矿井通风网络的多种群自适应粒子群算法优化研究
发布时间：2021-02-02 06:59
针对矿井通风网络分支风量优化问题,以矿井通风网络的总功率最小为目标,结合矿井模型中风量平衡方程、风压平衡方程、分支阻力方程以及风机特性曲线方程等约束条件,提出一种多种群自适应粒子群优化算法（MA-PSO）对矿井通风网络实现寻优。首先对随机生成的种群进行初始化预处理,将适应值从高到低排序,然后以预处理后的局部最优解为圆心,以局部最优解与其他粒子的欧式距离的平均值为半径,将种群划分成五个子种群,接着在速度更新公式中引入拓扑项和种群交流因子,以种群为单位在求解空间中搜索,保障种群的多样性,从而加快种群进化和算法收敛速度;最后采用自适应权重和冗余粒子初始化淘汰策略,提高算法搜索能力和学习能力。仿真结果表明:该算法具有较好的多模态寻优率、更快的收敛速度和更高的收敛精度,优化后通风系统消耗的总功率较之前相比下降26. 78%,节能效果显著。
【文章来源】：煤炭工程. 2019,51(02)北大核心
【文章页数】：7 页
【部分图文】：
多风机通风网络图
斜湟煲圆???判愕母鎏濉５?i个个体的第j个基因aij进行变异的操作方法为:aij=aij+(aij－amax)×f(g)，r≥0.5aij+(amin－aij)×f(g)，r＜0.5{(22)f(g)=r2(1－g/Gmax)2式中，amax为基因aij的上界;amin为基因的aij的下界;r2为一个随机数;g为当前迭代次数;Gmax是最大进化次数;r为［0，1］区间的随机数。3.2.4仿真结果与分析利用matlab软件［12］计算，迭代进化100次后，其迭代进化结果如图2所示。图2表明:利用遗传算法优化井下通风网络，算法过早成熟收敛，陷入局部最优，造成优化效果不佳，原因是种群多样性单一，遗传算法的交叉算子和选择算子不能再产生更有生命力的个体，个体结构的多样性急剧减少，迭代过程中一些优秀的基因并不能保留下来。图2遗传算法迭代进化结果3.3粒子群算法迭代进化设初始种群为100，种群规模为5，迭代100次，其迭代进化结果如图3所示。图3表明:利用改进的快速多种群自适应粒子群优化算法，寻找过程中没有出现早熟，而是迭代了30多次才收敛，MA－PSO算法由于引入了种群间交流和淘汰策略，大大提高了全局寻优能力，收敛性较好，且用时短，优化效果也显著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度较遗传算法更高。从优化结果可以看出，利用改进的快速多种群自适应粒子群优化算法对通风网络系统进行优化，其优化效果远好于遗传算法，收敛精度更高，基于图3粒子群算法传迭代进化结果粒子群算法通风网络参数解算结果见表3。将优化之后的风阻、风量、风压等带入约束函数中进行检验，经检验符合风量平衡方程、回
00，种群规模为5，迭代100次，其迭代进化结果如图3所示。图3表明:利用改进的快速多种群自适应粒子群优化算法，寻找过程中没有出现早熟，而是迭代了30多次才收敛，MA－PSO算法由于引入了种群间交流和淘汰策略，大大提高了全局寻优能力，收敛性较好，且用时短，优化效果也显著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度较遗传算法更高。从优化结果可以看出，利用改进的快速多种群自适应粒子群优化算法对通风网络系统进行优化，其优化效果远好于遗传算法，收敛精度更高，基于图3粒子群算法传迭代进化结果粒子群算法通风网络参数解算结果见表3。将优化之后的风阻、风量、风压等带入约束函数中进行检验，经检验符合风量平衡方程、回路风压平衡方程、风阻、风量、风压上下限、风阻特性约束函数的要求。最终结果表明，风机总功率从优化前的2234.66kW降到1636.16kW，节能率达26.78%，相比遗传算法的最优功率1726.06kW，减少能耗88.9kW。利用改进的快速多种群自适应粒子群优化算法进行优化，既保证了用风分支的需风量，又满足了风机经济方面的要求。优化前后风机总能耗比较见表4。表3基于粒子群算法通风网络参数解算结果分支优化后风阻/(N·s2·m－8)优化后风量/(m3·s－1)优化后风压/Pa10.8879.935616.7920.12180.153894.6330.10171.803013.6541.4998.4614464.2650.85113.5011023.6561.6197.7515398.1970.6519.44245.6480.07231.403958.3390.20132.943534.68100.2718.5394.07110.09132.031628.09120.78122.1811641.83130.3348.12764.27140.14200.495627.54150.20102.742111.10160.3074.051645.26170431.89
【参考文献】：
期刊论文
[1]基于遗传算法的通风网络两步法风流调节优化算法[J]. 厍向阳,常新坦,孙艺珍. 中南大学学报(自然科学版). 2011(09)
[2]基于粒子群算法与混合罚函数法的有限元优化反演模型及应用[J]. 贾善坡,伍国军,陈卫忠. 岩土力学. 2011(S2)
[3]轴流通风机喘振现象分析及预防措施[J]. 董明洪,李俊. 风机技术. 2008(04)
