本发明涉及配料
技术领域：
，具体涉及一种基于优化小生境遗传算法的熔炼配料方法。
背景技术：
：如何在保证成分要求和操作工艺的前提下，降低配料成本和提高产品质量近来成为研究热点。应用智能优化技术研究更有效、更科学和更便捷的配料方法是改变当前配料优化过程单凭配料经验、很少考虑配料成本、手工操作落后等状况的重要途径和必然方法。近年来，随着国家对基础设施的大额投入以及中国工业化的大力推进，我国总产量和需求量节节攀升，越来越多的研究人员将智能优化方法应用于配料优化领域。传统的配料优化算法大多为线性规划、神经网络、模拟退火、专家系统、蚁群算法等，文章[张学锋等.基于线性规划的智能炼铁配料系统[j].计算机系统应用,2019,28(04):87-93.]采用线性规划的方法建立炼铁配料的数学模型，利用单纯形法求解达到成本最优；文章[赵宏博等.球团矿优化配料方法及应用研究[j].烧结球团,2018,v.43(04):43-47.]建立以成品球团矿的化学成分指标为约束条件，将成本最低作为寻优目标的配料模型，并选用非线性规划方法进行模型求解。这些方法能够解决配料模型较为简单的问题，但是在配料模型中约束条件越来越复杂情况下，难以得到最佳配料比，且收敛速度较慢、易陷入局部最优，具有局限性，不适合处理复杂的配料模型。智能优化算法以其通用性强广泛应用于生产调度和模式识别等领域。目前已有学者将智能优化算法应用于配料优化计算，有效的解决了传统计算配料模型存在的问题。文章[杜家楠.基于遗传算法与非线性规划优化烧结成本[j].市场研究,2018,no.472(08):26-27.]提出用遗传算法优化烧结配料，由于建模中的约束条件比较多，利用罚函数来处理约束条件使求解更加便利，成功地运用遗传算法降低了传统的炼钢成本。随着工厂的需求逐渐增加，传统智能优化算法法出现了新的问题：不仅需要考虑配料成本的问题，也要同时考虑产品质量和原料用量的问题，因此，如何求得多目标函数的最佳配料比并满足复杂的约束条件成为新的问题焦点。技术实现要素：为了解决现有技术问题，本发明提供一种基于优化小生境遗传算法的熔炼配料方法，首先建立以生产成本、原料用量和质量为优化目标，以元素含量、非负等为约束条件的多目标优化模型。其次，采用差值粒子群算法将多目标优化问题转化为单目标优化问题。最后，根据工厂生产的实际执行因素，将基于改进的k均值聚类算法优化自适应小生境遗传算法与实际工厂生产过程相结合，合理地生成配料比，达到减小生产成本、降低生产能耗、提高产品质量的效果。为解决上述技术问题，本发明所采取的技术方案是：一种基于优化小生境遗传算法的熔炼配料方法，包括下述步骤：s1：建立生产成本、原料用量和产品质量的多目标函数，提出了生产过程中的各种参数的指标为多约束条件，建立熔炼配料优化数学模型；s2：针对多目标的特点提出一种基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；s3：初始化种群，随机生成m个个体，并计算各个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前n个个体；s4：根据基于密度值改进的k均值聚类算法把种群分为k个聚类并确定聚类中心；s5：进行选择操作，采用最优保存策略，个体依适应度值高低进行排序，选取适应度值高的一半个体作为父代，在每个聚类中随机选取个体进行自适应交叉和变异，产生新个体然后进入下一代种群；s6：小生境淘汰操作，将s3得到的m个个体记忆的n个个体合并起来，得到了一个含有m n个个体的新群体，在每一个聚类中计算每两个个体xi和xj的适应度大小，并对其中适应度较低的个体加罚函数；s7：计算新的适应度并记忆前n个个体；s8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。进一步的，所述步骤s1中，建立配料优化数学模型为：目标函数为原料成本，公式如下：其中，f表示使用原料成本，n表示有n种原料，ci表示第i种生产的原料的单价(元/kg)，xi表示第i种加入原料的用量。目标函数为原料加入总量，公式如下：其中，g表示使用原料总量，n表示有n种原料，xi表示第i种加入原料的用量。目标函数为产品质量，公式如下：其中，z表示生产产品的质量，m表示有m个元素约束，n表示有n种原料，xi表示第i种加入原料的用量，aij表示第i种原料含有的第j种元素的元素含量，zj表示产品中第j种元素含量最佳控制点，g表示加入原料总量。约束条件为工艺性能要求，公式如下：其中，xi表示第i种原料的加入量，n表示有n种原料，nj是目标产品的第j种元素的成分要求下限，mj是目标产品的第j种元素的成分要求上限，aij是第i种原料的第j种元素含量。约束条件为总量要求，公式如下：其中，xi表示第i种原料的加入量，n表示有n种原料，g为原料加入总量。约束条件为非负要求，公式如下：xi≥0其中，xi表示第i种原料的加入量。