Аннотация
В статье представлена модификация классического генетического алгоритма и показано его применение для решения задачи многокритериальной оптимизации структуры шихтовых материалов для дуговой сталеплавильной печи. Целью исследования является определение эффективных алгоритмов для решения оптимизационной задачи о структуре шихтовых материалов для дуговой сталеплавильной печи. Целевыми функциями в рассматриваемой многокритериальной оптимизационной задаче являются содержания остаточных элементов в стали, таких как хром, никель и медь. Искомая величина – кортеж, определяющий долевое участие составляющих шихты дуговой сталеплавильной печи. При проведении исследований стояли следующие цели: постановка многокритериальной оптимизационной задачи, которая для решения с помощью модифицированного генетического алгоритма приводится к однокритериальному виду с использованием метода свертки критериев с заданными весовыми коэффициентами; модификация классического генетического алгоритма на основе ввода этапа улучшения особи; выбор фитнесс-функции для ведения поиска решений в недопустимых областях; определение порядка перехода от модифицированного генетического алгоритма к классическому. При проведении исследований использованы: метод свертки критериев для преобразования многокритериальной задачи оптимизации к однокритериальному виду, классический и модифицированный генетические алгоритмы, метод штрафных функций. Предлагаемая модификация классического генетического алгоритма позволила добиться устойчивого процесса сходимости на первых этапах вычислительного процесса. Композиционное сочетание классического и модифицированного генетического алгоритма позволяет достичь решения оптимизационной задачи о структуре шихтовых материалов дуговой сталеплавильной печи с заданной точностью не более чем за 30 итераций.
Ключевые слова
Генетический алгоритм, улучшение особи, структура шихтовых материалов, дуговая сталеплавильная печь, оптимизационная задача.
1. Логунова О.С. Технология исследования информационных потоков на металлургическом предприятии // Информационные технологии в проектировании и производстве. 2008. № 3. С. 32-36.
2. Honjo N, Tsuno M, Shinkai M. Steelmaking. Development of an Optimized Burner Technology in Arc Furnace. 1999. 70(2). P.163-171. https://doi.org/10.4262/denkiseiko.70.163.
3. Injection burner for auxiliary heating of scrap charge in electric-arc furnace for steelmaking. https://docslide.com.br/do cuments/9803257-injection-burner-for-auxiliary-heating-of-scrap-charge-in-electric-arc.html. Доступ 05.02.2018.
4. Kornilov G.P., Nikolaev A.A., Anokhin V.V. Power Increase of Steelmaking Electric Arc Furnace // Metallurgist. 2016. №60. P. 780-785. https://doi.org/10.1007/s11015-016-0367-7.
5. Nikolaev A.A., Kornilov G.P., Anufriev A.V., Pekhterev S.V., Povelitsa E.V. Electrical optimization of superpowerful arc furnaces // Steel in Translation. 2014. №44(4).P. 289-297.
6. Shevtsov A.Z., Yugov P.I., Okorokov G.N. et al. Efficiency of a combination «DC-ARC furnace-converter» steelmaking module // Metallurgist. 1998. №42. Issue 12. P. 477-479. https://doi.org/10.1007/BF02511768
7. Опыт выплавки стали в сверхмощной дуговой печи с повышенным расходом твердого чугуна / Бигеев В.А., Валиахметов А.Х., Бурак Йе, Федянин А.Н. // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2014. №1. С. 15-18.
8. Logunova O.S., Filippov E.G., Pavlov I.V., Pavlov V.V. Multicriterial optimization of the batch composition for steel-smelting arc furnaces // Steel in Translation. 2013. №43(1): P. 34-38. Doi: 10.3103/S0967091213010051.
9. Logunova O.S., Sibileva N.S. Intelligent Support System of Steel Technical Preparation in an Arc Furnace: Functional Scheme of Interactive Builder of the Multi Objective Optimization Problem // IOP Conference Series: Materials Science and Engineering. 2018. № 287. DOI: 10.1088/1757-899X/287/1/012009.
10. Математическое моделирование макроскопических параметров затвердевания непрерывных слитков / Логунова О.С., Девятов Д.Х., Ячиков И.М., Кирпичев А.А. // Известия высших учебных заведений. Черная металлургия. 1997. № 2. С. 49-51.
11. Колокольцев В.М., Синицкий Е.В., Савинов А.С. Моделирование температурных полей при получении отливок // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2015. № 3 (51). С. 39-43.
12. Константинов Д.В., Корчунов А.Г. Мультимасштабное компьютерное моделирование процессов обработки металлов давлением // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2015. № 1 (49). С. 36-43.
13. Потенциодинамическое исследование сплава Al+6%Li с иттрием в среде электролита NACL / Назаров Ш.А., Ганиев И.Н., Норова М.Т., Ганиева Н.И., Каллиари И. // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2016. Т. 14. № 2. С. 95-100.
14. Fogel L.J., Owens A.J., Walsh M.J. Artificial Intelligence throw Simulated Evolution. New York: John Wiley & Sons. INc, 1966.
15. Rechenberg I. Evolutionstrategie: Optimierung technisher Systems nach Prinzipien der biologischen Evolution. Stuttgart:Fromman-Holzboog, 1973.
16. Koza J.R. Genetic Programming. Cambridge: MA:MIT Press, 1992.
17. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969.
18. Букатова И.Л.Эволюционное моделирование и его приложения. М.: Наука, 1979.
19. Banzhaf W., Brameier M. A comparison of linear genetic programming and neural networks in medical data mining// IEEE Transactions on Evolutionary Computation. 2001. №5. Pp. 17–26.
20. Влияние фракционного состава металлолома на показатели работы дуговой сталеплавильной печи / Павлов В.В., Ивин Ю.А., Пехтерев С.В., Мацко И.И., Логунова О.С. // Электрометаллургия. 2011. № 11. С. 2–6.