基于IGA-FL融合算法的有色金屬選礦精礦品位優化研究

摘要：為優化有色金屬選礦過程的精礦品位，將模糊邏輯算法與免疫遺傳算法進行融合，設計出了一種IGA-FL融合算法，并基于該融合算法構建有色金屬選礦檢測模型，對有色金屬選礦的精礦品位進行檢測和優化。對比試驗結果顯示，IGA-FL融合算法的數據查全率為99.7 %，計算速度為16.7 bps；基于該算法的檢測模型平均檢測準確率為97.3 %，檢測耗時1.8 s。應用基于IGA-FL融合算法的檢測模型后，有色金屬選礦精礦品位達到70.5 %，說明該檢測模型能夠對有色金屬選礦的精礦品位進行優化。

關鍵詞：有色金屬選礦；精礦品位；模糊邏輯算法；免疫遺傳算法；融合算法；檢測模型

中圖分類號：TD98文章編號：1001-1277（2024）11-0099-05

文獻標志碼：Adoi：10.11792/hj20241116

引言

隨著工業技術的持續進步與革新，有色金屬選礦領域對于精礦品位這一關鍵指標的關注度呈日益增長的態勢^［1］，精礦品位作為衡量礦石經濟價值及后續加工效率的重要指標，其精確檢測與優化已成為當前工業技術發展亟待解決的核心挑戰之一^［2］。當前，已有很多學者對選礦檢測模型進行了研究，旨在通過技術創新提升檢測精度與效率。例如：李鳳英等^［3］針對選礦過程中粒度分布與濃度等核心生產參數的精確監測，開創性地設計了一種融合大數據技術的磨礦控制系統，該系統在實際應用場景中能夠有效且準確地捕捉選礦過程中的粒度與濃度變化，為實現生產過程的精細化控制提供了有力支持。TATIANA等^［4］針對低品位沉積礦石中有效成分難以檢測與提取問題，開發了一種基于反向浮選技術的檢測模型，該模型在實際應用中檢測準確率高達95.4 %，為低品位礦石資源的有效利用開辟了新途徑。然而，盡管這些研究成果在一定程度上推動了選礦檢測技術的發展，但現有模型仍普遍存在檢測速度慢、檢測精度受限等問題，嚴重制約了礦產資源的高效開發與利用。因此，開發一種能夠顯著提升檢測速度與準確率的新型模型，是該領域亟須解決的關鍵技術難題^［5］。

模糊邏輯（Fuzzy Logic，FL）算法因具有高度的靈活性和適應性，在眾多領域得到了廣泛應用^［6］。但是，單獨應用FL算法時，通常存在計算復雜度過高、實時處理能力不足等問題。而免疫遺傳（Immune Genetic Algorithm，IGA）算法憑借其強大的數據處理能力和高效的計算速度，成為優化復雜系統性能的有力工具^［7］。鑒于此，研究創新性地提出將FL算法與IGA算法進行有機融合，旨在利用IGA算法的優化能力，降低FL算法的計算復雜度，同時保留其處理模糊信息的優勢。基于該融合算法，研究構建了一種針對有色金屬選礦精礦品位的檢測模型。該模型不僅能夠實現對精礦品位的快速、準確檢測，還能基于檢測結果進一步指導精礦品位優化策略的制定。

1IGA-FL融合算法

精礦品位是指精礦中主要有用成分的含量，不僅直接體現了精礦的質量水平，還是規劃選礦工藝流程時一項重要參數^［8］。傳統的人工檢測手段在測定精礦品位時，面臨著耗時長、勞動強度大及檢測精度低等問題，進而導致了選礦流程中精礦品位的大幅波動，嚴重影響經濟效益提升^［9］。因此，亟須設計一種能夠提高檢測準確率和檢測速度的模型，以對精礦品位進行優化。FL算法在處理復雜、不確定問題上展現出了獨特的優勢^［10］，將FL算法用于檢測模型中可提高檢測的精度和速度^［11］。FL算法的基本步驟包括數據預處理、模糊化處理、模糊邏輯規則編寫、算法實現、算法訓練和算法評估，其中，數據預處理是將原始數據進行清洗、規范化操作。數據預處理過程的計算公式如式（1）所示。

xA（x）=1x∈A0xA （1）

式中：A為選中的事件集合；x為空間內任一元素。

將預處理后數據輸入到模糊化處理模塊中進行模糊化處理。模糊化處理過程的計算公式如式（2）所示。

A1：X→［0，1］，x→A1（x） （2）

式中：A1為空間內所有元素的模糊集；X為空間內所有元素；A1（x）為模糊集的隸屬函數。

將數據進行模糊化處理后，需要進行模糊邏輯規則編寫，在編寫過程中需要引入隸屬函數。模糊邏輯中的三角隸屬函數表達式如式（3）所示，梯形隸屬函數表達式如式（4）所示，高斯隸屬函數表達式如式（5）所示。

