一种湿法冶金金氰化浸出过程优化方法

本发明属于湿法冶金领域，特别提供一种金湿法冶金氰化浸出过程优化方法，在确保稳定生产及满足生产指标的前提下，实现总生产成本的最小化。

湿法冶金能够处理复杂矿、低品位矿等，并且对环境污染较少，因此，许多金湿法冶金新工艺不断出现并得到广泛应用。尽管我国在金湿法冶金工艺方面并不落后国外，但与之相适应的自动控制技术与国外相比差距较大，从而，难以像国外一样通过优化控制实现矿产资源的高效低耗利用。显然，随着矿产资源需求的不断增加，仅仅依靠改进工艺来提高金湿法冶金经济技术指标和经济效益变得极为困难。在可持续发展的战略方针指引下，为了经济有效地利用低品位矿产资源，金湿法冶金优化控制问题已成为我国亟待解决的重要问题。

金湿法冶金流程主要包括氰化浸出、锌粉置换、浓缩洗涤等过程，而其中，氰化浸出过程是金湿法冶金的第一个工序，浸出液的品质好坏直接决定了后序提金的纯度、回收率以及原料消耗等，因此，对氰化浸出过程进行优化控制研究使氰化浸出过程始终处于最佳的运行状态就显得尤为重要。

本发明以某湿法冶炼厂金氰化浸出过程为背景，金氰化浸出过程主要发生的化学反应是难溶的金与浸出剂(通常是)作用生成可溶于水的金氰络合离子，如式(1)所示。

4Au+8CN-+O2+2H2O＝4Au(CN)2-+4OH-    (1) 

金氰化浸出过程的原理示意图如附图1所示，缓冲箱中调浆后的 矿浆经泵稳定连续地打入1

本发明的目的，是提供一种湿法冶金金氰化浸出过程的优化方法。以实现总生产成本的最小化。它用于解决如下问题：

(1)为金氰化浸出过程实现自动控制提供浸出率监测数据，实现氰化浸出过程的操作指导；

(2)根据生产要求及生产现场状况，优化指导生产过程中的原料添加量，制定合理的生产计划，以解决生产过程中存在的原料添加量不足以及盲目过多添加等问题，确保达到生产要求的同时，避免原料浪费。

采用的技术方案是：

一种湿法冶金金氰化浸出过程优化方法，采用已知的湿法冶金金氰化浸出工艺，在确保稳定生产及达到生产指标的基础上，实现总生产成本的最小化，包括下述工艺步骤：

(1)数据采集、(2)辅助变量的选取和数据处理、(3)优化模型建立、(4)优化模型的求解、(5)浸出过程优化操作指导的确定。

根据现场生产工艺及生产目标的要求，本发明建立了金氰化浸出过程的优化模型，其特征在于：

此优化模型综合考虑了整个金氰化浸出过程的物料损耗，其主要包括三个部分：(1)的物料损耗；(2)去除残余的损耗；(3)未被浸出金的损耗。因此，可得目标函数为下式所示：

$\begin{array}{c}\min J=(\underset{i=1}{\overset{n}{\Sigma }}{Q}_{\mathrm{cni}}+C_{\mathrm{cn}0}{Q}_l)P_{\mathrm{rcn}}+C_{\mathrm{cn}}{Q}_l{P}_{\mathrm{rcnd}}+\left(C_{\mathrm{sn}}{Q}_s\right)P_{\mathrm{rAu}}\\ \mathrm{st}.a\ge a_{\min }\\ Q_{\mathrm{cn}\min }<Q_{\mathrm{cni}}<Q_{\mathrm{cn}\max }\end{array}---\left(2\right)$

