基于遺傳算法及溫度預(yù)報模型參數(shù)優(yōu)化

1、基于遺傳算法的溫度預(yù)報模型參數(shù)優(yōu)化1 問題描述近年來，隨著純凈鋼生產(chǎn)技術(shù)的進(jìn)步和連鑄技術(shù)的發(fā)展，爐外精煉工藝與設(shè)備迅速普及。其中，LF以其優(yōu)異的綜合性能，在實際生產(chǎn)中得到了廣泛應(yīng)用。而點測鋼水溫度的高成本，使精煉爐溫度預(yù)報成為了極具實際意義的研究。因此，鋼水溫度預(yù)報模型的建立顯得至關(guān)重要。目前，溫度預(yù)報模型的建立主要采用3種方法，即：機(jī)理模型、“黑箱模型”和“灰箱模型”。機(jī)理模型是指用盡可能準(zhǔn)確的數(shù)學(xué)方程來描述過程機(jī)理而建立的模型，而“黑箱模型”則采用一些數(shù)學(xué)方法（智能算法、回歸算法等），結(jié)合實驗數(shù)據(jù)或?qū)嶋H生產(chǎn)中的數(shù)據(jù)，生成一種只有輸入和輸出的模型，而完全不考慮過程機(jī)理。然而，機(jī)理模型需要考慮

2、的因素太多，且這些因素具有相當(dāng)?shù)牟淮_定性，因此模型中的許多參數(shù)很難得到，嚴(yán)重影響了溫度預(yù)測的精度；“黑箱模型”則完全建立在數(shù)據(jù)的基礎(chǔ)上，如果生產(chǎn)環(huán)境和條件改變導(dǎo)致了數(shù)據(jù)改變，原先模型的準(zhǔn)確性就得不到保障，即模型的可移植性差。因此，本文主要研究“灰箱模型”的建立，即采用機(jī)理建模與數(shù)據(jù)建模相結(jié)合的方式，應(yīng)用智能優(yōu)化算法對機(jī)理模型中較難獲得的參數(shù)進(jìn)行辨識與確定，其流程如下圖所示：圖1 溫度預(yù)報模型建立的方案流程圖而參數(shù)的辨識過程，即是基于智能優(yōu)化算法，根據(jù)輸入輸出條件，對機(jī)理模型不易獲得的參數(shù)進(jìn)行尋優(yōu)的過程。2 理論基礎(chǔ)2.1 機(jī)理模型本研究所基于的機(jī)理模型，是根據(jù)LF爐精煉過程中的傳熱基本方程、能

3、量守恒方程和質(zhì)量守恒方程等來建立的。并運(yùn)用有限差分法和有限元法等，通過控制初始條件和邊界條件來對模型進(jìn)行求解，得到鋼包內(nèi)的溫度情況。 熱平衡分析 吸熱與散熱精煉過程中，鋼水熱量的來源與去向大致如圖2所示。圖2 熱量的來源與去向?qū)撍蜖t渣作為一個系統(tǒng)，來推導(dǎo)吸熱和散熱與其溫度變化的關(guān)系。由于系統(tǒng)在加熱與散熱的過程中，其內(nèi)能變化都體現(xiàn)在溫度的變化上，所以系統(tǒng)實際吸收的熱量為通過電弧加熱所吸收的熱量與冶煉過程中散去的熱量之差，即： （1）式中，、為鋼水和渣的比熱容，、為鋼水和渣的重量，為系統(tǒng)總的溫度變化，、分別代表通過電弧加熱所吸收的熱量，和通過渣面及爐蓋散熱、爐壁及爐底散熱、加渣料及加合金影響所