2024年第11期/第45卷礦業工程礦業工程黃金

μ（x）=t（x;a，b，c）=0xlt;ax-ab-aa≤xlt;bx-cc-ab≤xlt;c0x≥c （3）

式中：a為模糊集的起始點；b和c為模糊集中的2個峰值。

μ（x）=t（x;a，b，c，d）=0xlt;ax-ab-aa≤xlt;b1b≤xlt;cx-cc-ac≤xlt;d0x≥d （4）

式中：d為模糊集的終止點。

μ（x）=g（x;f，σ）=exp［-12（x-fσ）2］ （5）

式中：f為高斯函數的平均值；σ為高斯函數的標準差。

完成模糊邏輯規則編寫后，通過定義相關運算符與關系實現算法，經訓練后全面評估并優化。然而，FL算法的運算量較大，容易欠擬合，分類精度受限，且當數據量過大或數據缺失時，FL算法性能會受到影響，導致數據處理準確率降低^［12-13］。而IGA算法具有自適應性強、全局搜索能力強、可用于大規模數據處理的優點^［14-15］。利用IGA算法對FL算法進行改進，以降低FL算法的運算量，提高FL算法數據處理準確率。IGA算法流程是一種類似抗原和抗體之間親和力的優化過程，可將待解決問題看作抗原，解決問題的方案看作抗體。IGA-FL融合算法流程如圖1所示。

由圖1可知：IGA-FL融合算法的流程為先將全部數據輸入IGA算法模塊中進行數據預處理操作，通過抗原識別、種群初始化、親和力計算、免疫處理、克隆操作、變異處理、抑制處理和群體刷新等流程對整體數據進行篩選，剔除數據中與解決問題無關的信息，保留特征信息，以降低后續計算的復雜程度；將預處理后的數據輸入到FL算法模塊中，對接收到的數據進行模糊化處理，然后根據實際情況編寫規則并選擇隸屬函數，再根據編寫好的規則對數據進行計算，最后將計算結果進行輸出。在IGA算法模塊中，親和力是通過抗體向量間的歐氏距離（ρij）來計算的，如式（6）所示。

ρij=∑Lk=1（aik-ajk）2 （6）

式中：i、j為第i及第j個抗體；k為向量維數；aik為抗體i的第k維向量；ajk為抗體j的第k維向量。

2基于IGA-FL融合算法的檢測模型

利用基于IGA-FL融合算法的檢測模型檢測有色金屬選礦中的精礦品位，并基于檢測結果進行品位優化，以提高有色金屬選礦質量，降低經濟成本。基于IGA-FL融合算法的檢測模型如圖2所示。

由圖2可知：基于IGA-FL融合算法的檢測模型分為樣本數據訓練和實際數據檢測2個模塊。在樣本數據訓練模塊中，先收集大量待檢測數據，將其輸入到IGA算法與FL算法中進行訓練，將檢測結果與原始數據進行一一對應，并將其保存到數據庫中。在實際數據檢測模塊中，采集需要檢測的數據信息，然后先將數據輸入到IGA-FL融合算法中對數據進行預處理，剔除無關信息，保留特征信息并進行數據分析，實際數據分析結果與樣本數據訓練結果進行對比，若有相同的數據，則將該數據輸出；若沒有相同數據，則返回IGA-FL融合算法中重新計算結果，直至在數據庫中能夠找到相同數據，最后將數據進行輸出。

將基于IGA-FL融合算法的檢測模型用于有色金屬選礦中精礦品位優化時，樣本數據訓練模塊中的待檢測數據應為有色金屬選礦數據，檢測結果為精礦品位，將精礦品位與訓練時的有色金屬選礦數據一起保存在數據庫中，以便與后續檢測結果進行對比。在實際數據檢測模塊中，對精礦品位進行檢測，然后根據檢測結果推測如何對精礦品位進行優化。例如：提高礦石挖掘效率和選礦效率，或重新選擇選礦工藝和流程，或加強員工的技術培訓。精礦品位計算公式如式（7）所示。

d=GMGN×100 % （7）

式中：d為精礦品位；GM為精礦中目標組分質量；GN為精礦總質量。

對于特定金屬如鐵、銅等，精礦品位計算公式如式（8）所示。

d=LMLN×100 %（8）

式中：LM為精礦中有色金屬質量；LN為有色金屬精礦量。

3IGA-FL融合算法性能分析

為驗證IGA-FL融合算法的優越性，將IGA-FL融合算法與粒子群優化（Particle Swarm Optimization，PSO）算法、動態隨機森林（Dynamic Random Forest，DRF）算法和基于DRF算法與遺傳算法的主成分分析（Genetic Algorithm-Principal Component Analysis，GA-PCA）算法進行對比試驗。試驗數據集包含569個實例和30個特征。試驗時，IGA算法中的種群大小為200，最大迭代次數為300，交叉概率為0.5，變異概率為0.000 5；PSO算法的粒子群規模為200，學習因子為0.5。4種算法的準確率和數據查全率對比結果如圖3所示。

