1.一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法，其特征在于，包括以下步骤：步骤1)构建回转窑烧成带温度的分数阶CARMA模型，根据所构建的系统模型获取回转窑烧成带温度控制模型；

所述步骤1)的建模步骤如下：

步骤1‑1)构建回转窑烧成带温度的分数阶CARMA模型：如式(1)，给出分数阶CARMA系统的一般形式，A(z)y(t)＝B(z)u(t)+D(z)v(t)                     (1)其中，u(t)为系统的输入，y(t)为系统的输出，v(t)为白噪声，A(z)，B(z)和D(z)是关于‑1后移算子z 的多项式，α为分数阶阶次，i＝1,2,…,na，j＝1,2,…,nb，k＝1,2,…,nd，以及ai，bj和dk为要用输入数据和输出数据进行辨识的参数；

步骤1‑2)根据式(2)至(10)得到输出y(t)与输入u(t)，误差v(t)之间的关系，其中，根据Grünwald‑Letnikov(G‑L)定义得到：其中，t＝kh时，h为采样时间设为1，k为计算导数近似值的样本数；式(2)中 为牛顿二项式：Γ为欧拉函数：

式(1)写为：

其中， 为信息向量，θ为参数向量；

步骤2)构建改进樽海鞘算法的辨识流程；

所述步骤2)构建改进樽海鞘算法的辨识流程的步骤如下：步骤2‑1)初始化，根据公式(11)初始化樽海鞘种群的位置X，XN×D＝rand(N,D)×(Ub‑Lb)+Lb                 (11)其中，N为樽海鞘种群的数量，D为维度即待辨识参数个数，Ub＝[ub1,ub2,…,ubD]为各个维度的搜索上界，Lb＝[lb1,lb2,…,lbD]为各个维度的搜索下界；初始化移动食物源的位置F＝[F1,F2,…,FD]，即樽海鞘种群的移动目标；

步骤2‑2)获取窑头喂煤量作为系统输入数据，回转窑烧成带温度作为系统输出数据，记录数据；

步骤2‑3)计算每一只樽海鞘在各维度位置的适应度值，对每只樽海鞘位置的适应度值进行排序，适应度值最好的樽海鞘的位置即为最新的移动食物源的位置F；

步骤2‑4)自适应划分樽海鞘种群，将种群分为领导者和跟随者，按照公式(12)在每次迭代中更新领导者个数：按照公式(13)在每次迭代中更新跟随者个数：N2＝N‑N1                          (13)其中，N1为领导者个数，N2为跟随者个数，l为当前迭代次数，L为最大迭代次数， 为向上取整操作；

步骤2‑5)更新领导者位置，按照公式(14)引入线性递减因子R，其中，r1和r2是[0,1]中的随机数且r1>r2，按照公式(15)更新原基本算法的领导者更新公式中的收敛因子c1，按照公式(16)更新领导者，

其中， 为第i个领导者在j维度中的位置，Fj为食物在j维度中的位置，ubj和lbj分别为j维度中的搜索上界和下界，控制参数c2和c3是[0,1]中的随机数；

步骤2‑6)更新跟随者位置，按照公式(17)引入权重系数w，w＝c4×(1+r3)                        (17)其中，r3是均值为0，方差为1的高斯随机数，c4为控制高斯干扰程度的参数；按照公式(18)更新原基本算法的跟随者更新公式，其中， 为第i个跟随者在j维度中的位置；

步骤2‑7)根据各维度搜索上界和下界修正每只樽海鞘的位置；

步骤2‑8)判断是否达到最大迭代次数，若没有达到，程序跳转到步骤2‑3)，若达到，进入步骤2‑9)；

步骤2‑9)输出结果，完成辨识。