蘇戈曼，崔國民，肖媛，趙倩倩

（上海理工大學(xué)新能源科學(xué)與工程研究所，上海200093）

換 熱 網(wǎng) 絡(luò)（heat exchanger networks，HENs）是過程系統(tǒng)的重要環(huán)節(jié)，通過對冷熱物流進行合理的換熱匹配以實現(xiàn)熱量回收，對提升節(jié)能水平和生產(chǎn)經(jīng)濟性有重要意義。HENs 的綜合優(yōu)化由Rudd[1]首次提出，而當前優(yōu)化方法主要包括分布優(yōu)化法與同步優(yōu)化法[2]。分步優(yōu)化法[3-5]通過將原問題分解成子問題以降低計算復(fù)雜性，但忽略了子問題間的制約關(guān)系，且不能兼顧優(yōu)化整型變量和連續(xù)變量，優(yōu)化結(jié)果較差。同步優(yōu)化法[6-9]通過建立HENs的混合整數(shù)非線性規(guī)劃模型（mixed-integer nonlinear programming，MINLP），對整型變量與連續(xù)變量進行同步優(yōu)化，優(yōu)化效果較好。

1990年Yee等[9]提出一種經(jīng)典的同步優(yōu)化方法，在該方法中，確定性和啟發(fā)式優(yōu)化算法被引入以求解分級超結(jié)構(gòu)模型（stage-wise superstructure，SWS）。其中確定性方法包括外部逼近法[10]、分支定界法[11]、填充打洞函數(shù)法[12]等，借助精確的數(shù)學(xué)理論求解MINLP 問題，但受制于問題的非凸非線性，易在求解過程中陷入局部極小值。啟發(fā)式方法包括模擬退火算法（simulated annealing，SA）[13-14]、遺傳算法（genetic algorithm，GA）[15-16]、粒子群算法（particle swarm optimization，PSO）[17-18]等，這類方法對數(shù)學(xué)模型依賴性小，計算效率較高，全局搜索能力較強，更適用于HENs優(yōu)化問題。在啟發(fā)式方法的應(yīng)用過程中，換熱單元生成方式已有一定研究。Luo 等[19]在GA 基礎(chǔ)上結(jié)合SA 并提出結(jié)構(gòu)控制策略與局部優(yōu)化策略，強化換熱單元生成；Huo等[20]建立了GA和PSO的雙層算法，利用GA生成換熱單元，產(chǎn)生HENs網(wǎng)絡(luò)結(jié)構(gòu)；Zhang等[21]基于混沌蟻群算法提出一種結(jié)構(gòu)進化策略，通過設(shè)定換熱單元個數(shù)調(diào)控結(jié)構(gòu)進化方向；Peng等[22]基于SA算法，通過蒙特卡羅隨機抽樣模型對換熱單元進行隨機生成與消去；此外，肖媛等[23]提出強制進化隨機游走算 法 （random walk algorithm with compulsive evolution，RWCE）應(yīng)用于SWS 模型，通過設(shè)置最小換熱量和一定的概率模型來控制換熱單元的生成和消去，實現(xiàn)了整型變量與連續(xù)變量的同步優(yōu)化，優(yōu)化效果較好。然而SWS 以“級”為單位，每級內(nèi)換熱匹配總數(shù)與順序固定，使得換熱單元生成受限，常需要通過增加級數(shù)來實現(xiàn)換熱單元的生成。同時，變量維度隨著級數(shù)增加呈指數(shù)級擴大，導(dǎo)致計算規(guī)模過大，優(yōu)化效率低下。

2018 年，肖媛[24]提出節(jié)點非結(jié)構(gòu)同步模型（node-wise non-structural superstructure， NWNSS），該模型取消“級”的概念，并以節(jié)點形式表征換熱單元的匹配位置，通過冷熱流體上節(jié)點的隨機匹配生成新的換熱單元，換熱單元生成自由，增大了結(jié)構(gòu)靈活發(fā)展的空間。該作者將RWCE 應(yīng)用于NW-NSS 模型，與基于SWS 模型的RWCE 算法相比，前者充分發(fā)揮了算法隨機靈活的特點，在表現(xiàn)形式上將換熱單元的生成操作與連續(xù)變量優(yōu)化進行分離處理，使得對優(yōu)化路徑的調(diào)節(jié)更為直觀、方便。其中換熱單元生成操作涉及生成概率與生成個數(shù)兩個參數(shù)，分別控制優(yōu)化過程中換熱單元生成頻率和結(jié)構(gòu)進化時換熱單元生成個數(shù)。本文將二者定義為換熱單元生成頻次，其對整型變量與連續(xù)變量影響重大，對優(yōu)化過程的調(diào)控至關(guān)重要，但目前仍缺乏從該角度出發(fā)對整型變量與連續(xù)變量的影響進行考察的研究，也急需一種方法合理地調(diào)控整型變量與連續(xù)變量的優(yōu)化頻率。

