1.一种基于BP神经网络与MBFO算法的铝电解生产工艺优化方法，其特征在于包括以下步骤：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；对应的吨铝能耗z1，z2，…，zN和对应的全氟化物排放量w1,w2,…,wN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以及全氟化物排放量wi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以及全氟化物排放量wbest；

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、降耗和减排的目的。

2.根据权利要求1所述的基于BP神经网络与MBFO算法的铝电解生产工艺优化方法，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x1、下料次数x2、分子比x3、出铝量x4、铝水平x5、电解质水平x6、槽温x7、槽电压x8。

3.根据权利要求1或2所述的基于BP神经网络与MBFO算法的铝电解生产工艺优化方法，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的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为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的传递函数为Logsig函数，隐藏层到输出层之间的传递函数为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算法的铝电解生产工艺优化方法，其特征在于：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，包括细菌群体大小Nn，趋向次数Nc，趋向行为执行中前进次数Ns，繁殖次数Nre，驱散次数Ned，执行驱散行为的概率Ped；

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i之后的位置为θ(j,k,l)，则：

i i *

θ(j+1,k,l)＝θ(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方向前进的步伐长度，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S35产生的菌群与前一次迭代计算产生的菌群合并，选择前L个优势个体构成下一代菌群；

S36：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；

S37：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以及全氟化物排放量wbest，如不满足，则跳转至步骤S33循环执行。