发明内容

针对上述问题，本发明提供了一种城市生活垃圾焚烧过程炉排空气流量设定方法，可以 通过对操作变量(各炉排空气流量)的优化设定，使得城市生活垃圾焚烧炉稳定运行。

为达到上述目的，本发明采用如下技术方案：

一种城市生活垃圾焚烧过程炉排空气流量设定方法，其特征在于包括以下步骤：(1)根据 城市生活垃圾焚烧过程的历史数据建立设定案例库；(2)参数初始化；(3)基于自私牧群-模拟 退火算法(selfish herd optimizer-simulated annealing algorithm,SHO-SA)分配特征权重；(4)通过 案例检索模型得到M个相似案例的解；(5)通过案例重用求取M个相似案例解的平均值，从 而得到目标案例解的设定值。(6)将目标案例与其设定值构成一条案例存储至设定案例库中； (7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程炉排空气流量的优化设定过程。进一 步具体包括如下步骤：

(1)根据城市生活焚烧过程的历史数据建立设定案例库；将特征变量x₁～x₉(一次空气加热 器出口空气温度x₁、干燥炉排左内侧速度x₂、干燥炉排左外侧速度x₃、干燥炉排左外侧速度 x₄、干燥炉排右外侧速度x₅、干燥段炉排左侧进口温度x₆、干燥段炉排左侧出口温度x₇、干 燥段炉排右侧进口温度x₈、干燥段炉排右侧出口温度x₉)的历史数据与干燥炉排空气流量y经 过归一化处理后表示成特征向量形式，形成A条源案例，存储于设定案例库中。记每条源案 例为C_t，表示为如下形式：

C_t＝(X_t；y_t),t＝1,2,…,A (1)

其中，A是源案例总数；y_t是第t条源案例C_t中干燥段炉排1空气流量值；X_t是第t条源案例 的问题描述，X_t可表示为：

X_t＝(x_1,t,…,x_λ,t,…,x_9,t) (2)

其中，x_λ,t(λ＝1,…,9)表示C_t中第λ个特征变量值。

(2)参数初始化；令自私牧群模-拟退火算法特征权重上下限ω_d和ω_u、总迭代次数itern、 当前迭代次数k、初始温度T₀、最终温度T_min、温度控制参数T_SA和温度衰减系数τ。

(3)基于自私牧群-模拟退火算法分配特征权重；如图2，首先，采用SHO-SA算法优化 分配权重前，需要将随机生成的N组权重对象分成“猎物”和“捕食者”两组，猎物组的规模大于捕食者的规模，猎物群的成员集合用H表示，数量为N_h；另一部分为捕食者，成员集合用P表示，数量为N_p。其次，采用自私牧群优化(selfish herd optimizer,SHO)算法进行权重 寻优，SHO算法通过运动阶段、捕食阶段和恢复阶段进行寻优；详细过程如下：

a.运动阶段：

根据猎物的结构，将猎物组的权重划分为三个角色对运动阶段进行分析：猎物的首领、 追随者以及独立于猎物群移动的逃亡者。首领代表第k次迭代猎物组中适应度最佳的 权重。三者定义表示如下：

其中，表示第k次迭代中的数据h_i的权重,表示第k次迭代过程中的追随者；表示当前迭代过程中的逃亡者；rand(0,1)表示(0,1)随机数且不影响算法性能。基于以上描述， 三种角色的运动方式表示如下：

首领运动：

其中，表示第k+1迭代的最佳适应度对应的权重，c^k和s^k为运动矢量，计算如公式(7) 和公式(8)所示；SV为生存值，表示如下：

其中，为第k次迭代时被淘汰风险最高的权重，计算如公式(10)所示；表示 “猎物”组中权重对“捕食者”组中权重的排斥因子，计算如公式(11)所示；表示第k 次迭代过程中最优的权重；表示第k次迭代时最佳权重对“猎物”组其他权重的吸 引因子，计算如公式(12)所示；α和ε均为区间(0,1)之间的随机数，且不影响算法性能；f(Ω(i)) 表示N组权重中第i组所对应的适应度，Ω(i)＝(ω_i,1,ω_i,2,…,ω_i,j,…,ω_i,J)，ω_i,j表示Ω(i)中的第j 个特征权重，J为特征总数；f_best和f_worst分别表示在SHO算法进化过程中发现的最佳适应度 和最差适应度，分别定义如公式(13)和公式(14)所示：