浸出过程并联混合模型

其中，Qcni为加入第i个浸出槽的流量，Qcnmax、Qcnmin分别为其上、下限，Ccn0为第一槽的初始浓度，Ccn为浸出结束后浓度，n为浸出槽的数目，Ql为矿浆液相的流量，Qs为矿石的流量，Csn为浸出结束后矿石中金的品位，a为浸出率，amin为浸出率最小指标值，Prcn为价格系数，Prcnd为去除残余的价格系数，PrAu为金的价格系数。

由于优化模型中需要预测金的浸出率和浸出之后的金品位、浓度，这就需要用到浸出过程预测模型来建立其与决策变量之间的联系。由于假设等各种因素致使单纯的机理模型很难实现高精度预 测，仅通过调节机理模型参数不能完全达到提高精度的目的。于是，将未建模部分以及不确定性问题交给数据模型，利用数据模型学习机理模型误差，然后对机理模型加以补偿进而建立混合模型。本发明采用机理模型与数据补偿模型相结合的并联混合模型，作为与优化相关的浸出过程关键变量的预测模型。

浸出过程的预测模型由机理模型、误差补偿模型及一个辩识机构所构成。机理模型的输入为：[矿石流量、流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始浓度]，输出为：浸出率。数据补偿模型的输入为：[矿石流量、流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始浓度]，输出为实际浸出率与机理模型预测浸出率的误差。

该并联型混合模型的原理为：机理模型的参数由参数辨识确定之后，可得到机理模型的浸出率预测值；实际生产过程的浸出率则通过离线的化验统计得到，将该值与实际生产过程的浸出率进行比较，得到差值；由基于KPLS算法得到的数据补偿模型根据差值进行建模，输出即为对实际浸出率与机理模型预测浸出率的差值的回归值；将机理模型与补偿模型的输出相加即得到混合模型的输出。

本发明采用遗传粒子算法对优化模型进行求解。基本PSO算法中，速度更新公式和位置更新公式分别如下所示：

$v_i^{k+1}=w·v_i^t+c_1·r_1({\mathrm{pbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2·r_2({\mathrm{gbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)---\left(3\right)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_i^{k+1}\left(4\right)$

其中，i＝1,…,m，m为粒子中粒子的个数，d＝1,…,n，n为解向量的维数，粒子本身所到的最好解为整个粒子中所有粒子在历代搜索过程中所达到的最优解为k＝1,…,k_max，k＝1,…,k_max为最大迭代次数，c₁,c₂为学习因子，w为惯性权重，r₁,r₂是[0，1]之间的随机数。

标准PSO的算法流程如下：

1)初始化一粒子(体规模为m)，包括随机位置和速度；

2)评价每个粒子的适应度；

3)对每个粒子，将其适应值与其经历过的最好位置pbestid作比较，如果较好，则将其作为当前的最好位置gbestid；

4)对每个粒子，将其适应值与全局所经历的最好位置gbestid作比较，如果较好，则重新设置gbestid的索引号；

5)根据方程(3)和(4)变化粒子的速度和位置；

6)如未达到结束条件(通常为足够好的适应度值或达到一个预设最大迭代次数Gmax)，则返回2)。

本发明的优化求解在粒子算法中引入遗传算法，从式③和④中可以知道，PSO算法是通过分享个体之间的有用信息和个体的自学习来提高个体的。个体提高以后，再采用遗传算法中的交叉和变异步骤，得到更加优秀的下一代体。新的算法既保证了遗传算法强大的全局搜索性能，又同时融合粒子的位置转移思想。这样，经过改进的算法充分利用了被遗传算法忽略了的种的信息和个体的信息，其寻优过程更有效率，所得到的解精度更高。

在传统PSO算法的基础上，加入遗传算法中的复制和重组这些称为繁殖的操作，该方法按概率p对选出的粒子进行如下操作：

child1(x)＝p×parent1(x)+(1-p)×parent2(x)      (5) 

child2(x)＝p×parent2(x)+(1-p)×parent1(x)

