新型优化算法开发及其在核动力装置优化中的应用

发布时间：2020-08-12 02:35

【摘要】：核动力装置因其具有运行时常规污染物和温室气体排放少、不依赖空气以及燃料能量密度极高等优点,被应用于发电和船舶动力领域。但对常见的压水堆核动力装置而言,由于主蒸汽参数较低,它也有尺寸大、热效率低和投资成本高等缺点。如果能在保证装置主要设计性能的前提下,运用优化设计方法降低装置中设备的重量、体积和成本,提高系统热效率,则可以降低设备的制造和运输难度,提高装置的经济性和竞争力。因此核动力装置优化设计具有重要的理论意义和工程应用价值。然而,由于装置本身的复杂性,其设备或系统的优化设计属于复杂的强耦合非线性约束优化问题,要解决核动力装置优化问题,必须开发性能优良的优化算法。以此为背景,本文开发了适用于核动力装置优化的新型单目标和多目标优化算法,建立了典型设备和系统的数学模型,开发了相应的评价程序,开展核动力装置的优化设计研究。论文主要研究内容和结果如下:1.新型混合遗传单目标优化算法开发。针对传统遗传算法求解精度不高和收敛慢的缺点,设计了新的算法策略,其中采用了并行交叉变异策略以提高种群多样性;采用自适应方法加快收敛速度、增强寻优能力。针对Nelder-Mead单纯形法的不足,设计了循环反射和循环扩张操作,以增强其局部深度搜索能力。鉴于遗传算法和单纯形法的互补性,将改进后的两个算法有机结合,开发了新型混合遗传单目标优化算法,并设计了归一化自适应松弛约束处理法以增强算法处理约束优化问题的能力。利用8个无约束优化标准测试函数、13个约束优化标准测试函数和4个工程约束优化标准测试问题,对新型算法的性能进行了测试,与其他优秀算法的性能对比证明了所开发算法的有效性。2.新型混合遗传多目标优化算法开发。为提高针对多目标优化问题的处理能力,提出新的多目标处理策略:设计了快速?支配排序策略,以便同时对算法中可行和不可行个体进行快速分级排序;设计了动态拥挤距离排序策略,以改善非支配解集的分布性;对单纯形法进行适应性改进,设计了适用于多目标优化的单纯形深度搜索策略,以提高算法的收敛性。将以上策略应用于混合遗传算法,开发了新型混合遗传多目标算法。采用7个无约束多目标优化标准测试函数、6个约束多目标优化标准测试函数和4个工程多目标约束优化标准测试问题对新算法的性能进行了测试,并与其他算法进行了对比。3.典型核动力设备单目标和多目标优化设计实例研究。选择给水加热器作为典型核动力设备,建立了给水加热器的数学模型,利用C#语言编写了相应的评价程序,并通过实例评价验证了数学模型的准确性和有效性。基于所开发的评价程序和新型算法,以设备重量、体积和总成本为优化目标,对大亚湾核电系统里的7号高压给水加热器和3号低压给水加热器开展了单目标和多目标优化实例研究。单目标优化结果显示,7号高加和3号低加的重量、体积和总成本最大减幅分别为13.46%、19.88%、21.45%和15.29%、27.79%、22.03%,证明了所开发优化算法在核动力设备单目标优化中的可用性和有效性。多目标优化设计给出了设备重量总成本和体积总成本的优化方案集,供设计者按设计需要选择,为设计选型提供了重要参考。4.核动力装置热力系统单目标和多目标优化设计实例研究。建立了核动力装置热力系统的数学模型,编制开发了相应的评价程序,通过实例评价验证了数学模型的准确性和有效性。以评价程序和新型算法为基础,以大亚湾核电二回路热力系统为对象,开展了系统单目标和多目标优化研究。其中,单目标优化结果表明,仅通过运行参数的优化,最优化方案中机组的输出功率就可以增加10.3MW,相应的系统热效率从33.81%提高至34.16%;在多目标优化实例分析中,同时对系统的运行参数和给水加热器进行协同优化,优化方案的机组输出功率增加了23.9MW,对应系统热效率则可提高至34.63%。
【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP18
【图文】：

流程图,核动力装置,优化设计,流程图

控制和热经济性提高具有现实意义和指导价值。设计方法概述核动力装置的系统或设备进行优化设计的一般过程是：准则，对需要优化的系统或设备建立起可以评价其性能价指标和工程约束条件下，运用优化算法在设计空间内和筛选；最后，选取出符合条件的最优设计方案并输出设计是一个黑箱问题，设计者无法预知最优方案的具体信得的结果是否为设计空间内的最优方案。要通过优化设案，必须满足两个关键因素：一是要严格按照工程设计数学模型，这是对核动力装置进行有效优化设计的前提优化算法执行优化设计，这是获得优良设计方案的保证置优化设计的一般流程图。

测试问题,图像,启发式算法

图 1.2 Schwefel 测试问题的函数图像图 1.3 Schaffer 测试问题的函数图像Fig. 1.2 Functional imagine of Schwefel’s problem Fig. 1.3 Functional imagine of Schaffer’s problem2. 启发式优化算法在优化理论的实际应用领域，很多待优化问题都属于 NP（Non-DeterministicPolynomial，非确定性多项式）难问题[24]。根据 NP 完全理论[25]，不存在能在多项式时间内解决 NP 难问题的确定性算法。针对 NP 难问题，经典算法需要的运算时间随优化变量的维度指数级增长。为了解决这类问题，同时克服经典算法的固有局限性，学者们转向研究新的搜索机制和策略，于是产生了以概率型搜索策略为基本特征的启发式算法（Heuristicalgorithm）。启发式算法是一种依据直观或经验构造的算法，能够在可接受的计算花费内，给出复杂优化问题的令人满意的可行解，该可行解不一定是最优解，甚至无法评估它与最优解的偏离程度[26]。一般而言，它是受到自然规律、物理规律或者是解决某些具体问题的经验方法的启发，模拟其运行机制而开发出来的算法，虽然它和经典算法一样，不能保证最终解的质量，但对比而言，启发式算法具备诸多优势。首先，启发式算法对目标函数和约束条件的解析性、连续性和凹凸性均没有要求，因而具有广泛

测试问题,图像,启发式算法

【参考文献】