1.一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，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MOBFOA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，优化时，通过计算Pareto熵并根据Pareto熵对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；

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MOBFOA算法的铝电解工艺参数优化方法，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MOBFOA算法的铝电解工艺参数优化方法，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。

4.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S3中的MOBFOA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，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，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以及全氟化物排放量wbest，如不满足，则转至S38；

S39：根据菌群进化状态调整步长，并跳转至步骤S33循环执行。

5.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，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：A1：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；

A2：如果P被A中的任意一个成员ai∈A占优，则此时返回A；

A3：对于任意的ai∈A，如果ai被P占优，则A＝A/(ai)；

A4：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'；

A5：令B＝A∪{P}，对所有B的成员bi∈B，评估bi的个体密度；

A6：查找B中具有最大个体密度的成员bmax；

A7：如果P就是bmax，则A'＝A，此时返回A'；

A8：令A'＝B/(bmax)∪{P}，此时返回A'。

6.根据权利要求1所述的基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于：步骤S39中第i只细菌前进步长C(i)的调整方法如下:B1：在第t次迭代过程中，如果算法获得的近似Pareto前端PFappr向真实Pareto前端PFtrue在目标空间中发生了距离逼近时，则称该算法在时刻t处于收敛状态，则：Ci(i)＝Ci-1(i)-λ(1+|ΔE(t)|)B2：在第t次迭代过程中，如果算法获得的新解替换了PFappr上质量较低的旧解，则称该算法在时刻t处于多样化状态，则Ci(i)＝Ci-1(i)+μ|ΔE(t)|；

B3：在第t次迭代过程中，如果算法获得的新解被拒绝进入PFappr，则算法在时刻t处于停滞状态，则Ci(i)＝Ci-1(i)；

其中λ、μ为(0,1)之间的随机数，ΔE(t)为菌群Pareto解的差熵。