4、損失的熱量。為最終求出溫度隨時間變化的曲線，可對式（1）兩端對時間取微分。由此，對每個溫度的影響因素進(jìn)行分析與建模，分別求解它們的熱量變化速率，再將模型綜合后求積分，即可得出溫度隨時間變化規(guī)律的曲線，溫度的計算公式為： （2） 機(jī)理模型描述（1）電弧加熱模型系統(tǒng)所吸收的熱量應(yīng)與總的耗電量相關(guān)，二者間是一個乘系數(shù)的關(guān)系，即： （3）其中為該次冶煉過程中的總耗電量，而是系統(tǒng)的能量吸收系數(shù)，即電弧效率。（2）渣面及爐蓋散熱模型LF精煉過程中，通過渣面損失的熱量包括通過渣面的輻射和對流的熱損失，還包括吹氬帶走的熱量，即： （4）渣面及爐蓋散熱的近似計算方法，是將渣面散熱和爐蓋散熱視為一個整體，通過計算

5、水冷爐蓋中冷卻水帶走的熱量，來確定渣面及爐蓋的散熱量，即有： （5）式中，、分別為冷卻水的比熱容和密度，為冷卻水流量，其單位為；為冶煉時間，單位為；、分別為冷卻水的出口、入口溫度。而計算高溫氣體帶走熱量的經(jīng)驗計算方法為：對小于120t噸位的鋼包爐，氣體帶走熱量約占有功功率的5%-6%；而對于大于120t噸位的鋼包爐，氣體帶走的熱量大約占有功功率的7%-9%。因此有： （6） 其中為氣體帶走熱量占有功功率的百分?jǐn)?shù)，為有功功率。將和綜合考慮，并考慮精煉時間和吹氬時間，以冷卻水流量、冷卻水出入口溫度，以及有功功率作為輸入，以為模型待確定參數(shù)，即可搭建該部分模型。（3）爐壁及爐底散熱模型爐壁散熱可當(dāng)作

6、一維非穩(wěn)態(tài)導(dǎo)熱問題建模，利用其初始條件和邊界條件來求解。為簡化問題，將爐壁的傾斜度忽略不計，將其視為圓柱體；并且將爐壁材料的導(dǎo)熱系數(shù)和比熱容取平均值，視為常量。計算時，可將爐壁視為無限長圓筒壁，在柱坐標(biāo)下求解。就爐壁而言，其導(dǎo)熱微分方程式為： （7）上式中，、分別為鋼包材料的密度、比熱容和導(dǎo)熱系數(shù)；為爐壁徑向上某點的溫度，為該點距鋼包中軸線的距離（即半徑）；為時間，單位是。式（7）的初始條件（）為： （8）式中，、分別為首次測溫時鋼水溫度和鋼包外壁的溫度；、分別為鋼包的內(nèi)徑和外徑。式（8）的邊界條件是，在時有： （9）在有： （10）以上兩式中，、為鋼水和環(huán)境的實時溫度；為鋼包側(cè)壁的綜合對流換

7、熱系數(shù)，其單位為。運(yùn)用有限差分的方法，可對該微分方程進(jìn)行求解。同理，對于爐底散熱問題，也可用同樣的方法進(jìn)行討論，這里不再贅述。（4）加渣料與合金的影響加料是LF的精煉流程中的一個重要環(huán)節(jié)，不同渣料的熔化熱不同，因此加渣料對于鋼水溫度的影響取決于不同渣料的熱物性參數(shù)和加入量的多少；與加渣料類似，不同合金的熔化熱、熔解熱以及化學(xué)反應(yīng)吸收或放出的熱量都不同。根據(jù)大量的實際數(shù)據(jù)統(tǒng)計，以下給出一些常見渣料、合金的溫降系數(shù)值，如表1所示。其中，加渣料、合金對鋼水的平均溫降系數(shù)，單位為。表1 部分常見渣料與合金的溫降系數(shù) 需要注意的是，上表中的負(fù)值表示降溫。于是，加渣料與合金的熱效應(yīng)可由式（11）計算。 （

