基于混合型遗传算法的森林可燃物热解动力学参数优化方法

发布时间：2020-08-11 10:13

【摘要】：森林可燃物热解动力学参数的优化计算是构建综合热解模型的关键步骤。传统的基于梯度的优化方法收敛速度快但全局寻优能力不足,基于"生物进化理论"的遗传算法具有全局寻优能力但收敛速度慢。本研究首先探讨了单纯的遗传算法对初始值设置的依赖,发现设定合适的初始值能够稳定计算结果,加快算法的收敛速度。针对初始值未知的情况,本文提出了将单纯的遗传算法与迭代算法相结合构建混合型遗传算法的流程。然后以樟子松松枝为例,采用热重分析仪开展了森林可燃物热解实验。假设可燃物热解失重过程遵循三步一级平行反应模型,通过对比单纯遗传算法和混合型遗传算法的收敛过程,发现混合型遗传算法能够快速地获取全局最优的动力学参数,显著地提高遗传算法的优化性能。
【图文】：

盅坝诺奶氐愕幕旌闲鸵?传算法，将其应用于热解动力学参数的计算，讨论分析其优化性能。本研究将为热解动力学参数优化提供一种新的计算方法。2实验部分实验采用的森林可燃物样品为黑龙江大兴安岭林区的樟子松的树枝(pinebranch，PB)，见图1。为防止样品受到污染和破坏，所有的样品均采自于活的樟子松松树。为了长期保存样品，需要对样品进行预处理。我们将松枝样品放置在电热鼓风干燥箱(型号：DGX-9073B-1，厂家：上海福玛实验设备有限公司)中，于85°C条件下干燥24h。预处理后的燃料由于含水率很低，因此不会霉图1实验使用的松枝样品Fig.1Pinebranch(PB)samplesusedinthisstudy2224

撸蝗缓螅嗤捎酶吵踔岛臀锤吵踔档囊糯?算法针对该组理论曲线进行逆运算，获取动力学参数估计值，对比这两种情况下遗传算法的优化性能，并比较计算结果的偏离度。根据上述思路，首先假设遵循三步一级平行反应机理的某森林可燃物在惰性气氛下发生热解的动力学参数如表3所示，表中数据是基于文献数据和作者的经验所设定的，并假设为理论上的热解动力学参数值。然后，根据表3中参数值以及三步一级平行反应模型，计算出该可燃物在3个升温速率(10、15、20°Cmin－1)下以转化率α表示的理论TG和DTG曲线，并绘制成图2。为该森林可燃物热解理论动力学参数值施加一个随机的微小波动(±10%以内)，构建邻域内的初始种群，作为优化计算所需的初始值(如表4所示)设定在GA的程序中。以100代为终止条件，在赋初值和未赋初值情况下分别进行一次独立计算。矩阵计算软件Matlab为遗传算法的实现提供了整个程序模块22。在借助Matlab遗传算法工具箱进行遗传算法优化计算时，设定拟合函数即为优化目标函数，拟合函数的值即为拟合度。遗传算法的优化过程就是目标函数值最小化的过程，也即拟合函数值(拟合度)最小化的过程。因此在目标表3某森林可燃物热解动力学参数理论值Table3TheoreticalkineticparametersofthethermaldegradationofaforestfuelE1/(kJmol－1)190E2/(kJmol－1)95E3/(kJmol－1)65lg(A1/min－1)15lg(A2/min－1)8lg(A3/min－1)4c1/%43c2/%38c3/%19图2某森林可燃物热解理论TG和DTG曲线Fig.2Theoreticalthermogravimetric(TG)anddifferentialthermogravimetric(DTG)curvesofthethermaldegradationofaforestfuel2226