其中，表示第k次迭代过程中“捕食者”组的权重，k表示SHO进化过程中的当前迭 代次数。

追随者和逃亡者的运动：

其中，和表示追随者和逃亡者的集合，当Ω(h_i)被标识为主要或从属追随者时， f_i ^k表示追随者的运动向量；当Ω(h_i)被标识为逃亡者时，表示逃亡者的运动向量。f_i ^k和表 示如下：

其中，为第k次迭代过程中权重对权重的吸引因子；为第k 次迭代过程中权重对权重的吸引因子；为第k次迭代过程中权重Ω_best对 权重的吸引因子；表示第k次迭代过程中权重Ω(h_i)的生存值；χ、κ和为区 间(0，1)之间的随机数，且不影响算法性能；表示相对权重的最佳权重，他比权 重的生存值更大，其计算公式如下：

其中，r_i,j表示第k次迭代过程中权重和权重之间的欧几里得距离；Ω(H^k)表示 第k次迭代过程中“猎物”组的所有权重。

捕食者的运动只依赖于与猎物个体距离，并且捕食者通常攻击距离较近得个体，其运动 公式可以表示为：

其中，表示第k次迭代时捕食者组的权重，I∈(1,N_p)；ρ表示一个在区间[0,1]内的一个 随机数；是采用轮盘赌的方式在猎物组中选出的权重；r∈(1,2,...,N_h)，N_h表示猎 物组权重的数量。

b.捕食阶段

在捕食阶段，将淘汰的权重定义如下:

其中，N_k表示在捕食阶段被淘汰的权重总数，Ω(h_n)和Ω(h_w)为被淘汰的权重个体。

c.恢复阶段

为了保证每次迭代权重的规模相同，采用轮盘赌方式恢复权重规模，恢复权重定义如下：

其中，表示候选权重的特征元素。

恢复阶段后，种群规模恢复，得到新的迭代权重。通过SHO算法得到种群内部RMSE最小所对应的权重，并将上述权重和此权重的适应度分别记为Ω_best和f(Ω_best)，同时存储在Ω _Best和f(Ω_Best)中，如下所示：

Ω_Best＝Ω_best (22)

f(Ω_Best)＝f(Ω_best) (23)

然后，采用模拟退火(simulate anneal,SA)算法对上述权重继续寻优。详细过程如下：

将Ω_best作为模拟退火算法的初始值，在权重Ω_best附近进行随机搜索，从而产生新的权重 Ω_new，并计算其适应度f(Ω_new)，再采用Metropolis准则接受最优权重。当新权重的适应度优 于Ω_Best的适应度时直接接受，否则通过概率ξ接受新权重，即ζ<ξ时接受，否则不接受，其 中，ξ的计算公式如公式(25)所示。如果新的权重被接受，则将新解Ω_new和其适应度f(Ω_new)赋 予Ω_Best和f(Ω_Best)，并且更新退火温度至最低温度T_min，更新温度等式和Metropolis准则表示 如下：

T_n+1＝τ·T_n (24)

其中，T_n为第n次退火的退火温度；T_n+1为第n+1次退火的退火温度；τ表示温度衰减率， 通常取0.8-0.99之间的值，本文取0.95。；ζ为通过rand生成的区间[0,1]内的随机数；Ω_new为 新的权重，Ω_Best为当前最佳适应度所对应的权重；T_SA为温度控制参数，且T_SA＝T_n。

最后，当模拟退火算法中温度达到最低时，表明SHO-SA算法一次迭代寻优结束。选择 本次迭代得到的最优权重进入下一次迭代寻优，直到达到迭代次数，从而获得最优权重的近 似解。

(4)从测试案例库中获取干燥段炉排目标案例并做归一化处理，通过案例检索模型计算 干燥段目标案例与源案例的相似度并检索出相似案例；；其中，采用基于欧氏距离的相似性度 量方法计算当前数据(x_1,A+1,…,x_λ,A+1,…,x_9,A+1)与源案例C_t的相似度值S_t：

(5)通过案例重用求取M个相似案例解的平均值，从而得到目标案例解的设定值；

(6)将目标案例与设定值构成一条案例存储至设定数据库中，供下次优化设定求解。

(7)重复步骤(3)～步骤(6)，以实现城市生活垃圾焚烧过程炉排空气流量的优化设定过程。

本发明与现有技术相比，具有以下优点：1、本发明利用垃圾焚烧过程中产生的历史数据， 采用案例推理方法建立了优化设定模型，所需时间较短，有利于实时应用；2、避免了专家经 验进行优化设定的主观性；3、采用基于自私牧群-模拟退火算法的特征权重优化分配方法有 利于避免权重分配和距离陷阱的难题，使得炉排空气流量的设定值符合焚烧过程运行优化的 要求。