為了探究換熱單元生成頻次對整型變量與連續(xù)變量優(yōu)化的影響，本文采用基于NW-NSS 模型的RWCE算法，通過調(diào)整算法中的生成概率與生成個數(shù)以獲得不同的生成頻次，進而跟蹤不同生成頻次下整型變量與連續(xù)變量的優(yōu)化狀態(tài)及年綜合費用?；诖?，提出一種策略合理調(diào)整換熱單元生成頻次，從而提升算法優(yōu)化性能。

1 NW-NSS模型

1.1 問題描述

本文采用NW-NSS 模型，熱流體數(shù)為NH，冷流體數(shù)為NC，每股流體上布置一定數(shù)量的節(jié)點，通過隨機方式分別選定熱流體、冷流體上的某節(jié)點，形成一個換熱匹配，只要該匹配滿足約束條件，則認為是有效匹配。以2×2 算例為例，其NW-NSS模型如圖1所示。

其中，i、j 分別為熱、冷流體編號；SUMH、SUMC分別為每股熱、冷流體上的節(jié)點總數(shù)；NUMH,i、NUMC,j分別為每股熱、冷流體上的節(jié)點編號；此外，設(shè)置PH為某一熱節(jié)點位于所有熱流體中的編號、PC為某一冷節(jié)點位于所有冷流體中的編號；設(shè)置NCi,NUMC表示第i股熱流體上的第NUMi個節(jié)點對應(yīng)的冷節(jié)點編號PC，NCj,NUMC表示第j 股冷流體上的第NUMj個節(jié)點對應(yīng)的熱節(jié)點編號PH。NW-NSS模型中熱、冷節(jié)點自由匹配，且換熱匹配節(jié)點編號不重合，因此可由NCj,NUMH,i、Qi,NUMH,i或NCj,NUMC,j、Qj,NUMC,j確定一個換熱匹配和換熱量大小。為便于觀察，NW-NSS模型中的換熱匹配可根據(jù)其在流股上的相對位置將其垂直處理，處理后的NW-NSS模型如圖2所示。

1.2 目標函數(shù)

換熱網(wǎng)絡(luò)NW-NSS 模型以最小年綜合費用（total annual cost，TAC）為目標，主要包括換熱單元、冷公用工程和熱公用工程的費用，其目標函數(shù)如式(1)所示。

式中，F(xiàn)FIX為換熱單元固定投資費用；E 為判斷換熱單元存在與否的0-1邏輯變量；CA為換熱單元面積費用系數(shù)；β 為換熱單元面積費用指數(shù)；Ai,NUMH,i為換熱單元的換熱面積；ACU,i、AHU,j分別為冷、熱公用工程換熱面積；CCU、CHU分別為冷、熱公用工程運行費用系數(shù)；QCU,i、QHU,j分別為冷、熱公用工程換熱量。

1.3 約束條件

（1）換熱網(wǎng)絡(luò)每股流體上的出口溫度應(yīng)滿足目標溫度，溫度約束如式(2)、式(3)所示。式中，THout,i、TCout,j分別為熱、冷流體出口溫度；THtar,i、TCtar,j分別為熱、冷流體的目標溫度。

（2）換熱網(wǎng)絡(luò)結(jié)構(gòu)中單股流體的總換熱量等于該流體上所有換熱單元換熱量與流體末端公用工程換熱量的總和，熱平衡式如式(4)、式(5)所示。式中，W 為流體熱容流率；THin,i、TCin,j分別為熱、冷流體進口溫度。

圖1 NW-NSS模型

圖2 垂直處理后的NW-NSS模型

（4）對于冷、熱公用工程均有熱平衡式如式(7)、式(8)所示，其中為熱流體流經(jīng)最后一個換熱單元的出口溫度，為冷流體流經(jīng)第1 個換熱單元的出口溫度。