8、11）其中為加某種渣料或合金的重量（），為熔化時間。 機(jī)理模型仿真依據(jù)各部分機(jī)理模型，以其所有輸出與鋼水、渣的重量及比熱容作為總模型輸入，最終通過仿真輸出鋼水溫度。該模型的Simulink框圖及仿真結(jié)果如下所示。圖3 總機(jī)理模型Simulink仿真框圖圖4 總機(jī)理模型Simulink仿真結(jié)果上圖中，橫坐標(biāo)表示時間（s），縱坐標(biāo)表示鋼水溫度（），該圖顯示了一個精煉周期內(nèi)（約45min）鋼水溫度的變化情況。顯然，在電弧加熱的時間段內(nèi)，鋼水溫度顯著上升；在其它時段，由于散熱，鋼水溫度有緩慢下降的趨勢。而且在一個精煉周期內(nèi)，鋼水大約升溫70，基本符合實際情況。然而，由于電弧效率、鋼包材料的導(dǎo)熱系數(shù)與比

9、熱容等參數(shù)很難準(zhǔn)確得知，機(jī)理模型中只能大致在一定范圍內(nèi)取值，因此機(jī)理模型僅能準(zhǔn)確反映溫度變化趨勢，難以達(dá)到精確預(yù)測溫度的效果。因此，本研究將利用遺傳算法來對這些難以準(zhǔn)確獲得的參數(shù)進(jìn)行辨識與優(yōu)化。2.2 遺傳算法 算法簡介遺傳算法（GA）是基于Darwin進(jìn)化論和Mendal遺傳學(xué)說的一種優(yōu)化搜索方法，從20世紀(jì)60年代開始興起。它是基于自然選擇和基因遺傳學(xué)原理的搜索方法，將“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適配值函數(shù)及一系列遺傳操作對各個個體進(jìn)行篩選，從而使適配值高的個體被保留下來，組成新的群體。新群體包含上一代的大量信息，并且引入了新的優(yōu)于上一代

10、的個體。這樣周而復(fù)始，群體中各個體適應(yīng)度不斷提高，直至滿足一定條件。此時，群體中適配值最高的個體即為待優(yōu)化參數(shù)的最優(yōu)解。遺傳算法主要有以下特點：（1）遺傳算法的處理對象不是參變量本身，而是參變量編碼后的稱為人工染色體的位串，使得遺傳算法可直接對集合、隊列、矩陣、圖表等結(jié)構(gòu)對象進(jìn)行操作。這一點使得遺傳算法的應(yīng)用范圍很廣。（2）遺傳算法是多點搜索，而不是單點，從而避免陷入局部最優(yōu)，逐步逼近全局最優(yōu)解。也正是其固有的并行性，是遺傳算法優(yōu)于其他算法的關(guān)鍵。（3）與自然界類似，遺傳算法對求解問題的本身可以一無所知，如對搜索空間沒有特殊要求（如連續(xù)、凸性等），對目標(biāo)函數(shù)也不要求諸如連續(xù)性、導(dǎo)數(shù)存在和單峰等

11、假設(shè)，它所需要的僅是對算法所產(chǎn)生的每個染色體進(jìn)行評價，并基于適應(yīng)值排列等級來選擇染色體，使適應(yīng)值好的染色體比適應(yīng)值差的染色體有更多的繁殖機(jī)會。遺傳算法利用簡單的編碼技術(shù)和繁殖機(jī)制來表現(xiàn)復(fù)雜的現(xiàn)象，從而解決非常困難的問題。（4）遺傳算法是一種自適應(yīng)隨機(jī)搜索方法。遺傳算法是以概率原則指導(dǎo)搜索，適應(yīng)值高的個體，在進(jìn)化過程中將被賦予更高的選擇概率，在下一代中有更大繁殖機(jī)會。遺傳算法可以更有效地利用已有的信息來搜尋那些有希望改善解質(zhì)量的串，比一般的隨機(jī)搜索有更高的搜索效率。因此，利用遺傳算法的上述優(yōu)點與廣泛適用性，對機(jī)理模型中難以獲得的參數(shù)加以辨識后，再應(yīng)用到機(jī)理模型中，是一種能進(jìn)一步發(fā)展和完善機(jī)理模型

