1.一种基于BP神经网络与MPSO算法的铝电解节能减排控制方法，其特征在于，包括如下步骤：S1：选择对电流效率、吨铝能耗以及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以及全氟化物作s1，s2，…,sN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、吨铝耗能zi以及全氟化物si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：利用多目标粒子群算法，即MPSO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以及全氟化物sbest；

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，使其达到节能减排；

MPSO算法包括以下步骤：

S31：评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换：S311：初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；

S312：计算初始适应度，衡量粒子在当前位置的优化程度；

S313：将每个粒子当前适应度pi和个体最优适应度 进行比较，若当前适应度pi支配个体最优适应度 则将当前适应度pi代替个体最优适应度 否则，保留原有的个体最优适应度S314：更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；

S315：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；

S32：更新种群：

S321：更新粒子自身的速度和位置，其中粒子速度更新公式为：

式中， 为k+1时刻第i个粒子的第d维的速度，h为粒子速度的约束因子，有利于减小振荡，且 w为限制历史速度的惯性因子，w越大，粒子速度越快，有利于跳出局部最小点，w越小，搜索范围越小，有利于算法的收敛， 为k时刻第i个粒子的第d维的速度，c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，r1、r2为均匀分布在(0,1)区间的随机数， 为k时刻第i个粒子本身的最优位置的第d维变量， 为k时刻全局最优位置的第d维变量， 为k时刻第i个粒子的位置；

粒子的位置更新公式为：

S322：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S312进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。

2.根据权利要求1所述的基于BP神经网络与MPSO算法的铝电解节能减排控制方法，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1或2所述的基于BP神经网络与MPSO算法的铝电解节能减排控制方法，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。