1.一种基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，包括如下步骤：S1：选择对电流效率、槽电压以及全氟化物排放量和吨铝能耗有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选控制参数的个数；

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，槽电压z1,z2,…,zN，以及全氟化物排放量s1,s2,…,sN和吨铝能耗c1,c2,…,cN为数据样本，以每一组决策变量Xi作为输入，分别以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出，利用递归神经网络对样本进行训练、检验，建立四个铝电解槽生产过程模型；

S3：利用基于AR支配的偏好多目标差分进化算法，结合DE算法，形成AR-PMDE算法，根据决策者预先设定的期望值作为参考点，建立基于AR支配的严格偏序关系，对步骤S2所得的四个生产过程模型进行优化，得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest；

所述AR-PMDE算法包括以下步骤：

S31：根据AR支配的偏好关系，评价每个个体的适应度，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，令外部存档集Q为空；

S312：决策者设定偏好角度α与偏好目标参考点r(yp,zp,sp,cp)，所述偏好目标参考点包括电流效率、槽电压、全氟化物排放量和吨铝能耗四个目标的期望值；

S313：对于每一个体x，计算其适应度及其与参考点的距离：

其中，fj(x)是个体x在第j目标上的适应度值，ωj是第j个目标的权重， 是第j个目标值的上界， 是第j个目标值的下界；

S314：计算每个体与参考点基准线的角度：

S315：在目标空间上基于角度信息，划分偏好区域，如果θ(r,x)＜α，即小于决策者预先设定的偏好范围角度值α，则该个体处于偏好区域；否则处于非偏好区域；

S316：判断任意两个个体xi与xk之间的优劣关系，若xiPareto支配xk，即xi＜xk，则认为xi优于xk；若xkPareto支配xi，即xk＜xi，则认为xk优于xi；若两者之间无Pareto支配关系，则计算其综合偏好比较因子其中，ξ(t)是随迭代时期t适应变化的角度-距离权重；

若 则认为xiAR支配xk，即xi＜ARxk，表示xi优于xk；若

则称xi、xk相互之间非AR支配，即两者等价；其中δ∈[0,1]，是预

先设定的阈值；

S317：确定个体的最优基因pbesti，在系统初始化时，个体最优基因设为该个体的初始基因xi；在下一次迭代后，基于S316提出的AR支配关系，对个体的新基因xi与pbesti进行优劣比较，优秀者保存为pbesti；

S318：更新外部存档集Q，对种群中相互之间非AR支配的个体加入存档集Q，删除被支配的个体；

S319：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个个体作为全局最优基因；

S32：更新种群内个体的基因信息，包括变异操作、交叉操作和选择操作：

S321：对种群进行变异操作；对于每一个体xi，在种群中随机选择其他三个不同的个体xr1,xr2,xr3，将其中任意两个体形成的差分矢量通过比例因子F缩放后加到第三个个体上，以此产生变异个体，公式如下：vi＝xr1+F·(xr2-xr3)，i≠r1≠r2≠r3

其中，r1,r2,r3为从集合{1,2,…,n}中随机选择的互不相同的整数，并且每进行一次变异，这些整数都会重新随机选取；

S322：目标个体xi与其变异个体vi进行交叉操作，生成试验个体ui；

S323：试验个体ui将与目标个体xi进行选择操作，以确定哪一个个体进入下一代；

S324：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S321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；

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，使其满足决策者偏好的同时，达到节能减排降耗的目的。

2.根据权利要求1所述的基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，步骤S1中，所述控制参数包括系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温。

3.根据权利要求1所述的基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，步骤S2中，以电流效率作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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1000。

4.根据权利要求1所述的基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，步骤S2中，以槽电压作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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1000。

5.根据权利要求1所述的基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，步骤S2中，以全氟化物排放量作为输出，建立铝电解槽生产过程模型，其输入层采用

10个神经元节点，隐藏层采用15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1000。

6.根据权利要求1所述的基于AR偏好信息的差分进化铝电解多目标优化方法，其特征在于，步骤S2中，以吨铝能耗作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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1000。