12、的切實可靠的方法。 編碼方法編碼是應(yīng)用遺傳算法時要解決的首要問題，也是設(shè)計遺傳算法時的一個關(guān)鍵步驟。編碼除了決定個體的染色體排列形式之外，還決定了個體從搜索空間的基因型變化到解空間的表現(xiàn)型時的解碼方法，編碼方法也影響到交叉算子、變異算子等遺傳算子的運(yùn)算方法。迄今為止，最常用的是二進(jìn)制編碼方法和浮點數(shù)編碼方法。本例中采用浮點數(shù)編碼方法，即將個體的每一個基因值用某一范圍內(nèi)的一個浮點數(shù)來表示，個體編碼長度等于其決策變量的個數(shù)。因為這種編碼方法使用的是決策變量的真實值，所以浮點數(shù)編碼方法也稱真值編碼方法或?qū)崊⒕幋a方法。浮點數(shù)編碼方法大致具有以下幾個優(yōu)點： （1）適合于在遺傳算法中表示范圍較大的數(shù)。（2

13、）適合于精度要求較高的遺傳算法。（3）便于較大空間的遺傳搜索。（4）改善了遺傳算法的計算復(fù)雜性，提高了運(yùn)算效率。（5）便于設(shè)計針對問題的專門知識的知識型遺傳算子。 根據(jù)之前建立起的機(jī)理模型，選擇系統(tǒng)中不易獲得的參數(shù)進(jìn)行辨識，它們是：電弧效率、鋼包材料導(dǎo)熱系數(shù)、鋼包材料比熱容。將這些參數(shù)作為遺傳算法中組成種群中個體的基因，并以向量來表示。采用浮點數(shù)編碼方法，即用這些參數(shù)的真值作為其編碼，并且限定這些參數(shù)的范圍。根據(jù)經(jīng)驗，給出電弧效率、鋼包材料導(dǎo)熱系數(shù)以及比熱容的參考范圍，即：， （12） 適應(yīng)度函數(shù)的建立個體適應(yīng)度函數(shù)的值不僅代表了該個體本身的好壞，還決定了在下一代遺傳中，該個體存留下來的概率。

14、本研究利用模型計算的終點溫度值與實際測量的終點溫度值間的誤差來構(gòu)造適應(yīng)度函數(shù)，即： （13）式中，表示某個體的適應(yīng)度，為輸入輸出數(shù)據(jù)的組數(shù)，而為第組數(shù)據(jù)的計算溫度值與實際溫度值的誤差值。為方便計算，將圖3所示的Simulink機(jī)理模型編寫為一個m函數(shù)，供遺傳算法所調(diào)用。該函數(shù)以總耗電量、加熱時間、有功功率、鋼包尺寸、加料量、鋼水初始溫度等信息為輸入，用作為待優(yōu)化參數(shù)，以鋼水終點溫度為函數(shù)計算的輸出，以鋼水的終點測溫值作為比較。而輸入信息和鋼水的終點測溫值，均取自多爐次的現(xiàn)場操作記錄與數(shù)據(jù)。 基本操作（1）選擇操作選擇是從一個舊種群中選擇生命力強(qiáng)的個體位串，產(chǎn)生新種群的過程。本例中選擇操作采用適

15、度比例法，它根據(jù)某個體的適應(yīng)度與該代全部個體適應(yīng)度之和的比值，來決定其子孫遺留的可能性，即在第代中，某個體被選取的概率為： （14）其中，為某個體的適應(yīng)度，為該代全部個體的適應(yīng)度之和，可根據(jù)式（13）來進(jìn)行計算。確定概率后，可用輪盤賭的選擇方法來實現(xiàn)選擇操作。例如，用計算機(jī)生成01之間均勻分布的隨機(jī)數(shù)，若，則當(dāng)產(chǎn)生的隨機(jī)數(shù)在00.5之間時，該串被復(fù)制，否則被淘汰。（2）交叉操作交叉運(yùn)算是指兩個相互配對的染色體按某種方式相互交換某部分基因，從而形成兩個新的個體。在遺傳算法中，將種群中的個個體以隨機(jī)的方式組成對配對個體組，交叉操作在這些配對個體組中的兩個個體間進(jìn)行的?？疾炷撑鋵€體組中的兩個個體、