进一步的，所述步骤s2中，利用基于差值粒子群优化方法对多目标函数对配料优化多目标数学模型进行加权处理，包括以下步骤：1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做xi,i＝1,2,3；1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(xj)，即fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值；1-3)计算第i个目标函数的差值θi其中，θi表示第i个目标函数的差值，j表示第j个目标函数，fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值，fi(xi)表示第i个目标函数的最优解代入第i个目标函数的函数值。1-4)按照公式计算第i个目标函数的平均差值；其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，θi表示第i个目标函数的差值。1-5)按照公式计算权重系数λi其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，λi表示权值。1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数。进一步的，所述步骤s4中，利用基于密度值改进的k均值聚类算法来确定小生境半径，具体步骤如下：2-1)以每个样本点为初始聚类中心，以r1为半径划定一个球形特征空间，统计落在该球形区域的点的数量作为该点的密度；2-2)将密度最大的样本数据设置为第1个初始聚类中心；2-3)选择1个整数r2<r1，统计第1个初始聚类中心点的r2半径范围之外的数据中，选取密度次大的样本数据作为第2个初始聚类中心；2-4)按照2-3)的方法，依次得到剩余的初始聚类中心，若m＝k，则算法结束；进一步的，所述步骤s5中，自适应的交叉和变异算子，具体为：其中，pc(x)为第x代的交叉概率，pc为初始交叉概率，gen为总的进化代数，x表示进化代数。其中，pm(x)为第x代的交叉概率，pm为初始交叉概率，gen为总的进化代数，x表示进化代数。采用上述技术方案所产生的有益效果在于：本发明提出的一种基于优化小生境遗传算法的熔炼配料方法针对配料中现存的存在的多目标求值难，易陷入局部最优解等问题，本发明基于优化小生境遗传算法的熔炼配料方法对确定多目标权值、小生境半径和交叉和变异算子这三个过程进行改进。本发明改进后小生境遗传算法称为一种基于优化小生境遗传算法的熔炼配料方法(improvednichegeneticalgorithm，简称inga)，该方法与传统配料优化相比既增加了目标函数的考虑，又能满足约束条件的限制，从而解决配料优化问题。本发明与传统粒子群算法和小生境遗传算法相比：(1)提出一种基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；(2)根据基于密度值改进的k均值聚类算法把种群分为k个聚类并确定聚类中心来确定小生境半径；(3)在小生境遗传算法中加入了自适应的交叉和变异算子，使其在解决复杂的全局优化问题时也能展现出良好的鲁棒性；(4)配料数学模型的建立，并且提出配料数学模型和基于优化小生境遗传算法的熔炼配料方法结合，根据实际配料过程，从而达到提高生产效率及节约成本等的要求。将本发明提出的方法应用于双金属锤头的配料优化，通过试验分析，验证了提出的inga配料优化模型的有效性，对比线性规划使成本下降了5486.17元，质量提升了0.75％，相比其他智能优化算法成本平均下降了20.78元，质量提升了0.105％，能够实现配料优化的合理配料。附图说明图1是一种基于优化小生境遗传算法的熔炼配料方法流程图图2是基于差值粒子群优化方法流程图；图3是基于密度值改进的k均值聚类算法流程图；图4是sigmoid函数图；图5是轮廓系数图；图6是十种不同工艺采用不同算法的成本对比图；图7是十种不同工艺采用不同算法的产品质量对比图；图8是十种不同工艺采用不同算法的性价比对比图；具体实施方式下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明以配料优化为载体，以inga算法作为主要的算法框架，其流程图如图1所示，包括下述步骤：s1.建立了生产成本、原料用量和产品质量的多目标函数，提出了生产过程中的各种参数的指标为多约束条件，建立配料优化数学模型。本发明的试验验证构建了配料优化数学模型，目标函数为原料成本，公式如下：其中，f表示使用原料成本，ci表示第i种生产产品的原料的单价(元/kg)，xi表示第i种加入原料的用量。目标函数为原料加入总量，公式如下：其中，g表示使用原料总量，xi表示第i种加入原料的用量。目标函数为产品质量，公式如下：其中，z表示生产产品的质量，m表示有m个元素约束，n表示有n种原料，xi表示第i种加入原料的用量，aij表示第i种原料含有的第j种元素的元素含量，zj表示产品中第j种元素含量最佳控制点，g表示加入原料总量。