$\begin{array}{c}{\mathrm{child}}_1\left(v\right)=\frac{{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)|}\left|{\mathrm{parent}}_1\left(v\right)\right|\\ {\mathrm{child}}_2\left(x\right)=\frac{{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)|}\left|{\mathrm{parent}}_2\left(v\right)\right|\end{array}---\left(6\right)$

通过父代的杂交操作，产生子代的粒子取代父代。选择父代时没有基于适应值，防止了基于适应值的选择对那些多局部极值的函数将带来的潜在问题。p是(0,1)间的随机数(经验值约为0.2)。理论上讲 遗传粒子算法可以更好地搜索粒子间的空间，2个在不同次优峰处的粒子经繁殖后，可以从局部最优逃离。

在标准粒子算法的迭代流程中，在判断是否满足优化标准后加入选择、交叉、变异步骤。基于混合模型的浸出过程优化操作依据如下步骤进行：

(A)参数计算：根据历史数据辨识机理模型中的参数；

(B)采集数据：收集离线化验的参数以及传感器测量的工艺操作参数；

(C)将机理模型预测结果与真实检测结果进行比较，计算预测结果与真实值之间的差值；

(D)混合模型的建立：将采集到的传感器测量数据与上述预测结果与真实值之间的差值组成输入输出数据对，利用KPLS方法进行训练，得到数据模型中的参数，将机理模型与数据模型并联组成混合模型作为操作系统的模型约束；

(E)确定优化参数：确定遗传粒子算法的参数，主要包括初始粒子、最大迭代次数、学习因子、惯性权重、交叉变异率等；

(F)计算优化结果：根据采集到的初始数据以及混合模型约束，采用遗传粒子算法进行优化，得到优化结果，即各槽添加量值。

过程数据采集选用的硬件装置，包括金氰化浸出过程操作优化系统、PLC、上位机、现场检测仪表；

在金氰化浸出车间安装流量、浓度、pH值等检测仪表，检测仪表将采集到的现场实际运行数据通过Profibus-DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程操作优化系统，同时将优化结果同步显示在上位机组态界面中。

所述的金氰化浸出过程操作优化系统、上位机、PLC、现场检测 仪表，其中金氰化浸出过程现场检测系统主要由矿浆浓度检测、添加流量检测、pH值检测、矿浆固相金品位化验、矿浆液相氰离子浓度化验、液相中溶解氧检测构成，其中矿浆流量根据压滤机卸饼相关参数估计；

金氰化浸出过程操作优化系统和上位机选用联想品牌Core 4计算机，操作系统为WINDOWS 7；操作优化系统在Core 4联想计算机上运行，操作优化系统界面由C

图1为湿法冶金浸出过程工艺流程图；

图2为本发明的硬件结构示意图；

图3为混合模型约束结构图；

图4为遗传粒子算法流程图；

图5为本发明装置的工作原理示意图；

图6为优化结果曲线。

图7为优化界面操作流程图；

图8为浸出车间优化操作指导界面图。

本发明所提供的浸出过程优化操作方法，其特征包括(1)数据采集、(2)辅助变量的选取和数据处理、(3)优化模型建立、(4)优化模型的求解、(5)浸出过程优化操作指导的确定。

(1)数据采集

本发明装置包括金氰化浸出过程优化操作系统、PLC、上位机、现场检测仪表(流量、浓度、pH值)，如附图2所示。在金氰化浸出车间安装流量、浓度、pH值等检测仪表，检测仪表将采集到的现场实际数据通过Profibus-DP总线传送到PLC，PLC再将采集的信号通过以太网传送到上位机，然后，上位机把现场实际运行数据传送到金氰化浸出过程优化操作系统，提供在线的优化操作指导，同时将结果同步显示在上位机组态界面中。

本发明装置的各部分功能：

(A)现场检测仪表：包括流量、浓度、pH值等检测仪表，由流量计、BSDM型在线浓度计、BDOM型工业溶氧仪、BPHM型工业PH计等传感器组成，负责金氰化浸出过程实际生产数据的采集与传送；

