2023年第5期doi:10.3969/j.issn.1671-9492.2023.05.007基于改进狮群算法和BP神经网络模型的磨矿浓度预测有色金属（选矿部分）·59·葛子源1.2.3，王庆凯2.3，邹国斌2.3，杨佳伟23，刘道喜2.3（1.北京矿冶研究总院，北京100160；2.矿冶科技集团有限公司，北京100160；3.矿冶过程自动控制技术国家重点实验室，北京102628)摘要：针对当前选矿生产过程中磨矿参数难以实时测量，导致的无法对磨矿流程控制进行有效实时优化的问题，提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法（LionSwarmOptimization，LSO存在容易陷入局部最优解和局部搜索能力弱的问题，通过改变狮王更新方式的同时加人衰减因子，来提升全局搜索能力，避免陷人局部最优解，对于母狮和学习狮的更新方式引人了动态学习策略，来优化局部搜索能力，并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法，来搜索最优的权值和阈值，提升BP神经网络收敛速度和收敛精度。试验结果表明，改进狮群算法优化的BP神经网络（ImprovedLionSwarmOptimization-BP,ILSO-BP)在此预测问题上有更好的效果。关键词：狮群算法；衰减因子；动态学习；BP神经网络；磨矿浓度预测中图分类号：TD928.9;TP183PredictionofGrindingConcentrationBasedonImprovedLionSwarmAlgorithmandGEZiyuan1.2.3,WANGQingkai23,ZOUGuobin23,YANGJiawei23,LIUDaoxi2.3(1.BeijingGeneralResearchInstituteofMiningandMetallurgy,Beijing100160,China;3.StateKeyLaboratoryofAutomaticControlTechnologyinMiningandMetallurgyProcess,Abstract:Inordertosolvetheproblemthatthegrindingparametersaredifficulttobemeasuredinrealtimeinthecurrentbeneficiationproductionprocess,andthegrindingprocesscontrolcannotbeeffectivelyoptimizedinrealtime,agrindingconcentrationpredictionmethodbasedonimprovedLionSwarmAlgorithmandBPneuralnetworkwasproposed.ThetraditionalLionSwarmOptimization(LSO)waseasytofallintolocaloptimalsolutionandthelocalsearchabilityisweak,bychangingtheupdatemethodofthelionkingandaddingtheattenuationfactor,toimprovetheglobalsearchabilityandavoidfallingintolocaloptimalsolution,fortheupdatemethodofthelionessandlearninglion,thedynamiclearningstrategywasintroducedtooptimizethelocalsearchcapability.Andthesuper...