（5）此外，還包含換熱面積、換熱量非負約束［式(9)、式(10)］以及換熱單元最小傳熱溫差約束［式(11)、式(12)］，本文最小傳熱溫差ΔTmin均取值為0℃。

2 強制進化隨機游走算法

采用RWCE 算法的NW-NSS 模型在優(yōu)化之初不存在任何換熱匹配，通過連接隨機選定的熱、冷節(jié)點生成新的換熱匹配，而后對該新結(jié)構(gòu)進行下一步的選擇、變異操作，最后判斷是否滿足終止條件。該過程中換熱單元的進化和生成分開進行，RWCE算法具體流程如下。

2.1 種群初始化

產(chǎn)生包含N 個個體的初始種群，每個個體Qn,k（n=1,2,…,N；k=1,2,…,Nk）代表一個Nk維的換熱網(wǎng)絡(luò)結(jié)構(gòu)（Nk為換熱單元數(shù)目）。個體初始解不進行換熱匹配，每股流體的末端均采用公用工程換熱使其達到目標溫度。

2.2 存在的換熱匹配進化

對種群內(nèi)已存在的換熱匹配換熱量（Qn,k,it＞0；n=1,2,…,N；k=1,2,…,Nk）進行隨機游走，實現(xiàn)個體進化，同時設(shè)置換熱量最小值以控制換熱單元的消去。換熱量隨機游走公式如式(13)所示。

式中，Qn,k,it、Q'n,k,it+1為第n個個體第k個換熱單元隨機游走前后的換熱量；α1、α2是(0,1)之間的隨機數(shù)；ΔL 是最大游走步長；Zk為控制是否參與進化的0-1變量，如式(14)所示，δ為進化概率，r1為(0,1)之間的隨機數(shù)。

在進化操作后，通過最小換熱量Qmin判斷是否消去該換熱匹配，具體操作如式(15)所示。

若某個換熱匹配在優(yōu)化過程中被消去，則對應(yīng)熱、冷節(jié)點編號也相應(yīng)歸零，而沒有被消去的換熱量則為隨機游走后的有效換熱量。

2.3 生成新的換熱匹配

為保證結(jié)構(gòu)進化能力，針對流體上未產(chǎn)生換熱單元連接的位置，從冷、熱流體上隨機選擇m對節(jié)點（m即為個體單次進化中換熱單元生成個數(shù)）進行匹配，通過以一定概率隨機生成換熱單元實現(xiàn)整型變量與連續(xù)型變量的交替優(yōu)化，并按式(16)賦予換熱量

式中，Qmax為生成新生成換熱單元換熱量最大值；φ 為換熱單元生成概率；r2為(0,1)之間的隨機數(shù)。

2.4 選擇與變異

式中，Qn,it為隨機游走前個體n 的解；Qn,it+1為被選擇進入下一代的解；φ 為接受差解概率；γ 為(0,1)內(nèi)均勻分布的隨機數(shù)。

2.5 終止條件

當個體游走的迭代步數(shù)達到ITmax時，結(jié)束迭代，否則返回個體隨機游走繼續(xù)優(yōu)化。

3 換熱單元生成頻次的影響分析

基于NW-NSS 模型的RWCE 算法將換熱單元生成與換熱量優(yōu)化分開處理，其中換熱單元生成操作直接影響優(yōu)化過程，并且該操作由生成概率與生成個數(shù)兩個參數(shù)共同決定，因此本文將結(jié)合具體算例對這兩個參數(shù)的作用進行分析。

3.1 換熱單元生成概率的影響

以9SP[25]為例（算例參數(shù)見表1），觀察并分析φ 對RWCE 優(yōu)化過程的影響。設(shè)置優(yōu)化參數(shù)N=1、SUMH=50、SUMC=50、ΔL=90、δ=0.5、φ=0.001、ITmax=1×108，m 均為2，φ 分別取0.01、0.05、0.1、0.2、0.3。

表1 9SP算例參數(shù)

換熱網(wǎng)絡(luò)優(yōu)化以TAC 作為目標函數(shù)，TAC 的變化情況可反映算法優(yōu)化質(zhì)量與效率。鑒于此，本文通過觀察TAC 下降情況來分析換熱單元生成概率的影響。如表2所示，統(tǒng)計了因新生成換熱單元導(dǎo)致最優(yōu)TAC 更新的次數(shù)D1，未生成換熱單元時最優(yōu)TAC 更新的次數(shù)D2，因新生成換熱單元導(dǎo)致當前TAC 下降的次數(shù)D3，未生成換熱單元時當前TAC下降的次數(shù)D4，同時記錄各生成概率下最終優(yōu)化結(jié)果TAC。