(B)PLC：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；

(C)上位机：收集本地PLC数据，传送给浸出过程优化操作系统，并在上位机组态界面中进行显示；

(2)辅助变量的选取和相关数据处理

辅助变量的选择是建立过程优化模型的第一步，对建模的成功与 否至为关键。本发明所选择的辅助变量包括：

(A)矿浆中固相流量Qs；

(B)矿浆中液相流量Ql；

(C)浸出槽中的添加流量Qcn；

(D)固相中的金初始品位cs0；

(E)液相中的氰离子初始浓度ccn0；

(F)液相中的金初始浓度cl0。

(3)优化模型的建立

Ⅰ、目标函数的确定

在金氰化浸出过程中，包含金粒的矿物由浆化槽打入气动搅拌槽，在槽内搅拌均匀，在常温下，与通入的及通入气动槽中的氧气进行反应，最后从槽溢出进入下个环节，其中残余的还得通过净化手段去除掉才能进入下个环节。因此整个浸出过程的物料损耗包括三个部分：(1)的物料损耗；(2)去除残余的损耗；(3)未被浸出金的损耗。依据可得目标函数为下式所示：

$\min Y=(\underset{i=1}{\overset{n}{\Sigma }}{Q}_{\mathrm{cni}}+C_{\mathrm{cn}0}{Q}_l)P_{\mathrm{rcn}}+C_{\mathrm{cn}}{Q}_l{P}_{\mathrm{rcnd}}+\left(C_{\mathrm{sn}}{Q}_s\right)P_{\mathrm{rAu}}---\left(7\right)$

式中Qcni－加入第i个浸出槽的的流量；

Ccn0－第一槽的初始的浓度；

Ccn－浸出结束后浓度；

n－浸出槽的数目；

Ql－矿浆液相的流量；

Qs－矿石的流量；

Csn－浸出结束后矿石中金的品位；

Prcn－价格系数；

Prcnd－除残余的价格系数；

PrAu－金的价格系数。

Ⅱ、决策变量的选择

决策变量是由所追求的目标和实验约束条件而确定的，决策变量应该尽量选择那些便于检测、控制和对状态变量重要影响较大的量。

在经过对机理模型和现场的系统分析之后，选择如下决策变量：各个浸出槽的添加量Qcni。添加量是生产现场的主要操作量，且这些操作变量的操作量及操作规程对浸出率都有重要影响。通过改变操作变量的值可以获得不同的浸出率。

Ⅲ、约束条件

优化的约束条件，按性质可以分为过程模型和限制方程两类。本发明主要考虑产品的质量约束、设备约束、模型约束等。

(1)限制方程约束 

限制方程约束，是为使浸出过程在一定范围或条件下运行，人为确定的、施加给浸出过程的限制条件。它们主要包括：产品的质量约束、设备约束等。通常限制方程的形式为不等式，所以又称之为不等式约束。

浸出过程的目的是溶解矿石中的金粒，因此通常要求浸出率x不低于某一指标，才能保证生产的需要。即：

x≥xmin         (8)

式中xmin代表浸出率的下限。

浸出过程的实际运行还受到外界及自身设备等的制约，一般主要 体现在对某些量的处理能力的限制，即

umin≤ui≤umax       (9) 

式中umax和umin分别代表设备所能允许的流量的上下限。

(2)模型约束

由于优化目标中需要计算预测的浸出率和浸出之后的金品位、浓度，这就需要用到浸出过程预测模型来建立其与决策变量之间的联系。本发明采用机理模型与数据补偿的并联混合模型，作为优化操作系统的模型约束条件，其模型结构如图3。

首先根据反应动力学原理及物料守恒方程(固相中金守恒、液相中氰守恒)建立浸出过程机理模型。

由固相中金守恒可得：

QsCs0-QsCs-MsrAu＝0     (10) 

