欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110347003
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于遗传算法的热管约束组件布局优化方法,其特征在于,包括以下步骤:S1:沿着与热管朝向垂直方向建立x轴,与热管朝向平行方向建立y轴;根据热管约束组件结构在x轴上建立子种群一、在y轴上建立子种群二,初始化函数评价次数、氏族规模、子种群一和子种群二;

S2:使用遗传算法寻找子种群一在x轴上的最优布局,根据子种群一在x轴上的最优布局寻找子种群二在y轴上的最优布局,结合子种群一在x轴上的最优布局和子种群二在y轴上的最优布局得到热管约束组件布局的最优可行解,具体为:S2‑1:初始化子种群一和子种群二的初始解,

S2‑2:判断子种群一的解是否达到最大函数评价次数,若是则执行S2‑9,若否则执行S2‑3;

S2‑3:如果当前阶段已经使用的函数评价次数达到上限,则更新子种群一的氏族规模;

S2‑4:使用评价函数C1评价子种群一的当前解:其中, 表示第t代子种群一中的

第i个个体的解, 表示 的C1函数评价值, 表示 的散热能力约束,F(·)是布局·中单个热管所承载的最大产热功率, 表示 布局下单个热管所承载的最大产热功率, 表示第t代种群所有 值中的最大值;

结合氏族选择、模拟二进制交叉算子、由多项式突变和交换突变组成的混合突变算子、二元锦标赛选择法更新子种群一的最优可行解;

S2‑5:判断是否达到了激活子种群二的条件,若是则执行S2‑6,若否执行S2‑2;

S2‑6:判断是否是首次激活子种群二或是否得到了子种群一的更优解 若是,则使用评价函数C2根据 评价子种群二的当前解:t t t

其中,C2(Yi )表示Yi 的C2函数评价值,Yi 代表第t代子种群二中的第i个个体的解,代表子种群一第t代最好的X轴分布,第t代子种群一中的所有个体的解组成 代表一个完整的布局方案;

表示当前布局方案违反的约束个数, 表示当前布局方案违反约束j的违反量, 表示第t代所有布局方案对约束j的最大违反量,α为惩罚系数;

若否,则执行S2‑7;

S2‑7:判断当前子种群二的最优可行解是否为当前的 优化得到的,若否,则结合氏族选择、模拟二进制交叉算子、由多项式突变和交换突变组成的混合突变算子、二元锦标赛选择法更新子种群二的最优可行解,执行S2‑8;若否,则执行S2‑2;

S2‑8:判断当前代子种群二中最优个体的函数评价值 是否等于0,若是,则记录该可行解 执行S2‑9;若否,执行S2‑2;

S2‑9:将当前代的 作为子种群一的最终最优可行解Xelite,将当前代的 作为子种群二的最终最优可行解Yelite,将Xelite∪Yelite作为热管约束组件布局的最优可行解。

2.根据权利要求1所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:使用所述遗传算法时,结合模拟二进制交叉算子、多项式突变、交换突变和二元锦标赛选择法改进所述遗传算法。

3.根据权利要求1所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述S2‑5中激活子种群二的条件为:达到了预设的函数评价次数的阈值,并且 满足组件‑热管重叠约束。

4.根据权利要求1所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述S2‑4中结合氏族选择、模拟二进制交叉算子、由多项式突变和交换突变组成的混合突变算子、二元锦标赛选择法更新子种群一的最优可行解,具体为:S2‑4‑1:获取子种群一的第t代种群的种群规模、种群氏族规模和算子所需参数;

S2‑4‑2:构造子种群一中的所有家庭,通过基于氏族的模拟二进制交叉法得到所有家庭的后代;

S2‑4‑3:计算执行混合变异算子所需要的参数Rs,pp;

其中,Rmax表示最大交换重复次数,FEs表示目前已经消耗的函数评估次数,MaxFEs表示总函数评估次数, 表示向下取整,a1和a2是预设常数;

S2‑4‑4:生成随机数rand,如果rand≤pp,则采用多项式突变更新后代;如果rand>pp,则采用交换突变更新后代;

S2‑4‑5:将所有个体的决策变量映射至可行域,公式如下:Lk=max(min(Lk,uk),lk),

其中,Lk是个体L的第k个决策变量,uk和lk分别是Lk的上边界与下边界;

S2‑4‑6:使用评价函数C1对所有后代个体进行评价;

S2‑4‑7:执行基于氏族的锦标赛选择算子,得到第t+1代种群;

S2‑4‑8:在第t+1代种群中使用C1函数评价值最小的解 更新子种群一的最优可行解。

5.根据权利要求4所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述S2‑7中结合氏族选择、模拟二进制交叉算子、由多项式突变和交换突变组成的混合突变算子、二元锦标赛选择法更新子种群二的最优可行解,具体为:S2‑7‑1:获取子种群二的第t代种群的种群规模、种群氏族规模和算子所需参数;

S2‑7‑2:构造子种群二中的所有家庭,通过基于氏族的模拟二进制交叉法得到所有家庭的后代;

S2‑7‑3:设置执行混合变异算子所需要的参数Rs和pp;

S2‑7‑4:生成随机数rand,如果rand≤pp,则采用多项式突变更新后代;如果rand>pp,则采用交换突变更新后代;

S2‑7‑5:将所有个体的决策变量映射至可行域,公式如下:Lk=max(min(Lk,uk),lk),

其中,Lk是个体L的第k个决策变量,uk和lk分别是Lk的上边界与下边界;

S2‑7‑6:使用评价函数C2对所有后代个体进行评价;

S2‑7‑7:执行基于氏族的锦标赛选择算子,得到第t+1代种群;

S2‑7‑8:在第t+1代种群中使用C2函数评价值最小的解 更新子种群二的最优可行解。

6.根据权利要求4所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述通过基于氏族的模拟二进制交叉法得到所有家庭的后代,具体为:S2‑4‑2‑1:在子种群一中,在同一氏族内选出两个个体 和其中 是 的决策

变量, 是 的决策变量,NP1表示子种群一的大小;

S2‑4‑2‑2:计算两个后代 和 的决策变量 和 由和 得 到 两 个 后 代 和

和 的计算方法为:

其中β是由分布因子η按照公式动态决定的:

rand是0‑1之间的随机数;

S2‑4‑2‑3:将生成的后代加入当前家庭,对种群中的所有氏族进行相同操作得到所有家庭的后代。

7.根据权利要求4所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述采用多项式突变更新后代,具体为:多项式突变后在个体 中第k个组件沿X轴方向的位置 的计算方法为:其中,

其中, 表示在个体 中第k个组件沿X轴方向的位置,u表示0‑1之间的随机数,uk和lk分别表示 的上边界和下边界,ηm是分布指数。

8.根据权利要求4所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述采用交换突变更新后代,具体为:交换种群中两个组件的坐标轴,交换次数为在区间(0‑Rs)内的随机整数。

9.根据权利要求4‑8任一项所述的基于遗传算法的热管约束组件布局优化方法,其特征在于:所述执行基于氏族的锦标赛选择算子,得到第t+1代种群,具体为:对于第t代种群中的第i个氏族 从氏族中随机挑选出两个个体candidate1和candidate2,使用评价函数计算candidate1和candidate2的函数评价值;将函数评价值较小的值对应的个体作为第t+1代种群中的第i个氏族 淘汰另一个个体。