表2 不同換熱單元生成概率下TAC變化情況統(tǒng)計

從表2中可以看出，在整個優(yōu)化過程中，D2與D4分別多于D1與D3，即TAC 的下降多數(shù)通過固定結(jié)構(gòu)的連續(xù)變量優(yōu)化得到。同時，隨著φ 增大，D2、D4減少而D1、D3增加，表明整型變量相對優(yōu)化頻率增多，使結(jié)構(gòu)變異能力增強、連續(xù)變量優(yōu)化削弱。反之，φ 減小時，D2、D4增多而D1、D3減少，雖連續(xù)變量優(yōu)化更為充分但整型變量優(yōu)化相對優(yōu)化頻率減少，導(dǎo)致結(jié)構(gòu)變異能力較弱。另外，φ過大或過小將分別造成連續(xù)變量優(yōu)化不充分或整型變量優(yōu)化不充分，且對應(yīng)TAC 均較差，因此應(yīng)根據(jù)算例特點選擇適當?shù)摩铡?/p>

3.2 換熱單元生成個數(shù)的影響

同樣選取9SP 算例，采用RWCE 進行優(yōu)化，φ取0.1，m分別取1、2、3、4、5，其他優(yōu)化參數(shù)不變。通過統(tǒng)計在不同生成個數(shù)下的D1～D4（表3），分析換熱單元生成個數(shù)對RWCE 優(yōu)化過程的影響。

表3 不同換熱單元生成個數(shù)下TAC變化情況統(tǒng)計

從表3中可以看出，當m為1時，D1、D3最多，生成換熱單元后的結(jié)構(gòu)變化較小，最易于被保留，結(jié)構(gòu)更新較為頻繁，但也易造成結(jié)構(gòu)還未進行徹底的連續(xù)變量優(yōu)化就被新結(jié)構(gòu)取代；此后，隨著m增多，D1、D3均減少，即單次生成的換熱單元越多，新生成結(jié)構(gòu)越難優(yōu)于當前最優(yōu)結(jié)構(gòu)，甚至可能出現(xiàn)不可行解，在優(yōu)化過程中可能被直接舍棄，導(dǎo)致結(jié)構(gòu)更新次數(shù)減少。同時，當m 較?。? 個及以下）時，D2、D4隨著m的增加而增大，即單次生成多個換熱單元時結(jié)構(gòu)更新較慢，使得當前的最優(yōu)結(jié)構(gòu)有足夠的時間進行連續(xù)變量優(yōu)化；然而，當m 較大（3個以上）時，D2、D4卻隨著m的增加而減小，即單次換熱單元生成個數(shù)的增加造成結(jié)構(gòu)更新次數(shù)減少，可能出現(xiàn)始終對同一固定結(jié)構(gòu)進行連續(xù)變量優(yōu)化，并逐漸趨于該固定結(jié)構(gòu)下的局部最優(yōu)解，因此難以再通過連續(xù)變量優(yōu)化使得費用下降。為進一步驗證m 過大對進化的影響，另設(shè)置m 為10、15、20，統(tǒng)計結(jié)果見表4。

可以看到，m過大時，幾乎沒有可以通過整型變量優(yōu)化更新TAC 的結(jié)果（D1、D3極少），通過固定結(jié)構(gòu)下的連續(xù)變量優(yōu)化更新TAC 次數(shù)也大幅減少（與表3 中D2、D4相比），驗證了單次生成過多換熱單元使得結(jié)構(gòu)性能變差且難以被保留，個體長期在原結(jié)構(gòu)基礎(chǔ)上進行連續(xù)變量優(yōu)化，從而陷于該結(jié)構(gòu)的局部極值，使得連續(xù)變量優(yōu)化因難以突破局部極值而逐漸減少，最終優(yōu)化結(jié)果也較差。因此，在優(yōu)化過程中m不宜過大，取值一般不超過5。

表4 換熱單元生成個數(shù)過大時TAC變化情況統(tǒng)計

4 生成參數(shù)動態(tài)調(diào)節(jié)策略

從上述分析得知，調(diào)節(jié)生成概率與生成個數(shù)可以協(xié)調(diào)連續(xù)變量優(yōu)化和整型變量優(yōu)化。個體在優(yōu)化過程中的狀態(tài)是變化的，若在過程中以相同的頻次生成換熱單元，則忽略了整型變量與連續(xù)變量優(yōu)化的合理時機。因此提出生成參數(shù)動態(tài)調(diào)節(jié)策略，通過跟蹤個體優(yōu)化進程，調(diào)整各個體生成概率與生成個數(shù)，從而維持合理的換熱單元生成頻次。

