摘要：根据铁矿采选生产过程,建立了以经济效益为目标函数,资源利用率和精矿产量为约束条件,截止品位和入选品位为决策变量的非线性约束优化模型,将粒子群算法和神经网络集成构成PSO-ANN算法来搜索最优品位组合。PSO-ANN算法包括内外两层：外层采用PSO作为搜索算法,采用基于可行性规则的约束处理技术,更新粒子群个体最优位置和全局最优位置,引导粒子朝最优解方向进行搜索;内层是REG模型、BP神经网络及RBF网络,实现粒子（截止品位和入选品位）到损失率、选矿金属回收率和采选成本之间的映射关系,进而计算资源利用率、精矿总量和净收益。以大冶铁矿为例,研究表明：2008-01~06,最优截止品位为17.5%,入选品位为45.4%,与现行方案相比,其资源利用率提高2%,精矿量增加1.34万t,总现值增加1 125万元。该方法为金属铁矿的品位优化提供了一个全新的思路,具有广泛的应用前景。

关键词：采选品位 智能约束优化 粒子群算法 人工神经网络 

单位：广东工业大学管理学院 广州510520