约束条件为工艺性能要求，公式如下：其中，xi表示第i种原料的加入量，n表示有n种原料，nj是目标产品的第j种元素的成分要求下限，mj是目标产品的第j种元素的成分要求上限，aij是第i种原料的第j种元素含量。约束条件为总量要求，公式如下：其中，xi表示第i种原料的加入量，n表示有n种原料，g为原料加入总量。约束条件为非负要求，公式如下：xi≥0其中，xi表示第i种原料的加入量。s2.针对多目标的特点提出一种基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题。配料优化中某一目标函数的差值是指取不同配料比时与最优值之间的差距。本文提出的基于差值粒子群算法步骤描述如下，算法流程图如图2所示。1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做xi,i＝1,2,3；1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(xj)，即fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值；1-3)计算第i个目标函数的差值θi其中，θi表示第i个目标函数的差值，j表示第j个目标函数，fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值，fi(xi)表示第i个目标函数的最优解代入第i个目标函数的函数值。1-4)按照公式计算第i个目标函数的平均差值；其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，θi表示第i个目标函数的差值。1-5)按照公式计算权重系数λi其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，λi表示权值。1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数。s3.初始化种群，随机生成m个个体，并计算各个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前n个个体；s4.根据基于密度值改进的k均值聚类算法把种群分为k个聚类并确定聚类中心。使用评价指标和密度来优化k均值聚类算法的k值和初始类中心，将参数的不确定性对聚类结果的影响降到最低。用基于密度值改进的k均值聚类算法就可以无需事先确定小生境的数目和半径，可以通过轮廓系数和密度值来确定k值和初始类的中心，以此来提高算法的准确性，加快算法的收敛速度。算法流程图如图3所示，具体步骤如下：2-1)以每个样本点为初始聚类中心，以r1为半径划定一个球形特征空间，统计落在该球形区域的点的数量作为该点的密度；2-2)将密度最大的样本数据设置为第1个初始聚类中心；2-3)选择1个整数r2<r1，统计第1个初始聚类中心点的r2半径范围之外的数据中，选取密度次大的样本数据作为第2个初始聚类中心；2-4)按照2-3)的方法，依次得到剩余的初始聚类中心，若m＝k，则算法结束。s5：进行选择操作，采用最优保存策略，个体依适应度值高低进行排序，选取适应度值高的一半个体作为父代，在每个聚类中随机选取个体进行自适应交叉和变异，产生新个体然后进入下一代种群。交叉和变异操作是小生境遗传算法中十分重要的两个操作，常见的小生境遗传算法采用固定的交叉和变异概率，对于求解一般的全局最优问题具有较好的鲁棒性，而在解决一些复杂的优化问题时存在早熟和稳定性差的缺点。通过引入sigmoid函数，使得交叉概率和变异概率呈现出s型，具体函数如图4所示。本发明提出一种自适应的交叉和变异算子，具体为：其中，pc(x)为第x代的交叉概率，pc为初始交叉概率，gen为总的进化代数，x表示进化代数。其中，pm(x)为第x代的交叉概率，pm为初始交叉概率，gen为总的进化代数，x表示进化代数。s6：小生境淘汰操作，将s3得到的m个个体记忆的n个个体合并起来，得到一个含有m n个个体的新群体，在每一个聚类中计算每两个个体xi和xj的适应度大小，并对其中适应度较低的个体加罚函数；s7：计算新的适应度并记忆前n个个体；s8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。基于上述步骤，本发明有效解决配料优化问题，首先该方法建立了生产成本、原料用量和产品质量的多目标函数，提出了生产过程中的各种参数的指标为多约束条件，建立配料优化数学模型。其次，针对多目标的特点提出一种基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题。最后，将得到的单目标函数利用基于改进的k均值聚类算法优化自适应小生境遗传算法得到最佳配料比。本发明显著提高配料比的准确度，同时克服了配料优化中多变量、多约束、多目标等特性带来的问题，实现了工厂降低产品成本，提高经济效益。本发明基于优化小生境遗传算法的熔炼配料方法的试验验证：1、数据描述试验数据来源于某熔炼工厂。数据共分为两个部分，分别是原料具体数据和工艺详细数据。