| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-27页 |
| ·引言 | 第10-11页 |
| ·转炉终点控制技术现状 | 第11-16页 |
| ·转炉静态控制 | 第11-12页 |
| ·转炉动态控制 | 第12-13页 |
| ·转炉静态控制模型的重要性 | 第13-14页 |
| ·转炉终点优化控制技术 | 第14页 |
| ·人工智能技术在转炉终点控制中的应用 | 第14-16页 |
| ·BP神经网络的特点与应用 | 第16-19页 |
| ·人工神经网络的特点 | 第16页 |
| ·BP神经网络模型原理 | 第16-18页 |
| ·BP神经网络模型应用中的问题 | 第18-19页 |
| ·遗传算法及多目标优化 | 第19-25页 |
| ·遗传算法原理和特点 | 第19-21页 |
| ·遗传算法与BP算法的组合优化算法 | 第21-22页 |
| ·遗传算法的发展和应用 | 第22-25页 |
| ·多目标遗传算法与多目标优化技术 | 第25页 |
| ·研究背景和研究内容 | 第25-27页 |
| ·研究背景 | 第25-26页 |
| ·研究内容 | 第26页 |
| ·本文创新 | 第26-27页 |
| 2 基于小生境思想的改进适应度函数 | 第27-38页 |
| ·遗传算子的作用机制分析 | 第27-30页 |
| ·遗传算法的运行步骤 | 第27-28页 |
| ·遗传算法运行机制分析 | 第28-30页 |
| ·常用适应度函数 | 第30-31页 |
| ·基于小生境思想的新适应度函数的提出 | 第31-33页 |
| ·遗传算法性能评价指标 | 第33-34页 |
| ·收敛概率 | 第33页 |
| ·平均收敛时间 | 第33页 |
| ·种群平均距离 | 第33-34页 |
| ·数值实验 | 第34-37页 |
| ·小结 | 第37-38页 |
| 3 多峰函数优化的混合遗传算法 | 第38-49页 |
| ·遗传算法与最速下降法的混合算法 | 第38-45页 |
| ·问题描述 | 第38-39页 |
| ·基于遗传算法-最速下降法的混合遗传算法 | 第39-41页 |
| ·混合遗传算法的实现与数值实验 | 第41-45页 |
| ·遗传算法与BP算法的混合算法 | 第45-48页 |
| ·GA-BP混合遗传算法 | 第45-46页 |
| ·数值实验与比较 | 第46-48页 |
| ·小结 | 第48-49页 |
| 4 基于GA-BP混合遗传算法的转炉终点优化控制模型 | 第49-66页 |
| ·攀钢转炉炼钢工艺特点 | 第49-52页 |
| ·攀钢炼钢基本流程 | 第49-50页 |
| ·攀钢炼钢原料特点 | 第50-51页 |
| ·攀钢炼钢终点控制技术 | 第51-52页 |
| ·转炉终点多目标优化原理 | 第52-55页 |
| ·基于GA-BP混合遗传算法的攀钢转炉终点预测模型 | 第55-60页 |
| ·转炉终点预测模型原理 | 第55-56页 |
| ·神经网络的结构设计 | 第56页 |
| ·学习样本选择 | 第56-57页 |
| ·数据标准化 | 第57-58页 |
| ·神经网络的训练算法 | 第58页 |
| ·转炉终点预测神经网络模型的运行机理 | 第58-60页 |
| ·转炉终点优化模型的优化变量 | 第60-61页 |
| ·转炉终点优化多目标遗传算法的个体表示 | 第61页 |
| ·转炉终点优化多目标遗传算法的群体生成 | 第61-62页 |
| ·攀钢转炉终点优化系统的实现 | 第62-65页 |
| ·本章小节 | 第65-66页 |
| 5 攀钢转炉终点优化控制模型的检验 | 第66-81页 |
| ·计算条件6l | 第66-67页 |
| ·模型的输入输出变量 | 第66-67页 |
| ·模型主要运行参数设置 | 第67页 |
| ·攀钢转炉终点预测结果及分析 | 第67-74页 |
| ·低拉增碳工艺下的终点预测 | 第68-71页 |
| ·高拉补吹工艺下的终点预测 | 第71-74页 |
| ·攀钢转炉冶炼工艺参数优化结果及分析 | 第74-78页 |
| ·结果讨论 | 第78-81页 |
| ·转炉终点预测模型的结果讨论 | 第78-79页 |
| ·转炉终点多目标优化模型的结果讨论 | 第79-81页 |
| 6 结 论 | 第81-82页 |
| 致 谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 附录:研究生期间发表的论文 | 第87-88页 |