4.1 生成參數(shù)動態(tài)調(diào)節(jié)策略

在RWCE 算法的優(yōu)化過程中，整型變量頻繁變化易缺乏充分的連續(xù)變量優(yōu)化，反之連續(xù)變量優(yōu)化時間過長則整型變量優(yōu)化能力較弱，導(dǎo)致結(jié)果陷入局部極值。

本文提出生成參數(shù)動態(tài)調(diào)節(jié)策略，即在優(yōu)化過程中跟蹤觀察個體TAC 變化情況，設(shè)置TAC 停滯的迭代步數(shù)閾值Cmax。當個體TAC停滯累積步數(shù)大于Cmax時視為個體長期停滯，此時給予一定幅度的結(jié)構(gòu)變異擾動，調(diào)整生成概率與生成個數(shù)，當個體TAC 停滯累積步數(shù)小于Cmax時，仍以原生成概率與生成個數(shù)進行優(yōu)化，以此改善換熱單元生成頻次。具體操作如式(19)～式(21)所示。

式中，φnew為改進后的生成概率；mnew為改進后的生成個數(shù)；Cit+1為個體TAC 停滯的迭代步數(shù)累積值。為防止因缺乏結(jié)構(gòu)變異能力導(dǎo)致TAC 長期停滯，在TAC 長期停滯時，以較大φ'和較小m'優(yōu)化，從而提高結(jié)構(gòu)進化能力；為保證較優(yōu)的結(jié)構(gòu)有充分的連續(xù)變量優(yōu)化，在TAC下降時，以較小φ和較大m優(yōu)化，從而提高局部搜索能力。具有生成參數(shù)動態(tài)調(diào)節(jié)策略的改進RWCE 算法（improved RWCE，IRWCE）流程如圖3所示。

圖3 IRWCE算法流程

4.2 有效性分析

仍選用9SP算例，對比改進前后的RWCE算法優(yōu)化曲線如圖4所示。RWCE算法優(yōu)化曲線如曲線1、曲線2所示，其中曲線1取φ=0.2、m=1，曲線2取φ=0.04、m=5，IRWCE算法優(yōu)化曲線如曲線4所示，取Cmax=104、φ=0.04、m=5、φ'=0.2、m'=1，其他優(yōu)化參數(shù)不變。

圖4 9SP算例TAC曲線對比

改進前生成概率與生成個數(shù)均為定值，其優(yōu)化路徑（曲線1、曲線2）均在4000 萬步左右停滯，最終優(yōu)化結(jié)果費用較高。改進后生成概率與生成個數(shù)隨個體TAC 進化情況動態(tài)變化，其優(yōu)化路徑（曲線3）以更快的速度得到了更優(yōu)的解，并且在優(yōu)化后期仍保持一定的下降趨勢。通過對比可以看出，采用IRWCE 算法優(yōu)化效率明顯高于原始RWCE算法，在優(yōu)化過程中既保證了充分的連續(xù)變量優(yōu)化，又提高了結(jié)構(gòu)變異能力。

5 算例驗證

將IRWCE 算法應(yīng)用于兩個基準算例，并以年綜合費用為評價優(yōu)化質(zhì)量的指標驗證其優(yōu)化性能。

5.1 算例1

算例1 取自文獻[26]，包含10 股熱流體與5 股冷流體，具體參數(shù)見表5。分別采用RWCE算法與IRWCE算法應(yīng)用于該算例，優(yōu)化參數(shù)見表6，改進前后除新增參數(shù)m'、φ'、Cmax外，其余優(yōu)化參數(shù)均不變。

采用RWCE 算法，優(yōu)化結(jié)果如圖5所示，TAC為5467884USD/a。采用IRWCE 算法，得到結(jié)構(gòu)如圖6所示，TAC為5178068USD/a，較RWCE算法的結(jié)果節(jié)省了289816USD/a，結(jié)果對比見表7，較文獻最優(yōu)結(jié)果[29]減少了55219USD/a。