牛慧昌等：基于混合型遗传算法的森林可燃物热解动力学参数优化方法No.9函数相同的条件下，能使得拟合度最小化的速度较快并且绝对值较小的算法的优化性能较为优秀。遗传算法采用平均拟合度和最佳拟合度来表示截止到当前代数时拟合度的平均值和最小值。计算过程中拟合度和平均距离随着繁殖代数的变化见图3和图4。从图3可以看出，在进化的初期平均拟合度值急剧下降，经过大约20代之后，平均拟合度基本稳定在一定的水平。其中未赋初值的平均拟合度随代数增加变化较大，波动频繁。与之相比，赋初值的平均拟合度在下降至一定值后，基本维持不变，无频繁的波动现象，因此赋初值情况下各代个体的拟合度比较稳定。在图3中还可以明显看出，未赋初值情况下最佳拟合度的值在整个遗传过程中始终高于赋初值情况下的值，因此可以说赋初值加快了遗传算法的优化过程。图4给出了个体之间平均距离在遗传过程中的演变情况。从图中可以看出，个体之间的平均距离在遗传初期有显著的降低，经过一定的遗传代数之后，趋于稳定。通过比较发现，未赋初值的计算过程中个体之间平均差异值趋于稳定所需时间要长于赋初值的情况。所以，对于大规模计算来说，不赋初值会消耗更多的计算时间，计算效率会显著降低。基于多次独立计算得到的动力学参数优化结果见表5。从表5可以看出，不赋初值情况下拟合的动力学参数在100代内未能收敛到一个稳定的值，多次运行的结果中活化能值相差较大，比例图3单次运行的平均拟合与最佳拟合值随繁殖代数的变化Fig.3Evolutionofmeanandbestfitnesswithgenerationsinasinglerun图4单次运行的个体之间平均距离随繁殖代数的变化Fig.4Evolutionofaveragedistancebetweentwogenerationsofindividualsinasinglerun表4采用GA优?

【相似文献】

相关期刊论文 前10条

1 刘坤,刘伟波,吴忠强;基于模糊遗传算法的电液位置伺服系统控制[J];黑龙江科技学院学报;2005年04期

2 李华昌,谢淑兰,易忠胜;遗传算法的原理与应用[J];矿冶;2005年01期

3 冯锦春;杨林建;;遗传算法在机械工程方面的应用研究[J];煤矿机械;2008年08期

4 李凯;田双亮;耿丽君;张喜;;基于改进遗传算法在分析企业客户群中的应用[J];河南理工大学学报(自然科学版);2009年06期

5 刘铁男,姜建国,陈继刚,张长江,于镝;遗传算法的收敛性分析[J];大庆石油学院学报;2000年03期

6 乐慧丰,林家骏,俞金寿;投影遗传算法[J];华东理工大学学报;2000年05期

7 苑进,孙忠林,刘雪美;改进遗传算法在齿轮减速器优化中的应用[J];山东科技大学学报(自然科学版);2001年04期

8 李春利,郭章红,杨振生;基于遗传算法的分子设计初探[J];化学工业与工程;2002年01期

9 董军芳,曾颖,林金清;应用遗传算法推算多元溶液热力学数据[J];吉首大学学报(自然科学版);2002年01期

10 唐雪萍,何绪全;遗传算法在流体识别中的应用[J];天然气勘探与开发;2002年01期

相关会议论文 前10条

1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年

3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年

5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年

6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年

8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

相关重要报纸文章 前1条

1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年

相关博士学位论文 前10条

1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年

2 张士伟;三维声学快速多极基本解法在机械噪声预测中的应用研究[D];沈阳工业大学;2016年

3 高军;无铅焊料本构模型及其参数识别方法研究[D];南京航空航天大学;2015年

4 Amjad Mahmood;半监督进化集成及其在网络视频分类中的应用[D];西南交通大学;2015年

5 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年

6 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年

7 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年

8 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年

9 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年

10 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年

相关硕士学位论文 前10条

1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年

2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年

3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年

4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年

5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年

6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年

7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年

8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年

9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年

10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年

本文编号：2788938