基于蚁群算法的热轧负荷分配优化
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外板带钢热轧研究现状 | 第11-13页 |
| 1.2.1 国内研究概况 | 第11-13页 |
| 1.2.2 国外研究概况 | 第13页 |
| 1.3 负荷分配优化研究进展 | 第13-17页 |
| 1.3.1 能耗曲线法 | 第14-15页 |
| 1.3.2 负荷分配系数法 | 第15页 |
| 1.3.3 最优化方法 | 第15-16页 |
| 1.3.4 智能化方法 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第二章 负荷分配优化数学模型 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 负荷分配模型 | 第19-20页 |
| 2.2.1 负荷分配形式与原则 | 第19-20页 |
| 2.2.2 负荷分配与压下规程的关系 | 第20页 |
| 2.4 轧制力模型 | 第20-26页 |
| 2.5 轧制力矩模型 | 第26页 |
| 2.6 电机功率模型 | 第26页 |
| 2.7 轧制速度模型 | 第26-28页 |
| 2.8 设备负荷的计算 | 第28页 |
| 2.9 本章小结 | 第28-31页 |
| 第三章 蚁群算法基本原理 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 蚁群算法基本原理 | 第31-34页 |
| 3.2.1 蚁群算法概念 | 第31-33页 |
| 3.2.2 算法模型 | 第33-34页 |
| 3.4 基本蚁群算法流程 | 第34-35页 |
| 3.5 改进蚁群算法 | 第35-36页 |
| 3.6 蚁群算法的参数选择 | 第36-41页 |
| 3.6.1 蚁群算法的模型选择 | 第37页 |
| 3.6.2 蚂蚁数量对蚁群算法的影响 | 第37-38页 |
| 3.6.3 启发式因子对蚁群算法的影响 | 第38-40页 |
| 3.6.4 信息素强度Q对蚁群算法的影响 | 第40页 |
| 3.6.5 信息素挥发因子ρ对蚁群算法的影响 | 第40-41页 |
| 3.7 蚁群算法参数的确定方法 | 第41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 基于蚁群算法的热轧轧制负荷分配优化 | 第43-59页 |
| 4.1 目标函数的选取 | 第43-46页 |
| 4.1.1 能耗目标函数 | 第43-44页 |
| 4.1.2 等负荷目标函数 | 第44页 |
| 4.1.3 多种负荷均衡分配目标函数 | 第44-45页 |
| 4.1.4 多目标优化目标函数 | 第45-46页 |
| 4.1.5 本文目标函数的确定 | 第46页 |
| 4.2 约束条件的确定 | 第46-48页 |
| 4.3 基于蚁群算法的热连轧轧制负荷分配优化 | 第48-53页 |
| 4.3.1 决策变量的确定 | 第48-49页 |
| 4.3.2 蚁群算法优化方法 | 第49-50页 |
| 4.3.3 基本蚁群算法优化流程 | 第50-52页 |
| 4.3.4 改进蚁群算法优化流程 | 第52-53页 |
| 4.4 模拟仿真 | 第53-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 负荷分配优化仿真实例 | 第59-75页 |
| 5.1 工艺布置及主要设备参数 | 第59-60页 |
| 5.2 精轧过程自动化控制系统 | 第60-65页 |
| 5.2.1 轧制过程系统的硬件组成 | 第61-63页 |
| 5.2.2 轧制过程系统的软件组成 | 第63页 |
| 5.2.3 精轧过程控制系统数据流图 | 第63-64页 |
| 5.2.4 精轧模型设定计算流程 | 第64-65页 |
| 5.3 蚁群算法优化程序设计 | 第65-69页 |
| 5.3.1 Visual C++概述 | 第65-67页 |
| 5.3.2 优化程序设计 | 第67-69页 |
| 5.4 优化效果对比 | 第69-72页 |
| 5.5 本章小结 | 第72-75页 |
| 第六章 结论 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间完成的工作 | 第83-85页 |
| 致谢 | 第85页 |
