1.一种基于BP神经网络与MBFO算法的铝电解多参数控制方法，其特征在于，包括以下步骤：S1：选取对电流效率、吨铝能耗和全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…xM]，M为所选参数的个数；

S2：选定铝电解工业现场，采集N组决策变量X1,X2,…,XN及其对应的电流效率y1,y2,…,yN，吨铝能耗z1,z2,…,zN和全氟化物排放量o1,o2,…,oN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi和全氟化物排放量oi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；

S3：利用多目标细菌觅食优化算法，即MBFO算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest和全氟化物排放量obest，优化时，利用菌群个体Pareto熵的外部档案更新策略引导菌群更新，以便快速获得最佳决策变量；

步骤S3中的MBFO算法包括以下步骤：

S31：将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；

S32：初始化系统参数，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱散次数Ned，驱散概率Ped，外部档案规模K；

S33：执行趋向操作，包括翻转和前进；

假设第i(i＝1,2,…,L)只细菌在第j次趋向操作第k次复制操作和第l次驱散操作之后的位置为θi(j,k,l)，则θi(j+1,k,l)＝θi(j,k,l)+C(i)*dcti，式中，dcti是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dcti方向前进步长，且 Δi为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；

S34：根据个体间的信息素浓度Jcc执行聚群操作；

S35：计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌，健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；

对给定的k、l，每只细菌的健康函数为 式中， 表示第i只细

菌的能量，J(i,j,k,l)表示细菌i在第j次趋向操作第k次复制操作和第l次驱散操作之后的适应度函数值，Nc表示趋向次数， 越大，表示细菌i的觅食能力越强；

S36：将步骤S35中产生的菌群与上一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；

S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；

S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest和全氟化物排放量obest，如不满足，则返回执行步骤S33；

S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，以实现在多参数最优状态下进行铝电解。

2.根据权利要求1所述的基于BP神经网络与MBFO算法的铝电解多参数控制方法，其特征在于，步骤S1中选定了8个参数构成决策变量，分别为系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。

3.根据权利要求2所述的基于BP神经网络与MBFO算法的铝电解多参数控制方法，其特征在于，步骤S2中的BP神经网络由输入层、隐藏层和输出层构成；

针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用

13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为800；

针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用

12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为800；

针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为800。

4.根据权利要求1所述的基于BP神经网络与MBFO算法的铝电解多参数控制方法，其特征在于，步骤S36中利用个体Pareto熵更新菌群，包括以下步骤：S361：如果待更新的外部档案A＝φ，则更新后的外部档案A′＝{P}，其中P为进化算法获得的一个新解，此时返回P；

S362：如果P被A中的任意一个成员ai∈A占优，则此时返回A；

S363：对于任意的ai∈A，如果ai被P占优，则A＝A/{ai}；

S364：如果A的成员个数|A|＜K，K表示外部档案的最大容量，则A′＝A∪{P}，此时返回A′；

S365：令B＝A∪{P}，对所有B的成员bi∈B，评估bi的个体密度；

S366：查找B中具有最大个体密度的成员bmax；

S367：如果P就是bmax，则A′＝A，此时返回A′；

S368：令A′＝B/{bmax}∪{P}，此时返回A′。