其中原料具体数据包括原料名称、原料价格、各化学成分的含量；工艺详细数据由工艺名称、各化学成分的上限、各化学成分的下限和各化学成分的控制点组成。1)工艺要求各种化学成分的上、下限如表1所示：表1合金中各种化学成分的上、下限元素符号元素名称下限(％)上限(％)最优值(控制点)c碳2.832.9si硅010.2mn锰0.510.75p磷00.050.03s硫00.050.03cr铬252625.5ni镍0.20.30.25mo钼0.20.30.25cu铜0.20.30.252)各原料中详细信息如表2所示：表2原料中各种化学成分的上、下限首先建立配料优化是多目标数学模型，然后利用粒子群算法计算每个单目标函数的最优解，因为原料用量、原料成本和产品质量存在一定的数量级差距，因此将数据进行规范化处理，按比例缩放，使之落入一个小的特定区间，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。计算单个目标函数的最优解，结果如表3所示。表3各目标函数的最大最小值w(原料成本)g(原料用量)z(产品质量)最大值5625.92769.531.35最小值120.4519.670.46由得到各规范化目标函数：其中，表示原料成本的规范函数，w表示原料成本。其中，表示原料加入量的规范函数，g表示原料加入量。其中，表示产品质量的规范函数，z表示产品质量。通过上述公式可以得到规范化的结果，如表4所示。表4单目标函数最优解根据表4，进行差值计算，计算结果如表5所示。表5差值结果根据表4的差值取到其平均值和平均值之和，在进行比值计算得到在进行比值计算得到λ1＝0.97，λ2＝0.018，λ3＝0.012，根据差值的平均值可以看出，产品质量的差值最小即权重应该最大，同理可得，产品质量权重最大，其次原料成本，最后是产品用量。最终结果得到单目标函数：其中，表示原料成本的规范函数，表示原料加入量的规范函数，表示产品质量的规范函数。f即反映了该配料比的性价比，f值越小则性价比越高。用轮廓系数(silhouettecoefficient)来选取聚类的类别数，轮廓系数结合了凝聚度和分离度，能够较好的用于评价聚类结果的优劣。轮廓系数的计算方式如下：其中，a(i)表示i向量到所有它属于的簇中其它点的平均距离，b(i)表示i向量到各个非本身所在簇的所有点平均距离的最小值。轮廓系数的取值范围为[-1，1]，越趋近于1代表内聚度和分离度都相对较优。若大多数结点都有很高的轮廓系数值，那么聚类适当。反之则说明分类过多或者过少。将簇类别的取值范围定于3～8之间进行讨论。令初始聚类数目k从3到8递增，分别计算相应k值下聚类结果总的轮廓系数st，实验结果如图5所示，计算结果如表6所示。对比st可知，当聚类数目k为5时，聚类结果总的轮廓系数最大，聚类效果最好。因此本文选取初始聚类数目为5。表6轮廓系数平均值kk的轮廓系数kk的轮廓系数30.768760.792440.754170.778150.812580.7122设置参数，种群数为100，基因编码长度为20，最大进化代数200，初始交叉概率为0.2，初始变异概率为0.8。实验结果如表7所示。表7实验结果通过表7的配料比计算他们的原料用量，原料成本以及产品质量。结果如表8所示。表8实验结果通过上面的表格可以看到，inga得到最终配料比，原料用量、成本和质量明显小于粒子群和遗传算法计算得到的结果，与线性规划相比，线性规划只能得到单目标最优，不利于工厂的实际生产操作，从f值可以看出，inga的性价比最好。为了验证算法的有效性采用十种不同工艺进行对比，成本对比结果如图6所示，由图6可以看出，线性规划单目标成本最低时成本最少，线性规划单目标质量最优时成本最高，粒子群、遗传算法和inga算法的结果位于线性规划之间，但是inga算法明显低于粒子群和遗传算法计算的结果。产品质量对比结果如图7所示，由图7可以看出，线性规划单目标成本最低时质量最差，线性规划单目标质量最优时质量最好，粒子群、遗传算法和inga算法的结果位于线性规划之间，但是inga算法明显高于粒子群和遗传算法计算的结果。性价比对比结果如图8所示，由图8可以看出，线性规划单目标成本最低时f值最大，其次为遗传算法，然后是粒子群算法和线性规划质量最优，采用inga算法时f值最小即说明此方法生产产品的性价比最高。通过上述对比图可以看出，该模型较为稳定，能计算出既能成本较少又能产品质量较优的产品。5、结论为解决配料优化过程中参与配料的原料种类多、质量指标约束条件多和优化目标多等问题，本文提出了一种基于优化小生境遗传算法的熔炼配料方法的配料优化模型，采用差值粒子群算法将配料优化多目标模型转为单目标模型，并采用基于改进的k均值聚类算法优化自适应小生境遗传算法来求解单目标函数，使得能过够获得更加成本更小同时质量更好的配料比。通过试验分析，验证了提出的inga配料优化模型的有效性，对比线性规划使成本下降了5486.17元，质量提升了0.75％，原料用量下降749kg，相比其他智能优化算法成本平均下降了20.78元，质量提升了0.105％，能够实现配料优化的合理配料。但是将所提方法应用于实际工业领域的配料优化还存在一些问题，由于配料优化就是在考虑所有原料充足的情况下，对各工艺进行配料优化，但是实际生产过程中可能存在原料加入的种类较少，减轻工人的工作负担，因此将加入种类较少的情况是未来的研究方向之一。当前第1页1 2 3
