桦川协联生物质能热电有限公司黑龙江佳木斯154300
摘要:我们把遗传算法与模拟退火算法渗透至电厂计算机配煤之中，构建了一种完善且精准的配煤优化模型，此模型的计算有效性较之常规模型提高了近一百倍。文章将以电厂计算机配煤优化模型的研究作为切入点，在此基础上予以深入的探究，相关内容如下所述。
关键词:电厂；计算机配煤；优化模型；研究.
1.常规配煤优化模型.
优化配煤即隶属数学规划范畴，电厂对混煤的煤质要求也就是构建配煤约束的前提，优化配煤即在达到配煤质量标准的先决条件下，综合分析混煤的着火特点、燃烧特点以及硫排放特点等因素，深化收益最大化理念。
1.1.穷举法模型.
穷举法即EA是在一个长时间有限搜索介质与离散无限搜索介质内，计算空间中各基点函数值，同时每次予以计算。针对完善配煤来说，穷举法也就是搜遍掺配煤种与掺混配率的所有可能组合来明确最优配方。穷举法具有下述几个特性:其优点为，计算结果可靠且精准度高;其缺点为，缺乏效率，且需要大量时间。伴随掺配煤种的提升、单煤总量的增加与配煤精度的提高，计算时间也随之增加，这位工作人员加重了很大的工作量。
1.2.遗传算法模型.
遗传算法即GA，求解科学分析与工程技术内各类组合搜索与完善计算问题的这一基本理念，起源于六十年代，美国汉林顿教授所指出的一种算法。因为遗传算法的主要特性即群体搜索策略与群体内个体间的信息互通，搜索无需参照梯度参数，因此其应用存在较大的延展性，特别适用于处理常规搜索举措无法解决的复杂与非线性问题。遗传算法在机器学习、模式分析以及自适应控制等领域的应用中体现了其非凡的卓越性，因此也确立了在二十一世纪的智能计算技术中举足轻重的地位。
遗传算法即具有“生成+检测”的递进程序的搜索举措。遗传算法即群体型操作，此操作以群体内的所有个体为基点。择取、互通以及变异是遗传算法的基本构成因子，其结合了所谓的遗传操作，让遗传算法具备了其常规举措所没有的特点。遗传算法内囊括了下述几个基本因子:第一，参数编码;第二，初始群体的构建；第三，制衡性函数结构;第四，遗传操作构架;第五，控制数据拟定。上述一些基本因素即为遗传算法的核心因素。
2.优化配煤的遗传算法模型
多见的编码体系包括动态参数编码、二进制编码、实值编码多值编码以及区问编码，上述编码均存在优缺点，现阶段还没有一种理论来评定各编码体系的优劣同时指导其设计。二进制编码因为相对容易实现而被广泛应用，不过其缺点在于缺乏连续性。所以，我们要对配煤优化问题择取实值编码。
针对配煤优化模型来说，遗传算法具有下述几个缺陷:首先遗传算法求解约束优化问题的能力偏弱。配煤模型具备一定的约束条件，通过遗传算法模型去求解约束优化问题时，我们择取了最广泛的处理约束条件举措，即依附于罚函数的罚函数类举措。通常罚函数类举措都共存一个缺点，也就是加上罚因子与罚函数项后所出现的新目标函数的最优解要根据罚因子的选择而定。在罚因子获取环节，会导致最优解出现差异的问题;而罚因子取得过大，那么就会在可行域外出现多个局部最优解，为搜索提高难度。针对要解决的约束优化问题，提前确定相匹配的罚因子是十分困难的，通常要经反复试验予以调整。而针对多个约束条件，其罚因子的选择对遗传算法的结果影响很大。
同时遗传算法局部搜索能力偏低。虽然遗传算法理论上可以最终收敛于全局最优解，不过若想达到真正的最优解那么就要花费一定的时间。在所得出的各配煤结果内，至少有两种煤种和穷举法得到的最优解相制衡，由此印证遗传算法可以通过短时间获取和最优解相接近的解。所以我们可以摄像，若通过一种局部搜索能力超高的算法与遗传算法相制衡，那么就可以深化收敛速率并深化解的品质。所以下述将研究一种局部搜索能力较高的算法，即模拟退火算法。
3.模拟退火算法模型.
模拟退火算法即SA，其主要特性为，不但需保留现阶段表现不良的点，同时还要将这些点视作分析检验的侧重点。所以，模拟退火算法不但能够从局部最优的“陷阱”中挣脱，同时还能够获取组合优化问题的整体最优解，又不失简单性与互通性。所以，对很多组合优化问题来说，模拟退火算法要超过过局部搜索算法。
4.予以改进的模拟退火算法.
从以上的分析我们不难看到，模拟退火法的计算时间超过遗传算法的计算时间，不过模拟退火法的计算结果要优于遗传算法;遗传算法可以适应于全局搜索，但是模拟退火法可以适应于局部搜索。所以能够预测，若通过遗传算法的结果作为模拟退火法的初始解，那么初始温度值能够在一定程度上降低，因此加快收敛的时间并深化解的品质。
遗传算法模型+模拟退火算法模型法较之单一的模拟退火算法来说，计算时间又有所降低，这是由于遗传算法的计算速度很快，以遗传算法的结果作为初始解在此基础上予以模拟退火算法时，因为遗传算法的结果已经十分接近全局最优，进而模拟退火算法中初始温度取值能够相对减少，此情况下模拟退火算法的计算时间也会有所降低，所以整个遗传算法+模拟退火算法的时间就比较短。
遗传算法+模拟退火算法较之单一的模拟退火法，其解的质量又有了一定的深化，已十分接近全局最优解，不过遗憾的是还无法达到极致。
5.总结.
综上所述，穷举法模型虽然具有较强的可靠性及精准性，不过效率不高，计算时间太长;同时可能陷入局部最优的问题。而遗传算法具有高效率的特性，同时具有一定的全局搜索能力;模拟退火算法简单、通用，同时具有较强的局部搜索能力。将遗传算法和模拟退火算法有机结合到一起，深化了收敛速度同时完善了解的质量。提出一种前沿的搜索全局最优模型，其搜索到全局最优所用的耗时只有以往常规穷举法所用时间的百分之一。
参考文献
[1].张毅;陈彪;丁艳军;张清峰;吴占松;;燃煤锅炉高效低NO_x运行策略的实验研究[J];清华大学学报(自然科学版);2016年05期
[2].刘大为;蔡国伟;刘德福;丁丽娟;;基于改进遗传算法的配电网电容器优化投切[A];2013中国电机工程学会电力系统自动化专委会供用电管理自动化学科组（分专委会）二届三次会议论文集[C];2013年
[3].熊春光;孙喜晨;程乾生;;基于进化规划的属性均值Kohonen自组织网[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];2012年
[4].刘学观;陈雪勤;赵鹤鸣;;基于改进遗传算法的混叠语音分离研究[A];第十届全国信号处理学术年会（CCSP-2012）论文集[C];2012年
[5].李争起,吴少华,孙锐,陈力哲,孙绍增,邱鹏华,孙恩召,秦裕琨;配风方式对旋流煤粉燃烧器NO_x的排放及煤粉燃尽的影响[J];动力工程;2015年02期
[6].侯祥松;杨石;吕俊复;张海;岳光溪;;CFB锅炉循环灰对NO和N_2O排放影响的实验研究[J];清华大学学报(自然科学版);2015年11期