由圖3-a）可知：4種算法中，IGA-FL融合算法的準確率最高，平均準確率達98.6 %；GA-PCA算法平均準確率略低于IGA-FL融合算法，為82.4 %，IGA-FL融合算法和GA-PCA算法準確率穩定性較強，浮動范圍較小；DRF算法和PSO算法的準確率穩定性較低，平均準確率分別為73.4 %和57.6 %。算法的數據查全率表示該算法對于輸入數據的檢測效果，判斷數據是否被全部檢測完畢。由圖3-b）可知：IGA-FL融合算法的數據查全率最高，為99.7 %，基本能檢測到所有數據；GA-PCA算法數據查全率為83.6 %，低于IGA-FL融合算法，但也能對大部分數據進行檢測；DRF算法和PSO算法的數據查全率較低，僅為71.2 %和64.7 %，對輸入數據的檢測效果極差。

對4種算法的空間復雜度和計算速度進行對比，結果如圖4所示。

空間復雜度代表了算法在運行過程中，所占用計算機空間與計算機整體空間大小的比例。由圖4-a）可知：IGA-FL融合算法的空間復雜度是4種算法中最低的，平均空間復雜度為20.2 %，空間占用較小；GA-PCA算法的平均空間復雜度約為IGA-FL融合算法的2倍，為42.3 %；而DRF算法和PSO算法的平均空間復雜度遠高于前2種算法，分別為61.5 %和81.4 %。由圖4-b）可知：4種算法中，IGA-FL融合算法的計算速度最快，PSO算法的計算速度最慢。IGA-FL融合算法、GA-PCA算法、DRF算法和PSO算法的計算速度分別為16.7 bps、8.3 bps、12.4 bps和16.7" bps。

4基于IGA-FL融合算法的檢測模型應用效果

將基于IGA-FL融合算法的檢測模型與傳統檢測模型進行對比試驗，二者檢測準確率和檢測耗時對比結果如圖5所示。

由圖5-a）可知：基于IGA-FL融合算法的檢測模型平均檢測準確率為97.3 %，遠高于預期準確率（79.7 %）；傳統檢測模型的平均檢測準確率僅為61.7 %，且仿真試驗中僅有極少數試驗的檢測準確率達到了預期要求，傳統檢測模型遠不能達到檢測效果。由圖5-b）可知：基于IGA-FL融合算法的檢測模型平均檢測耗時為1.8 s，傳統檢測模型平均檢測耗時為8.8 s，而預期耗時為5.0 s，基于IGA-FL融合算法的檢測模型檢測耗時縮短了79.5 %，使檢測耗時能夠達到預期要求。

對使用基于IGA-FL融合算法的檢測模型后有色金屬選礦中的精礦品位變化情況和礦物開采成本進行對比，某一有色金屬礦物平分為2組，用2種檢測模型對每組的有色金屬礦物進行檢測，并基于檢測結果對精礦品位進行優化。2種模型優化后的精礦品位及開采成本變化對比結果如圖6所示。

由圖6-a）可知：使用檢測模型后，精礦品位一直在提高。基于IGA-FL融合算法的檢測模型檢測優化后的精礦品位提高速率優于傳統檢測模型，精礦品位最終達到了70.5 %，滿足預期要求；傳統檢測模型檢測優化后精礦品位僅為21.7 %，遠不能滿足預期要求。由圖6-b）可知：基于IGA-FL融合算法的檢測模型能夠將開采成本降低為原來的23.7 %，而傳統檢測模型僅能將開采成本降低為原來的80.1 %。由試驗分析結果可知，基于IGA-FL融合算法的檢測模型能夠提高有色金屬選礦的精礦品位并降低開采成本。

4結論

1）針對有色金屬選礦面臨的精礦品位低、質量不佳及開采成本高等問題，研究采用IGA算法優化FL算法，并基于此構建檢測模型，以檢測并提升精礦品位。

2）為驗證IGA-FL融合算法的優越性，將其與GA-PCA算法、DRF算法及PSO算法進行對比測試，結果顯示，IGA-FL融合算法的準確率高達98.6 %，遠超其他算法（GA-PCA算法為82.4 %，DRF算法為73.4 %，PSO算法為57.6 %）。同時，基于IGA-FL融合算法的檢測模型對比傳統檢測模型也展現出顯著優勢，平均檢測準確率提升至97.3 %，而傳統模型僅為61.7 %。