[4]遗传算法在矿井通风网络优化中的应用[J]. 李江,陈开岩,林柏泉. 中国矿业大学学报. 2007(06)
[5]免疫遗传算法在MATLAB环境中的实现[J]. 陈丽安,张培铭. 福州大学学报(自然科学版). 2004(05)
博士论文
[1]矿井通风系统风流参数动态监测及风量调节优化[D]. 司俊鸿.中国矿业大学 2012
本文编号：3014277
【文章来源】：煤炭工程. 2019,51(02)北大核心
【文章页数】：7 页
【部分图文】：
多风机通风网络图
斜湟煲圆???判愕母鎏濉５?i个个体的第j个基因aij进行变异的操作方法为:aij=aij+(aij－amax)×f(g)，r≥0.5aij+(amin－aij)×f(g)，r＜0.5{(22)f(g)=r2(1－g/Gmax)2式中，amax为基因aij的上界;amin为基因的aij的下界;r2为一个随机数;g为当前迭代次数;Gmax是最大进化次数;r为［0，1］区间的随机数。3.2.4仿真结果与分析利用matlab软件［12］计算，迭代进化100次后，其迭代进化结果如图2所示。图2表明:利用遗传算法优化井下通风网络，算法过早成熟收敛，陷入局部最优，造成优化效果不佳，原因是种群多样性单一，遗传算法的交叉算子和选择算子不能再产生更有生命力的个体，个体结构的多样性急剧减少，迭代过程中一些优秀的基因并不能保留下来。图2遗传算法迭代进化结果3.3粒子群算法迭代进化设初始种群为100，种群规模为5，迭代100次，其迭代进化结果如图3所示。图3表明:利用改进的快速多种群自适应粒子群优化算法，寻找过程中没有出现早熟，而是迭代了30多次才收敛，MA－PSO算法由于引入了种群间交流和淘汰策略，大大提高了全局寻优能力，收敛性较好，且用时短，优化效果也显著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度较遗传算法更高。从优化结果可以看出，利用改进的快速多种群自适应粒子群优化算法对通风网络系统进行优化，其优化效果远好于遗传算法，收敛精度更高，基于图3粒子群算法传迭代进化结果粒子群算法通风网络参数解算结果见表3。将优化之后的风阻、风量、风压等带入约束函数中进行检验，经检验符合风量平衡方程、回
00，种群规模为5，迭代100次，其迭代进化结果如图3所示。图3表明:利用改进的快速多种群自适应粒子群优化算法，寻找过程中没有出现早熟，而是迭代了30多次才收敛，MA－PSO算法由于引入了种群间交流和淘汰策略，大大提高了全局寻优能力，收敛性较好，且用时短，优化效果也显著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度较遗传算法更高。从优化结果可以看出，利用改进的快速多种群自适应粒子群优化算法对通风网络系统进行优化，其优化效果远好于遗传算法，收敛精度更高，基于图3粒子群算法传迭代进化结果粒子群算法通风网络参数解算结果见表3。将优化之后的风阻、风量、风压等带入约束函数中进行检验，经检验符合风量平衡方程、回路风压平衡方程、风阻、风量、风压上下限、风阻特性约束函数的要求。最终结果表明，风机总功率从优化前的2234.66kW降到1636.16kW，节能率达26.78%，相比遗传算法的最优功率1726.06kW，减少能耗88.9kW。利用改进的快速多种群自适应粒子群优化算法进行优化，既保证了用风分支的需风量，又满足了风机经济方面的要求。优化前后风机总能耗比较见表4。表3基于粒子群算法通风网络参数解算结果分支优化后风阻/(N·s2·m－8)优化后风量/(m3·s－1)优化后风压/Pa10.8879.935616.7920.12180.153894.6330.10171.803013.6541.4998.4614464.2650.85113.5011023.6561.6197.7515398.1970.6519.44245.6480.07231.403958.3390.20132.943534.68100.2718.5394.07110.09132.031628.09120.78122.1811641.83130.3348.12764.27140.14200.495627.54150.20102.742111.10160.3074.051645.26170431.89
【参考文献】：
期刊论文
[1]基于遗传算法的通风网络两步法风流调节优化算法[J]. 厍向阳,常新坦,孙艺珍. 中南大学学报(自然科学版). 2011(09)
[2]基于粒子群算法与混合罚函数法的有限元优化反演模型及应用[J]. 贾善坡,伍国军,陈卫忠. 岩土力学. 2011(S2)
[3]轴流通风机喘振现象分析及预防措施[J]. 董明洪,李俊. 风机技术. 2008(04)
[4]遗传算法在矿井通风网络优化中的应用[J]. 李江,陈开岩,林柏泉. 中国矿业大学学报. 2007(06)
[5]免疫遗传算法在MATLAB环境中的实现[J]. 陈丽安,张培铭. 福州大学学报(自然科学版). 2004(05)
博士论文
[1]矿井通风系统风流参数动态监测及风量调节优化[D]. 司俊鸿.中国矿业大学 2012
本文编号：3014277
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3014277.html