16、，交叉操作采用一定方式將它們變?yōu)閮蓚€新的個體、。在遺傳算法中，交叉操作過程需要滿足： （15）基于上式，浮點數(shù)編碼的交叉操作采用如下方式來實現(xiàn)： （16）其中，、為區(qū)間上均勻分布的隨機(jī)數(shù)，且有，調(diào)整的大小即可控制交叉操作的變化范圍。（3）變異操作使用變異算子來調(diào)整個體編碼串中的部分基因值，可以從局部的角度出發(fā)使個體更加逼近最優(yōu)解，提高遺傳算法的局部搜索能力。變異操作將某個個體的參數(shù)，操作變?yōu)橛騼?nèi)的另一個值。浮點數(shù)編碼的遺傳算法采用下式進(jìn)行： （17） 其中，表示平均值為，方差為的正態(tài)分布隨機(jī)數(shù)?？梢钥闯?，變異操作即是以當(dāng)前值為中心，主要在一個小范圍內(nèi)進(jìn)行隨機(jī)擾動的變化。3 算法設(shè)計根據(jù)以上介紹

17、，就遺傳算法本身而言，其步驟主要如下： （1）確定編碼方式，選取一定大小的初始種群；（2）計算所選種群中每一個個體的適應(yīng)度函數(shù)值及復(fù)制概率；（3）用輪盤賭方法，淘汰相應(yīng)個數(shù)的函數(shù)值較小的個體，替換為相應(yīng)個數(shù)的函數(shù)值較大的個體；（4）對個體隨機(jī)兩兩配對，按指定概率進(jìn)行交叉操作；（5）對每一個體中的每一參數(shù)，按指定概率進(jìn)行變異操作；（6）若滿足收斂條件則輸出最優(yōu)解并退出，否則返回執(zhí)行步驟（2），如此往復(fù)。而根據(jù)本機(jī)理模型具體實例而言，現(xiàn)將具體的算法流程作以介紹。步驟一：產(chǎn)生待辨識參數(shù)的初始種群根據(jù)式（12）中所示的待辨識參數(shù)上下限范圍，采用隨機(jī)的方式，生成3個參數(shù)的初始種群，種群大小為，并設(shè)置最大

18、進(jìn)化代數(shù)。若為種群中某個體的向量表示，則用MATLAB隨機(jī)生成的種群可用一個的矩陣來表示。步驟二：計算個體的適應(yīng)度選取50爐鋼的操作記錄（即數(shù)據(jù)組數(shù)）作為輸入數(shù)據(jù)及溫度比較標(biāo)準(zhǔn)，對于選中的每個個體，通過組輸入數(shù)據(jù)的計算結(jié)果，根據(jù)式（13）計算適應(yīng)度函數(shù)的值，并判斷當(dāng)前的進(jìn)化代數(shù)是否達(dá)到設(shè)定值。若達(dá)到設(shè)定值，則結(jié)束遺傳算法尋優(yōu)過程，此時最大適應(yīng)度值對應(yīng)的個體即為機(jī)理模型參數(shù)的辨識結(jié)果；若進(jìn)化代數(shù)未達(dá)到設(shè)定值，則繼續(xù)執(zhí)行步驟三。步驟三：進(jìn)行遺傳算法操作根據(jù)步驟二中計算出的適應(yīng)度值與式（14）計算出的選擇概率以及預(yù)先設(shè)定的交叉和變異概率，進(jìn)行遺傳算法的選擇、交叉和變異操作，產(chǎn)生下一代群體，而后將遺傳