3）實際應用中，基于IGA-FL融合算法的檢測模型使精礦品位提高至70.5 %，開采成本降低至原來的23.7 %；傳統檢測模型僅使精礦品位提升至21.7 %，成本降低至原來80.1 %。說明基于IGA-FL融合算法的檢測模型能準確檢測并優化精礦品位。值得注意的是，本次試驗未納入外部環境因素（如溫度、濕度）對精礦品位的影響，未來研究可進一步探討此方面。

［參 考 文 獻］

［1］羅仙平，楊志兆，張永兵，等.宜春鋰云母礦礦物學特征與選礦原則工藝的確定［J］.稀有金屬，2023，47（10）：1 398-1 411.

［2］張群麗，謝海云，晉艷玲，等.銅礦選礦廢水處理技術研究現狀與展望［J］.礦冶，2023，32（2）：117-124.

［3］李鳳英，季現偉，耿帥.鐵多金屬礦選礦廠智能控制系統設計與應用［J］.礦冶，2022，31（3）：145-150.

［4］TATIANA A，ABDALLA E，NADEZHDA N.Beneficiation of a low-grade phosphate ore using a reverse flotation technique［J］.Mineral Processing and Extractive Metallurgy Review，2020，43（1）：1-6.

［5］彭紫揚，陳諾天，易俊飛，等.基于改進RetinaNet算法的輸電線路電力器件及異常目標檢測［J］.湖南電力，2023，43（5）：79-84.

［6］孫功武，蘇義鑫，毛英，等.基于模糊邏輯的混合推進ROV多級推力分配策略［J］.機器人，2023，45（4）：472-482.

［7］陳卓，金建海，張波，等.基于多策略免疫遺傳算法的無人艇航向自適應控制［J］.船舶力學，2023，27（9）：1 273-1 282.

［8］楊帆，王鈺涌，張馨以，等.基于Android的選礦破碎生產線PLC測控系統［J］.計算機技術與發展，2023，33（1）：82-87.

［9］肖盛旺，夏星，黃勇，等.一種新型無磁傳感磨機綜合檢測系統［J］.礦冶工程，2024，44（1）：52-56.

［10］歐陽逸云，蘇漳文，李春輝，等.基于模糊邏輯和網絡層次分析法的森林火險區劃［J］.應用生態學報，2024，35（2）：354-362.

［11］安小宇，李元豐，孫建彬，等.基于模糊邏輯的電動汽車雙源混合儲能系統能量管理策略［J］.電力系統保護與控制，2021，49（16）：135-142.

［12］龔萬煒，邢軍.基于模糊邏輯控制器的通信端口流量控制仿真［J］.計算機仿真，2023，40（4）：176-179，185.

［13］張意彬，呂杰，喻洪流.基于模糊邏輯算法的智能膝關節假肢步態相位識別［J］.中國康復理論與實踐，2023，29（8）：896-902.

［14］劉遠剛，李少華，蔡永香，等.移位安全區約束下的建筑物群移位免疫遺傳算法［J］.測繪學報，2021，50（6）：812-822.

［15］施文，張偉，王亞剛.基于免疫算法的P模糊控制AGV路徑偏正［J］.控制工程，2021，28（5）：870-876.

Optimization of concentrate grade in non-ferrous metals mineral processing based on IGA-FL fusion algorithm

Zhang Jianren^1，2，Zhou Xinyu^1，2，Liao Huibao^1，2，Liu Xinyu^1，2

（1.Basic Geological Survey Institute of Jiangxi Geological Survey and Exploration Institute;

2.Jiangxi Nonferrous Geological Exploration and Development Institute）

Abstract：To optimize the concentrate grade in the beneficiation process of non-ferrous metals，a fusion algorithm combining fuzzy logic（FL） and immune genetic algorithm（IGA） was developed.Based on this fusion algorithm，a detection model for the beneficiation of non-ferrous metals was constructed to detect and optimize the concentrate grade.Comparative test results show that the data recall rate of the IGA-FL fusion algorithm is 99.7 %，with a computation speed of 16.7 bps.The average detection accuracy of the model based on this algorithm is 97.3 %，with a detection time of 1.8 s.After applying the detection model based on the IGA-FL fusion algorithm，the concentrate grade of non-ferrous metal beneficiation reached 70.5 %，indicating that this model can optimize the concentrate grade effectively.

Keywords：non-ferrous metal beneficiation;concentrate grade;fuzzy logic algorithm;immune genetic algorithm;fusion algorithm;detection model

作者簡介：張健仁（1987—），男，高級工程師，從事資源勘查工作；E-mail：x123yoyo@163.com