基于遺傳算法的“脫氧合金化”成本優化研究

古靜 田渝 劉雅靚

摘?要：鋼水脫氧合金化是一個非常復雜的過程，在尋求最優合金配料比的同時，也要盡可能地降低預測成本。根據成本優化目標的分析，本文將采用遺傳算法，建立優化目標函數后，經過選擇、重組、變異后，輸出最優個體，從而得到最優預測成本方案。

關鍵詞：遺傳算法;優化目標函數;最優預測成本方案

隨著當前鋼鐵行業高附加值鋼種產量的不斷提高，如何通過歷史數據對脫氧合金化環節建立數學模型，在保證鋼水質量的前提下，盡可能控制生產成本，有著重要意義。本文基于低碳鋼HRB400B的歷史數據記錄，建立“脫氧合金化”總成本最優化模型，并采用遺傳算法進行求解。

一、遺傳算法模型的求解

1、構造初始種群

首先，需要構造個體產生的初始種群，設C、Mn、S、P、Si 的含量即連鑄正樣為 ，根據表中數據大小，將的值域設定在[0.001，0.0999]之間，編碼長度用每三位數值表示一個編碼，如C含量數值為0.0257，則它的編碼表示為[2，5，7]，通過這個方法，將 C，Mn，S，P，Si 的含量的每一個數據都可建立成一個編碼[1]，以此類推，將這五種元素每一橫行都進行此類編碼，以便為下一步計算做好數據準備。

2、適應度計算

根據要求得知生產所得合金的元素必須在不同鋼號所對應的內控范圍之內，且所需優化方案中的優化目標一個是元素的收得率，另一個是最終的生產成本，構造優化函數，其中表示收得率，表示成本價格，t為與 的相關性系數，因為兩個參數量綱不同，所以都要先進行歸一化，再計算基于總吸收率與成本價格的相關系數。

3、選擇、交叉、變異

由公式（1）來進行選擇操作，在每代數據中，以一定的交叉概率對個體進行交叉重組，在此交叉概率采用自適應概率，其中是種群中個體和的交叉概率，是基礎交叉概率，是為種群中適應度值大于平均值的個體的交叉概率，是個體和中適應度值大的個體的適應度值，?avg是種群平均的適應度值，?max是種群中最大的適應度值。這樣，可以有效加強優秀個體的遺傳能力，同時降低了局部最優解出現的概率[2]。

之后，進行交叉操作，把兩個父體部分結構加以替換，生成新的個體。

由公式（2）可算出變異概率，其中是種群中個體的變異概率[3]，是種群中規定的基礎變異概率，是為種群中適應度值大于平均值的個體所采用的精英變異概率，是個體的適應度值，是種群中平均的適應度值，是種群個體中最大的適應度值。

二、利用遺傳算法求解的最優成本結果展示

此方案是成本最低的方案，合計成本為21305.77元，其鋼號為20MnKA。由此可知在冶煉鋼鐵中，在滿足合金元素含量約束條件的范圍內，可根據煉鋼廠的實際情況確定合理的合金配料方案。

參考文獻

[1]?武廣號，文毅，樂美峰.遺傳算法及其應用[J].應用力學學報，2000，23（6）：9-10.

[2]?Z.米凱利維茨，周家駒，何險峰.演化程序：遺傳算法和數據編碼的結合[M].科學出版社，1900.

[3]?肖偉，全惠云，史滋福.改進的遺傳算法[J].計算機工程與應用，2004，40（4）：53-55.