(xùn)練數(shù)據(jù)集,確定各神經(jīng)元之中國(guó)煤化工-y)間的連接權(quán)值和閥值,從而建立一個(gè)n維空間的子式中HCNMHG集至m維空間的子集的映射關(guān)系期望輸出。*霍英東教育基金(81044)和陜西省教育廳專項(xiàng)基金(99JK218)資助項(xiàng)目黃金生產(chǎn)攝的優(yōu)化反向計(jì)算根據(jù)δ算法逐層修改權(quán)值ω;和閥值良個(gè)體。3適應(yīng)度。衡量個(gè)體優(yōu)劣的標(biāo)準(zhǔn)是適應(yīng)度也+2其中=∑就是遺傳算法的目標(biāo)函數(shù)用以驅(qū)動(dòng)進(jìn)化過(guò)程。在黃金生產(chǎn)工藝參數(shù)優(yōu)化問(wèn)題中適應(yīng)度等于目標(biāo)函9=9+9E其中OE數(shù)F(x)這里通過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的網(wǎng)絡(luò)來(lái)預(yù)測(cè)計(jì)算。式中aβ——分別為學(xué)習(xí)效率和閥值調(diào)節(jié)系數(shù)(4)復(fù)制。為了體現(xiàn)生物進(jìn)化過(guò)程中優(yōu)勝劣Nj層節(jié)點(diǎn)數(shù)。淘"的原則遺傳算法在毎一代群體中選擇一定數(shù)量理論上可以證明,包含隱含層的3層BP網(wǎng)絡(luò)的優(yōu)良個(gè)體進(jìn)入下一代群體使優(yōu)良個(gè)體的數(shù)目成能以任意精度逼近給定函數(shù)。倍增加。相應(yīng)地同樣數(shù)量的劣質(zhì)個(gè)體則在下一代2遺傳算法的原理與方法群體中被淘汰。被復(fù)制的數(shù)目與群眾中個(gè)體數(shù)目的遺傳算法具有簡(jiǎn)單通用魯棒性強(qiáng)和并行運(yùn)算比值稱為復(fù)制概率常取0.6-0.9的特點(diǎn)。它不需要建立一個(gè)精確的因果關(guān)系只需5痠交換。執(zhí)行交換的個(gè)體是隨機(jī)選擇的。交要有明確的輸入及輸出結(jié)果就可以得出結(jié)論因此換概率(0.5-0.8用輪盤(pán)選擇法根據(jù)適應(yīng)度大小選特別適用于研究各種復(fù)雜的課題。包括擇被交換的個(gè)體。交換點(diǎn)的選擇也是隨機(jī)的,長(zhǎng)度1蹁編碼。遺傳算法通常選用二進(jìn)制字符串表為L(zhǎng)的字符串可供選擇的交換點(diǎn)有L-1)個(gè)。示個(gè)體。二進(jìn)制與十進(jìn)制之間映射關(guān)系為(6戾變。突變是遺傳算法產(chǎn)生新個(gè)體的另.min y-max min,種方法它是對(duì)個(gè)體染色體碼串進(jìn)行隨機(jī)變異對(duì)于式中x—十進(jìn)制表示的插值結(jié)果進(jìn)制碼串就是隨機(jī)按位取反操作。在群體適應(yīng)度趨于飽和時(shí)突變能使個(gè)體的染色體發(fā)生質(zhì)變使運(yùn)十進(jìn)制x的下限和上限算跳出局部極小點(diǎn)L—二進(jìn)制字符串長(zhǎng)度7炵終止條件。最常用的終止方法是規(guī)定遺傳二進(jìn)制表示的待插值數(shù)迭代)的代數(shù)。通常取100,然后逐漸增減。另這樣編碼的精度δ為種終止方法是檢查適應(yīng)度的變化。一旦群體的平均適應(yīng)度或最優(yōu)個(gè)體的適應(yīng)度變化很小時(shí)即令計(jì)算終止(2群體。在遺傳算法過(guò)程中每一代由眾多的3實(shí)例個(gè)依字符串)組成,它們被稱作群體。群體中個(gè)體為避免神經(jīng)網(wǎng)絡(luò)輸出的隨意性需要先將黃金數(shù)目越多遺傳算法搜索的范圍也越大但是每代運(yùn)生產(chǎn)工藝參數(shù)數(shù)據(jù)作正規(guī)化處理將每一個(gè)數(shù)據(jù)線算時(shí)間也越長(zhǎng)。通常群體中以含有50-100個(gè)個(gè)體為宜。性壓縮映射至〔00.9〕即作為第0代的初始群體用隨機(jī)方法產(chǎn)生。在Ik-minfl y給定的合理范圍內(nèi)一般用均勻分布的隨機(jī)數(shù)任意產(chǎn)1=mx1}min}×0.9生初始個(gè)體作為今后進(jìn)化計(jì)算的基礎(chǔ)。隨著遺傳我們對(duì)某金礦的原礦進(jìn)行了64次實(shí)驗(yàn)工作計(jì)算的發(fā)展群體的品質(zhì)逐漸改善不斷產(chǎn)生新的優(yōu)這里選取其中的十次,將其歸一化后列于表1中。