1.一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法，其特征在于，具体实施步骤如下：S1、从水泥生产数据库中提取相关数据，并进行数据预处理：

分析整个水泥粉磨过程的工艺流程，从水泥生产数据库中提取与优化目标相关性大的

11个输入变量，并进行归一化处理；所述11个输入变量分别为：选粉机入口负压、喂料提升机电流、磨尾收尘机反馈、辊压机挡板开度、水泥磨主机电流、选粉机转速反馈、循环风机变频反馈、喂料量、选粉机电流反馈、循环风机挡板开度和出磨斗提电流，为防止算法在求解过程中为降低目标函数值使上述指标过高或过低，对上述指标进行范围限定；其中选粉机入口负压：‑3800＜X1＜‑3200、喂料提升机电流120＜X2＜170、磨尾收尘机反馈50＜X3＜

270、辊压机挡板开度58＜X4＜85、水泥磨主机电流275＜X5＜290、选粉机转速反馈900＜X6＜1500、循环风机变频反馈33＜X7＜55、喂料量110＜X8＜175、选粉机电流反馈155＜X9＜

270、循环风机挡板开度35＜X10＜48和出磨斗提电流50＜X11＜56；

S2、利用步骤S1预处理后的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；

以水泥磨实际运行中的设备运行能力为约束，在满足水泥比表面积合格的前提下，以最小化水泥磨电耗为目标函数构建水泥磨运行指标的决策模型，决策模型具体表达式如下：f1＝min(e)    (1)

f2＝min|Q‑350|    (2)

Xi_min≤Xi≤Xi_max，i＝1，2，…11    (3)其中，e为水泥磨单位电耗，Q为水泥比表面积，Xi为选取水泥磨的运行指标；在公式(2)中取水泥比表面积中数值350作为算法的标准值；

步骤S2中的预测模型选取的是长短时记忆网络，公式(1)和(2)为水泥磨优化模型的目标函数，公式(1)为最小化电耗，公式(2)为最小比表面积|Q‑350|，公式(3)为水泥磨运行指标的约束条件；

S3、对预测模型进行滚动优化；

S31、通过布谷鸟搜索随机生成有N个个体的初始种群，并输入至步骤S2训练好的预测模型中进行预测并计算目标函数的比表面积预测值Qj和电耗预测值Ej，得到N组目标值|Qj‑

350|和Ej；

S32、对步骤S31获得的目标值|Qj‑350|、Ej进行快速非支配排序和拥挤度排序，以最小化目标值|Qj‑350|和Ej为排序准则，经过排序得到pareto最优面中的最优解集；

S33、在步骤S32获得的最优解集中寻找电耗预测值Ej最小的解，并将其作为本次迭代的最优解；

S34、将步骤S33获得的最优解引入布谷鸟搜索中，并进行更新巢穴，进行布谷鸟搜索的抛弃过程；具体实现步骤为：S341、给定步骤S1中11个变量的上下界组成搜索空间，并进行布谷鸟搜索，更新后产生新的巢穴，通过Lévy flight进行全局搜索寻找宿主鸟巢的位置和路径，对布谷鸟搜索的相关路径进行改进，改进后解的更新过程如下：其中 为t时刻的解， 为经步长缩放因子 与Lévy flight公式Lévy(s，λ，μ)计算在基础上得到的t+1时刻的新解；

其中，步长缩放因子的表达式如下：

式中α0＝0.1， 为t时刻随机解 与当前最优解 的巢穴相减，将最优解引入步长缩放因子计算过程，使搜索过程更快速的收敛；

Lévy flight的表达式如下：

其中，λ＝1.5，Γ为伽马函数，S为步长公式 μ为服从N～(0，σu)正态分布，其中在(1，2)之间，伽马函数公式为 υ服从N～(0，συ)，συ＝1；

S342、通过步骤S341进行位置更新后进行布谷鸟搜索的抛弃过程，生成随机数rand，rand∈[0，1]，并将rand与抛弃概率Pa进行比较，如果rand＜Pa，则随机更新一次鸟巢的位置，否则鸟巢位置不变，改进后解的抛弃过程表达式如下：其中，抛弃概率Pa＝0.25， 为t时刻4个巢穴相互组合计算，rand为0到1中的随机数，当rand小于pa则进行巢穴抛弃生成新解，相反则保持 不变，经过此过程得到抛弃后的解S35、将步骤S34抛弃后的有N个个体的新种群和具有N个个体的初始种群混合为有2N个个体的混合种群，采用精英策略进行快速非支配排序和拥挤度距离计算，将排序后比表面积差值与电耗均较小的前N个个体作为下一次迭代的初始种群；

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；

若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代；

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。