基于正弦调整的粒子群算法应用于换热网络

›› 2016, Vol. 29 ›› Issue (4): 37-.

基于正弦调整的粒子群算法应用于换热网络

周静,崔国民,彭富裕,肖媛

(上海理工大学新能源科学与工程研究所,上海 200093)

出版日期:2016-04-15 发布日期:2016-04-26
作者简介:周静(1991—),女,硕士研究生。研究方向:化工过程系统优化。
基金资助:
国家自然科学基金资助项目(51176125);上海市研究生创新基金资助项目(JWCXSL1301)

Particle Swarm Optimization (PSO) with Sinusoidal Changing Inertia Weight for Heat Exchange Network Synthesis

ZHOU Jing,CUI Guomin,PENG Fuyu,XIAO Yuan

(Research Institute of New Energy Science and Technology,University of Shanghai for Science and Technology,Shanghai 200093,China)

Online:2016-04-15 Published:2016-04-26

摘要/Abstract

摘要：

粒子群算法在优化换热网络综合问题后期,通常陷入局部极值而无法寻到全局最优解。通过对粒子群算法中的种群大小、迭代步数、最大速度、惯性权重4个参数的正交试验,得出了惯性权重是平衡算法局部搜索和全局搜索能力的一个重要因素。在综合分析标准PSO算法速度进化方程的基础上,提出了一种按正弦变化惯性权重的PSO算法,并利用标准测试函数验证了算法的性能。通过典型算例证明改进后的PSO对换热网络综合问题的有效性。

关键词: 粒子群算法, 正交试验, 正弦变化, 换热网络综合

Abstract:

The local optimum often arises when the Particle Swarm Optimization (PSO) optimization is used to optimize heat exchanger networks synthesis problems.The orthogonal experiments in population size,iterative steps,maximum velocity and the inertia weight show that the inertia weight is an important factor in the PSO improvement.Based on a comprehensive analysis of the standard PSO algorithm,this paper proposes a strategy of inertia weight according to the sinusoid.The performance of the algorithm is verified using the standard test functions.The presented case reveals the effectiveness of the proposed strategy in the heat exchange network synthesis.

Key words: particle swarm optimization;orthogonal experiment;sine change;heat exchanger network synthesis

中图分类号:

TP306.1

周静,崔国民,彭富裕,肖媛. 基于正弦调整的粒子群算法应用于换热网络[J]. , 2016, 29(4): 37-.

ZHOU Jing,CUI Guomin,PENG Fuyu,XIAO Yuan. Particle Swarm Optimization (PSO) with Sinusoidal Changing Inertia Weight for Heat Exchange Network Synthesis[J]. , 2016, 29(4): 37-.

[1]	冯先丁,魏镜弢,吴张永,钱杰,浦友尚. 基于PCA-PSO-SVM的球磨机负荷预测研究[J]. 电子科技, 2022, 35(1): 29-34.
[2]	章奇,李忠文,于治水. 光纤激光器制备FeNiMoCoCrTi高熵合金过程与研究综述[J]. 电子科技, 2021, 34(7): 67-72.
[3]	陈强,王宇嘉,林炜星,陈万芬. 改进粒子群算法求解分布式柔性车间调度问题[J]. 电子科技, 2021, 34(10): 63-68.
[4]	吴强,张伟,杨慧婷,汪朝盈. 基于天牛须算法的粒子群算法在PID参数整定上的应用[J]. 电子科技, 2020, 33(6): 18-23.
[5]	张晋维,李国平. 微电网多目标鲁棒优化运行[J]. 电子科技, 2019, 32(3): 26-31.
[6]	吕腾飞,陈世平,王磊. 基于包簇概念的云资源分配成本优化模型[J]. 电子科技, 2019, 32(3): 31-36.
[7]	于慧,王宇嘉,陈强,肖闪丽. 基于多种群动态协同的多目标粒子群算法[J]. 电子科技, 2019, 32(10): 28-33.
[8]	吴延凯,张伟,马盈满,李佳阳. 基于GA-PSO融合算法的二自由度PID参数优化[J]. 电子科技, 2019, 32(10): 54-59.
[9]	黄泰相,陈波,管鑫,程璐瑶. 基于电子搜索算法的电力系统无功优化[J]. 电子科技, 2019, 32(1): 58-61.
[10]	肖闪丽, 王宇嘉, 于慧. 面向拆卸线平衡的维度学习多目标粒子群优化[J]. , 2018, 31(3): 5-.
[11]	李怡弘, 裘炅. 粒子群蚁群融合算法的火灾救援路径研究[J]. , 2018, 31(1): 58-.
[12]	李朗 1，吴明翔 1，张振东 1，胡悦 2. 纯电动汽车动力系统参数匹配与优化[J]. , 2017, 30(9): 135-.
[13]	许晓磊，聂文惠，曹菲. HAFBPS对发酵法生产透明质产量的预测[J]. , 2016, 29(7): 22-.
[14]	宋水泉. 基于改进PID神经元网络的多变量系统控制算法[J]. , 2016, 29(6): 26-.
[15]	左晓刚,崔国民,王金阳. 基于正交试验的控制柜热设计研究[J]. , 2016, 29(5): 19-.