19、代數(shù)增加1再返回步驟二。根據(jù)以上的三個步驟，繪制算法的流程圖如下所示：圖5 算法流程圖4 仿真實驗與結(jié)果分析綜合前文所述，參與參數(shù)優(yōu)化的輸入數(shù)據(jù)有：總耗電量，冷卻水流量，冷卻水入口、出口溫度，有功功率，精煉周期，加渣、加合金重量，鋼包內(nèi)外徑，鋼包高度，包底厚度，鋼水初溫，鋼水進(jìn)站與出站重量等。利用MATLAB中英國謝菲爾德大學(xué)遺傳算法工具箱，很容易利用工具箱內(nèi)的函數(shù)進(jìn)行生成種群、選擇、交叉、變異操作。經(jīng)MATLAB運(yùn)行仿真，最終遺傳代數(shù)到達(dá)100代時得到種群中的最優(yōu)個體如下： （18） 而隨著遺傳代數(shù)的增加，種群中的個體逐步優(yōu)化，計算溫度與實際溫度的誤差減小，即個體適應(yīng)度增大，圖6為每代最優(yōu)個

20、體適應(yīng)度值的變化趨勢。圖6 誤差趨勢圖可見，該趨勢符合實際情況。得到參數(shù)后，將最終得到優(yōu)化的參數(shù)代入到鋼水溫度預(yù)報的機(jī)理模型中，即可得到更加精確的溫度預(yù)報曲線。為檢驗?zāi)Ｐ偷木_性，另取20組現(xiàn)場數(shù)據(jù)，以式（18）所給出的參數(shù)計算終點溫度，并與實測溫度比較，結(jié)果如下表所示。表2 模型驗證結(jié)果為使結(jié)果更加直觀，用折線圖的方式繪制溫度計算值與實測值的偏差如下：圖7 預(yù)報溫度與實際溫度誤差折線圖可見，在20組數(shù)據(jù)中，有11組的預(yù)報結(jié)果誤差在5以內(nèi)，有16組的預(yù)報結(jié)果誤差在10以內(nèi)，而全部預(yù)報結(jié)果的誤差均在15以內(nèi)，平均預(yù)報溫度誤差為6.2?？梢钥闯觯珶掃^程中鋼水溫度的預(yù)報值與實測值比較吻合，說明該模

21、型建立即參數(shù)優(yōu)化比較合理。5 總結(jié)與展望本文在鋼水溫度預(yù)報機(jī)理模型的基礎(chǔ)上，應(yīng)用遺傳算法對機(jī)理模型中不易獲得的參數(shù)進(jìn)行辨識與尋優(yōu)，取得了初步的成功。然而，在溫度預(yù)報方面，雖然本文中的機(jī)理模型可以正確預(yù)測溫度變化趨勢，混合模型可以利用智能方法辨識出部分機(jī)理模型的參數(shù)，使模型更加準(zhǔn)確，但由于冶煉現(xiàn)場的復(fù)雜性，任何確定性或非確定性因素都有可能影響溫度變化的走勢。因此，若想建立更加精確的溫度預(yù)報模型，還需要對現(xiàn)場的實際情況做更加深入的考察與分析。此外，應(yīng)用遺傳算法時，待辨識參數(shù)的選擇也尤為關(guān)鍵。若選擇較多的參數(shù)進(jìn)行辨識，有可能使辨識后模型的結(jié)果更貼近于實際情況，但計算相對復(fù)雜；而選擇較少的參數(shù)辨識，可

22、使計算較為簡化，但模型精度變差。因此，結(jié)合現(xiàn)場經(jīng)驗，合理把握辨識參數(shù)的程度亦十分關(guān)鍵。而在執(zhí)行遺傳算法的過程中，若種群中個體的個數(shù)為，數(shù)據(jù)的組數(shù)為，則每代種群需進(jìn)行次計算，效率相對較低，所以研究并開發(fā)其它相對高效的智能算法做鋼水溫度預(yù)報研究，將成為我們今后研究方向之一。附錄 MATLAB源程序代碼clcclear alldata=xlsread('C:wrydata.xls'); P=data(:,1:end-1);T=data(:,end); N=3;threshold=-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1

23、1;-1 1;-1 1;-1 1;-1 1;%*%ÒÅ´«Ëã·¨²ÎÊýNIND=100;%ÖÖȺ´óСMAXGEN=100;PRECI=3;%*¸öÌ峤¶ÈGGAP=0.95;px=0.7;pm=0.01;trace=zeros(N+1,MAXGEN);Chrom=crtrp(NIND,0.5 1.3 10