技术特征：1.一种基于优化小生境遗传算法的熔炼配料方法，其特征在于，包括下述步骤：
s1：建立生产成本、原料用量和产品质量的多目标函数，提出生产过程中的各种参数的指标为多约束条件，建立配料优化数学模型；
s2：针对多目标的特点提出一种基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；
s3：初始化种群，随机生成m个个体，并计算每个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前n个个体；
s4：根据基于密度值改进的k均值聚类算法把种群分为k个聚类并确定聚类中心；
s5：进行选择操作，在每个聚类中随机选取个体进行自适应交叉和变异；
s6：小生境淘汰操作，将s3得到的m个个体记忆的n个个体合并起来，得到了一个含有m n个个体的新群体，确定新群体中的个体属于哪个聚类，在每一个聚类中计算每两个个体xi和xj的适应度大小，并对其中适应度较低的个体加罚函数；
s7：计算新的适应度并记忆前n个个体；
s8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。
2.根据权利要求1所述的一种基于优化小生境遗传算法的熔炼配料方法，其特征在于：所述步骤s1中，建立的多目标配料优化数学模型的目标函数中产品质量的计算：
产品质量是指生产出产品品质的好坏，通过计算成分偏差来反映产品的品质，即成分偏差越小产品质量越好；
成分偏差计算公式为：
其中，z表示生产产品的质量，m表示有m个元素约束，n表示有n种原料，xi表示第i种加入原料的用量，aij表示第i种原料含有的第j种元素的元素含量，zj表示产品中第j种元素含量最佳控制点，g表示加入原料总量。
3.根据权利要求1所述的一种基于优化小生境遗传算法的熔炼配料方法，其特征在于：所述步骤s2中，采用基于差值粒子群优化方法决定配料优化中多目标函数权值的计算，步骤如下：
1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做xi,i＝1,2,3；
1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(xj)，即fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值；
1-3)计算第i个目标函数的差值θi
其中，θi表示第i个目标函数的差值，j表示第j个目标函数，fi(xj)表示第i个目标函数的最优解代入第j个目标函数的函数值，fi(xi)表示第i个目标函数的最优解代入第i个目标函数的函数值；
1-4)按照公式计算第i个目标函数的平均差值；
其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，θi表示第i个目标函数的差值；
1-5)按照公式计算权重系数λi
其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，λi表示权值；
1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数；
通过基于差值粒子群优化方法可以对原料用量、产品质量、原料成本的多目标函数加上权值得到单目标函数。
4.根据权利要求1所述的一种基于优化小生境遗传算法的熔炼配料方法，其特征在于：所述步骤s5中，通过引入sigmoid函数，使得交叉概率和变异概率呈现出s型，自适应的交叉和变异算子，具体为：
其中，pc(x)为第x代的交叉概率，pc为初始交叉概率，gen为总的进化代数，x表示进化代数；
其中，pm(x)为第x代的交叉概率，pm为初始交叉概率，gen为总的进化代数，x表示进化代数。
技术总结本发明公开了一种基于优化小生境遗传算法的熔炼配料方法，包括下述步骤：S1.建立多目标函数，提出各种参数的指标为多约束条件，建立配料优化数学模型；S2.基于差值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；S3.根据K均值聚类算法把种群分为K个聚类并确定聚类中心；S4.选择、自适应交叉、自适应变异和小生境淘汰操作；S5.判断是否满足终止条件得到最终配料的加入量。本发明针对配料优化中现存的多目标求解难和易陷入局部最优解等问题，对基于优化小生境遗传算法的熔炼配料方法中的多目标函数确定权值、小生境半径和交叉和变异算子这三个过程进行改进，并且有效显著提高配料比的准确度，节约成本。
技术研发人员：冯海领;袁夕霞
受保护的技术使用者：天津开发区精诺瀚海数据科技有限公司
技术研发日：2020.02.21
技术公布日：2020.06.09