式中Qs－矿石流量；

Cs0－浸出前金品位浓度；

Cs－浸出后金品位浓度；

Ms－矿石的质量；

rAu－金浸出时的反应速率；

由液相中氰根守恒可得：

QlCcn0+Qcn-QlCcn-Mlrcn＝0       (11) 

式中Ccn0－浸出前氰根的浓度；

Ccn－浸出后氰根的浓度；

Ml－矿液的质量；

rcn－氰的反应速率。

假设物料最大程度上混合，并且忽略反应器中的物料隔离，且泥浆的容量阻力恒定，可得：

$Q_l=Q_s(\frac{1}{C_w}-1)---\left(12\right)$

$M_l=\frac{V}{\left(\frac{Q_s}{Q_l}\right)\frac{1}{{\rho }_s}+\frac{1}{{\rho }_l}}---\left(13\right)$

$M_s=\frac{V}{\left(\frac{Q_l}{Q_s}\right)\frac{1}{{\rho }_l}+\frac{1}{{\rho }_s}}---\left(14\right)$

式中Cw－矿浆的浓度；

Ml－液体的质量；

Ms－矿石的质量；

ρs－矿石的密度；

ρl－矿浆的浓度。

又因为物料充分混合，因此固体颗粒，液体和矿浆有相同的平均停留时间，可得：

$\tau =\frac{V}{\frac{Q_s}{{\rho }_s}+\frac{Q_l}{{\rho }_l}}=\frac{M_l}{Q_l}=\frac{M_s}{Q_s}---\left(15\right)$

其中，τ表示为浸出过程反应时间。

浸出过程金粒的反应速率和的消耗速率根据反应动力学可得到如下方程：

$r_{\mathrm{Au}}=(a_1-a_2*d^{a_3}){(C_s-C_{s\infty })}^{a_4}{C_{\mathrm{cn}}}^{a_5}{C_o}^{a_6}---\left(16\right)$

$r_{{\mathrm{cn}}^{-}}=\left(\frac{b_1}{d^{b_2}-b_3}\right){C_{\mathrm{cn}}}^{b_4}---\left(17\right)$

上式表明金的反应速率模型，与矿石粒径、反应前后金品位、氰及氧的浓度相关；氰根反应的速率模型与矿石粒径、氰浓度相关。其中d表示矿石的粒径；Cs为当前时刻金的浓度，Cs∞为反应后金的理想最终浓度。a1～a6、b1～b4分别为反应动力学中所需辨识的参数。查询相应文献可得到理想情况下矿石中金的最终浓度为：

Cs∞(d)＝0.357(1-1.49e-0.017d)      (18) 

综合上述各式，把式(12)，式(13)，式(17)代入式(11)便可求得 氰根离子浓度。然后把式(14)，式(16)，式(18)代入式(10)便可求得固相中金的浓度。由固相中金浓度的变化，便可求得金的浸出率X为式(19)：

$X=\frac{C_{s0}-C_s}{C_{s0}}=f(Q_s,C_w,d,C_{s0},C_{\mathrm{cn}0},C_o,Q_{\mathrm{cn}})---\left(19\right)$

由于在建立机理模型过程中做了很多假设，估计了很多参数量，因此使机理模型与实际系统之间存在着建模误差。而单纯的浸出过程数据模型，泛化性又较差。机理模型有较强的可解释性，同时通常模型趋势性较好，但由于假设等各种因素致使机理模型很难实现高精度预测，仅通过调节机理模型参数不能完全来达到提高精度的目的。于是，将未建模部分以及不确定性问题交给数据模型，利用数据模型学习机理模型误差，然后对机理模型加以补偿进而建立混合模型。

浸出过程的模型由机理模型、误差补偿模型及一个辩识机构所构成。机理模型的输入为：矿石流量、流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始浓度，输出为：浸出率X。数据补偿模型的输入为：矿石流量、流量、溶解氧浓度、矿浆浓度、粒子粒径，初始金品位、初始浓度，输出为实际浸出率与机理模型预测浸出率的误差预测e。