24、00;0.8 6.5 1380); %ÓÅ»¯gen=0;for k=1:MAXGENObj=zeros(size(P,1),NIND);tin=25;R1=1.85;R2=2;Tevn=30;Height=4;Z1=0.25;for j=1:NINDfor i=1:size(P,1) qall=P(i,1); iter=Chrom(j,1); flow=P(i,2); tout=P(i,3); pactive=P(i,4); RealTime=P(i,5); Cp=Chrom(j,3); lamad=Chrom(j,2); zha=P(i,6); ca

25、o=P(i,7); casi=P(i,8); sife=P(i,9); mnfe=P(i,10); Tst0=P(i,11); Tls0=P(i,12); mstin=P(i,13); mstout=P(i,14); Obj(i,j)=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout);endend ObjV=zeros(1,NIND); fprintf('%dn'

26、,gen); for j=1:NIND ObjV(j)=sum(Obj(:,j)-T).2); end ObjV=ObjV' FitnV=ranking(ObjV); SelCh=select('sus',Chrom,FitnV,GGAP); SelCh=recombin('reclin',SelCh,px); ObjSel=zeros(size(P,1),size(SelCh,1);for j=1:size(SelCh,1)for i=1:size(P,1) qall=P(i,1); iter=SelCh(j,1); flow=P(i,2); tout

27、=P(i,3); pactive=P(i,4); RealTime=P(i,5); Cp=SelCh(j,3); lamad=SelCh(j,2); zha=P(i,6); cao=P(i,7); casi=P(i,8); sife=P(i,9); mnfe=P(i,10); Tst0=P(i,11); Tls0=P(i,12); mstin=P(i,13); mstout=P(i,14); ObjSel(i,j)=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R

28、1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout);endendObjSelV=zeros(1,size(SelCh,1); for j=1:size(SelCh,1) ObjSelV(j)=sum(ObjSel(:,j)-T).2); end ObjSelV=ObjSelV' Chrom,ObjV=reins(Chrom,SelCh,1,1,ObjV,ObjSelV); gen=gen+1; Y,I=min(ObjV); trace(1:N,gen)=Chrom(I,:); trace(end,gen)=Y;end%½ø

29、7;¯Í¼outcome=trace;figure(1);plot(1:MAXGEN,trace(end,:);grid on;xlabel('ÒÅ´«´úÊý')ylabel('Îó²î±ä»¯')title('½ø»¯¹ý³Ì')bestX=trace(1:end-1,end)

30、;bestErr=trace(end,end); function y=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout)y1=absorbedheat(qall,iter);y2=surfacedissipation(flow,tout,tin,pactive,RealTime);y3=materials(zha,cao,casi,sife,mnfe);y4=sidedissip

31、ation(R1,R2,Tst0,Tls0,Tevn,Height,RealTime,Cp,lamad);y5=bottomdissipation(Z1,Tst0,Tls0,Tevn,R1,RealTime,Cp,lamad);y=(y1-y2-y4-y5)/(460*mstin+1050*(mstout-mstin)-y3+Tst0;function y=absorbedheat(qall,iter)y=qall*iter*3.6*1000000;function y=surfacedissipation(flow,tout,tin,pactive,RealTime)y=RealTime/3

32、600*flow*1000*4200*(tout-tin)+pactive*0.065*RealTime/3600*3.6*1000000;function y=materials(zha,cao,casi,sife,mnfe)y=(zha+cao+casi*1.05-sife*0.9+mnfe*0.9)*0.01;function y=sidedissipation(R1,R2,Tst0,Tls0,Tevn,Height,RealTime,Cp,lamad)deltaR=(R2-R1)/9;for i=1:1:10 R(i)=R1+deltaR*(i-1);endT0=zeros(1,10);for i=1:1:10 T0(i)=Tls0+(Tst0-Tls0)*(log(R2/R(i)/(log(R2/R1);end lamad1=lamad;deltaTau=10;hac=10;rho=2000;B=hac*deltaR/lamad1;Fo=(lamad1*deltaTau