混合微分进化算法应用于换热网络优化

针对微分进化(Differential Evolution,DE)算法应用于换热网络优化存在局部搜索能力不足、收敛速度慢和求解精度低等问题,提出一种混合微分进化(Hybrid Differential Evolution,HDE)算法。当DE算法的变异、交叉和选择操作不再使种群的最优值继续进化时,加入梯度操作使当前种群的最优个体趋向更好的解。为了防止算法早熟收敛,当种群的多样性低于设定的阈值时,引入迁移操作,在最优个体附近区域重新生成新的个体并以此替换旧的个体,增强算法的种群多样性。通过算例验证了该算法可以有效适用于换热网络的优化过程,具有更强的局部搜索能力,更快的收敛速度和更高的优化效率。     

RWCE算法控制参数动态更新促进换热网络结构进化策略

相较其他进化算法,强制进化随机游走（RWCE）算法能够始终保持较高的种群多样性,从而有效地跳出局部最优。然而,目前对于该算法进化过程中的控制参数如最大步长、最小换热量或换热面积以及接受差解概率的设置仍无严格定义,其取值方法和取值范围都将对结构进化的进度、换热单元生成和消去速度以及最终的换热单元数产生直接影响。根据换热单元数设定逐渐变化的控制参数,进行逐级优化尝试。引入logistic函数作为接受差解概率的取值策略,使最大步长和保留系数均随换热单元数线性变化,实现控制参数的动态更新从而促进换热网络结构进化。通过算例验证,该策略能提高RWCE算法优化换热网络的效率,可获得更理想的网络结构。