该模型的原理为：机理模型的参数由参数辨识确定之后，可得到机理模型的浸出率预测值；实际生产过程的浸出率则通过离线的化验统计得到，将该值与实际生产过程的浸出率进行比较，得到差值e；由基于KPLS算法得到的数据补偿模型根据差值e进行建模，输出即为对实际生产率与机理模型预测生产率的差值e的回归值；将机理模型与补偿模型的输出相加即得到混合模型的输出。

将上面确定的优化目标、操作变量、约束条件总结在一起，便可以得到浸出过程优化模型为：

$\begin{array}{c}\min Y=(\underset{i=1}{\overset{n}{\Sigma }}{Q}_{\mathrm{cni}}+C_{\mathrm{cn}0}{Q}_l)P_{\mathrm{rcn}}+\left(Q_l{C}_{\mathrm{cn}}\right)P_{\mathrm{rcnd}}+\left(C_{\mathrm{sn}}{Q}_s\right)P_{\mathrm{rAu}}\\ =a(u_1+u_2+u_3+u_4)+{\mathrm{cf}}_1(u_1,u_2,u_3,u_4)+{\mathrm{df}}_2(u_1,u_2,u_3,u_4)\\ \mathrm{st}.\\ x\ge x_{\min }\\ y_{\min }<u_1,u_2,u_3,u_4<u_{\max }(\mathrm{mg}/h)\end{array}---\left(20\right)$

浸出过程并联混合模型

其中，Qcni为加入第i个浸出槽的的流量；Ccn0为第一槽的初始的浓度；Ccn为浸出结束后浓度；n为浸出槽的数目；Ql为矿浆液相的流量；Qs为矿石的流量；Csn为浸出结束后矿石中金的品位；Prcn为价格系数；Prcnd为去除残余的价格系数；PrAu为金的价格系数；xmin代表浸出率的下限；umax和umin分别代表设备所能允许的流量的上下限；f1、f2分别表示有关操作变量的函数。

(4)优化模型的求解

本发明采用遗传粒子算法对优化模型进行求解。

标准粒子算法是一种基于迭代的优化方法，系统初始化为一组随机解，通过迭代搜寻最优值，但是它没有使用交叉和变异操作，而是粒子在解空间追随最优的粒子进行搜索。它着重强调种的社会属性，通过模拟体的社会行为实现对空间的搜索，PSO的优势在于简单容易实现，并且没有许多参数需要调整。

PSO求解优化问题时，问题的解对应于搜索空间中一个“粒子”。每个粒子都有自己的位置和速度(决定飞行的方向和距离)，还有一个由被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜索。在每次迭代中，粒子通过跟踪两个“极值”来更新自己的位置和速度：第一个就是粒子本身所到的最好解，叫做个体极值另一个极值是整个粒子中所有粒子在历代搜索过程中所达到的最优解基本PSO算法中，速度更新公式和位置更新公式分别如下所示：

$v_i^{k+1}=w·v_i^t+c_1·r_1({\mathrm{pbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2·r_2({\mathrm{gbest}}_{\mathrm{id}}^k-x_{\mathrm{id}}^k)---\left(21\right)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_i^{k+1}---\left(22\right)$

其中，i＝1,…,m，m为粒子中粒子的个数，d＝1,…,n，n为解向量的维数，k＝1,…,kmax，kmax为最大迭代次数，c1,c2为学习因子，w为惯性权重，r1,r2是[0，1]之间的随机数。