表1歸一化后的部分實(shí)驗(yàn)原始數(shù)據(jù)表ˉ實(shí)驗(yàn)編號(hào)硫代硫酸鈉亞硫酸鈉石硫合劑硫酸銅氨水成本55380.50000.72270.01650.55380.50000.72270.20770.07500.03330.553850.50000.72270.20770.17850.55380.36000.00000.500000.00000.55380,000.5000I中國(guó)煤化工0.02340.55380.6000.30000.722CNMHG0.20770.04940.553800000.550.60000.72270.20770.60000.06360.55380.60000.00000.50000.72270.20770.75000.20770.08630,55380.6000.50000.90000.20770.102652中國(guó)礦業(yè)2003年第12卷第10期以64組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本,建立8個(gè)參表2數(shù)(分別為硫化硫酸鈉、亞硫酸鈉、石硫合劑、硫這時(shí),我們可以利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練后建立的輸酸銅、氧氣、氨水濃度、pH值、曆礦時(shí)間),15岀與輸入之間復(fù)雜非線性映射關(guān)系來(lái)計(jì)算遺傳箅法個(gè)隱節(jié)點(diǎn)和一個(gè)輸出節(jié)點(diǎn)(成本)的BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)。計(jì)算公式如下模型。取學(xué)習(xí)參數(shù)c=0.01,將訓(xùn)練樣本輸入網(wǎng)C=a2f(o1y1+61)+02絡(luò),經(jīng)過(guò)訓(xùn)練200000后,其均方差E<0.0001。式中各符號(hào)意義同前,C為整個(gè)網(wǎng)絡(luò)的輸出即經(jīng)過(guò)訓(xùn)練,神經(jīng)網(wǎng)絡(luò)能完全正確地識(shí)別這些訓(xùn)練樣對(duì)應(yīng)于八個(gè)工藝參數(shù)的成本。本,擬和率為100%,這時(shí),網(wǎng)絡(luò)的權(quán)值和閥值見(jiàn)表2網(wǎng)絡(luò)訓(xùn)練后的權(quán)值和閥值-1.2809-0.50410.24910.68550.7215-0.4709-0.87130.815509371.3340.10960.58727680.4699-0,49551.13920.50610.87980.85680.6415-0.51791.1771-0,4582-0,70391.14830.64660.36650.65180.19691.0370.9711-0,06610.6604-0,18830.211-0.78452.7150.35360.5863-0.22830.8913-0.20591.30311.3755-0.25361.15851.6690.46230.55240.92110.76760.37350.57590.69010.50420.11980.33390.83691.0843-0.20081.1018-0.10890.6207-0.7340.80450.41451,5620,401859-0,2686-0.52810,09781,11570.57331.01610.52790.65540.0848-1.14730.95040.68910.31430.99810.510.9960.79930.1575-0.1492-0.1642-0.46452.70630.6991.02550.24371.14981.11060.8095-0.0004-0.37510.4516-1.39130.8055-0.21.01631.6787-0.7980.3130.45480.83670.3860.567:0.618遺傳算法的參數(shù)是∶初始群體數(shù)N=64,最大新的非線性估計(jì)方法,對(duì)數(shù)據(jù)的非線性形態(tài)具有高進(jìn)化代數(shù)G-500,復(fù)制概率r=0.60,交換概率度的適應(yīng)性,因此其估值結(jié)果能反映原始數(shù)據(jù)的空Pc=0.40,突變概率Pm=0.003間波動(dòng)特征。遺傳算法的結(jié)果為硫代硫酸鈉0.163,亞硫酸遺傳算法是一種搜索尋優(yōu)算法,這里主要用它鈉0.192,石硫合劑0,硫酸銅0,氧氣1,氨水1,來(lái)尋找最優(yōu)的工藝參數(shù)。對(duì)于遺傳算法來(lái)說(shuō),關(guān)鍵pH值0.96,曆礦時(shí)間1,利用數(shù)據(jù)正歸化反變換在于選擇合適的參數(shù)和策略。就可以得到相應(yīng)的參數(shù)分別為:0.21、0.08、該方法已經(jīng)成功地應(yīng)用在黃金生產(chǎn)工藝參數(shù)的0.01、0.14、3、12和15.3優(yōu)化中,結(jié)果表明這種方法是合理的、可靠的,該4結(jié)論方法可以推廣應(yīng)用到其它生產(chǎn)工藝參數(shù)的優(yōu)化中。黃金生產(chǎn)的工藝參數(shù)比較多,它們直接影響黃金生產(chǎn)成本,因此有必要研究黃金生產(chǎn)參數(shù)優(yōu)化的問(wèn)題,本文提出了一種新的研究黃金生產(chǎn)工藝參數(shù)(收稿日期:2003年5月12日)優(yōu)化的方法,它包括兩個(gè)步驟:人工神經(jīng)網(wǎng)絡(luò)和遺作者簡(jiǎn)介〕盧才武工學(xué)博土西安建筑傳算法?？萍贾袊?guó)煤化工士研究生導(dǎo)師主要人工神經(jīng)網(wǎng)絡(luò)方法主要用來(lái)尋找生產(chǎn)成本與生研究CNMHG的應(yīng)用產(chǎn)工藝參數(shù)之間的因果關(guān)系。人工神經(jīng)網(wǎng)絡(luò)是一種云慶夏西安建筑科技大學(xué)教授博士生導(dǎo)師黃金生產(chǎn)攝的優(yōu)化