标准PSO的算法流程如下：

(A)初始化一粒子(体规模为m)，包括随机位置和速度；

(B)评价每个粒子的适应度；

(C)对每个粒子，将其适应值与其经历过的最好位置pbestid作比较，如果较好，则将其作为当前的最好位置gbestid；

(D)对每个粒子，将其适应值与全局所经历的最好位置gbestid作比较，如果较好，则重新设置gbestid的索引号；

(E)根据方程(21)和(22)变化粒子的速度和位置；

(F)如未达到结束条件(通常为足够好的适应度值或达到一个预设最大迭代次数Gmax)，则返回步骤(B)。

本发明的优化求解在粒子算法中引入遗传算法，从式(21)和式(22)中可以知道，PSO算法是通过分享个体之间的有用信息和个体的自学习来提高个体的。个体提高以后，再采用遗传算法中的交叉和变异步骤，得到更加优秀的下一代体。新的算法既保证了遗传算法强大的全局搜索性能，又同时融合粒子的位置转移思想。这样，经过改进的算法充分利用了被遗传算法忽略了的种的信息和个体的信息，其寻优过程更有效率，所得到的解精度更高。

在传统PSO算法的基础上，加入遗传算法中的复制和重组这些称为繁殖的操作，该方法是对按概率P选出的粒子进行如下式：

child1(x)＝p×parent1(x)+(1-p)×parent2(x)     (23) 

child2(x)＝p×parent2(x)+(1-p)×parent1(x)

$\begin{array}{c}{\mathrm{child}}_1\left(v\right)=\frac{{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)|}\left|{\mathrm{parent}}_1\left(v\right)\right|\\ {\mathrm{child}}_2\left(x\right)=\frac{{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)}{|{\mathrm{parent}}_1\left(v\right)+{\mathrm{parent}}_2\left(v\right)|}\left|{\mathrm{parent}}_2\left(v\right)\right|\end{array}---\left(24\right)$

通过父代的杂交操作，产生子代的粒子取代父代。选择父代时没有基于适应值，防止了基于适应值的选择对那些多局部极值的函数将带来潜在问题。P是(0,1)间的随机数(经验值约为0.2)。理论上讲遗传粒子法可以更好地搜索粒子间的空间，2个在不同次优峰处的粒子经繁殖后，可以从局部最优逃离。

在标准粒子算法的迭代流程中，在判断是否满足优化标准后加入选择、交叉、变异步骤，具体流程如图4。

(5)浸出过程优化操作指导的确定

基于混合模型的浸出过程优化操作依据如下步骤进行：

(A)参数计算：根据历史数据辨识机理模型中的参数；

(B)采集数据：收集离线化验的参数以及传感器测量的工艺操作参数；

(C)将机理模型预测结果与真实检测结果进行比较，计算预测结果与真实值之间的差值；

(D)混合模型的建立：将采集到的传感器测量数据与上述预测结果与真实值之间的差值组成输入输出数据对，利用KPLS方法进行训练，得到数据模型中的参数，将机理模型与数据模型并联组成混合模型作为操作系统的模型约束；

(E)确定优化参数：确定遗传粒子算法的参数，主要包括初始粒子、最大迭代次数、学习因子、惯性权重、交叉变异率等；

(F)计算优化结果：根据采集到的初始数据以及混合模型约束，采用遗传粒子算法进行优化，得到优化结果，即添加量值。

本发明装置包括金氰化浸出优化系统、PLC、上位机、现场检测 仪表，金氰化浸出过程现场检测系统主要由矿浆浓度检测(北京矿冶研究总院的BDSM型在线浓度计)、添加流量检测(蠕动式电脑加药机)、pH值检测(北京矿冶研究总院的BPHM型工业pH计)、矿浆固相金品位检测(离线实验室化验)、矿浆液相氰离子浓度检测(离线实验室滴定化验)、液相中溶解氧检测(北京矿冶研究总院的BDOM型工业溶氧仪)构成，其中矿浆流量根据压滤机卸饼相关参数估计，如附图5所示。

浸出率预测系统和上位机选用联想品牌Core 4计算机，操作系统为WINDOW 7。浸出率预测系统在Core 4联想计算机上运行，浸出率预测系统界面由C