對比結(jié)構(gòu)圖5、圖6 可以看出，采用生成參數(shù)動態(tài)調(diào)節(jié)策略后由于根據(jù)個體狀態(tài)調(diào)整生成概率與生成個數(shù)，促進了個體結(jié)構(gòu)進化，獲得了性能優(yōu)于原算法的結(jié)構(gòu)。此外，這兩個結(jié)構(gòu)的C4 流體都未參與匹配，這是因為C4 流體溫位較高，與熱流體匹配時換熱溫差小甚至可能出現(xiàn)溫度交叉，形成的結(jié)構(gòu)性能差且無法被保留。

5.2 算例2

算例2取自文獻[30]，包含7股熱流體與3股冷流體，算例參數(shù)見表8。將RWCE 算法與IRWCE算法分別應(yīng)用于算例2，優(yōu)化參數(shù)見表9。采用RWCE 算法的結(jié)構(gòu)如圖7 所示， TAC 為8862550USD/a；采用IRWCE 算法的結(jié)構(gòu)如圖8 所示，TAC為8693753USD/a。

表5 15SP算例參數(shù)

表6 15SP算例優(yōu)化參數(shù)

圖5 采用RWCE算法得到的結(jié)構(gòu)圖（TAC為5467884USD·a-1）

圖6 采用RWCE算法得到的結(jié)構(gòu)圖（TAC為5178068USD·a-1）

表7 算例1結(jié)果對比

因該算例固定投資費用為零，所以在采用IRWCE 算法的優(yōu)化過程中，因增加結(jié)構(gòu)擾動而新生成的換熱單元更容易被保留下來，最終得到換熱單元較多的優(yōu)化結(jié)果（圖8），更直觀地體現(xiàn)了IRWCE 算法提升結(jié)構(gòu)變異能力的作用。同時，由于該算例面積費用指數(shù)為1，換熱單元面積費用正比于換熱面積，因此流體匹配相同的相鄰換熱單元合并前后費用不變，合并圖8中方框內(nèi)的換熱單元后結(jié)構(gòu)如圖9 所示。對比圖9 與圖7 結(jié)構(gòu)，改進后費用下降了168797USD/a，提高了算法的優(yōu)化質(zhì)量。表10 記錄了文獻與本文結(jié)果的具體數(shù)據(jù)，采用IRWCE 算法取得了優(yōu)于文獻的結(jié)果，較文獻最優(yōu)結(jié)果[32]下降了14230USD·a-1。

表8 10SP算例參數(shù)

表9 10SP算例優(yōu)化參數(shù)

圖7 采用RWCE算法得到的結(jié)構(gòu)圖（TAC為886255USD·a-1）

圖8 采用IRWCE算法得到的結(jié)構(gòu)圖（合并前，TAC為8693753USD·a-1）

圖9 采用IRWCE算法得到的結(jié)構(gòu)圖（合并后，TAC為8693753USD·a-1）

表10 算例2結(jié)果對比

5.3 算例3

算例3為包含13股熱流體和7股冷流體的大規(guī)模算例[33]。算例參數(shù)見表11，其中固定投資費用為4000USD/a、面積費用系數(shù)與指數(shù)分別為500 和0.83。將IRWCE 算法應(yīng)用于該算例，優(yōu)化參數(shù)見表12，優(yōu)化后所得結(jié)構(gòu)如圖10 所示，TAC 為1403139USD/a。與現(xiàn)有文獻TAC 對比見表13，采用IRWCE 算法優(yōu)化后TAC 較文獻[37]下降了9662USD/a。

6 結(jié)論

本文探究了HENs 優(yōu)化中換熱單元生成頻次對優(yōu)化的影響，并提出生成參數(shù)動態(tài)調(diào)節(jié)策略。得出以下結(jié)論。

表11 20SP算例參數(shù)

表12 20SP算例優(yōu)化參數(shù)

（1）換熱單元生成概率越大時，整型變量相對優(yōu)化頻率增加，結(jié)構(gòu)變異能力較強，但不利于連續(xù)變量持續(xù)優(yōu)化；生成概率越小時，固定結(jié)構(gòu)下連續(xù)變量的相對優(yōu)化頻率增加，但結(jié)構(gòu)變異能力較弱。

（2）單次進化中換熱單元生成個數(shù)較少時，結(jié)構(gòu)變化小易被保留，結(jié)構(gòu)更新較快，但容易缺乏充分的連續(xù)變量優(yōu)化；生成個數(shù)較多時，新結(jié)構(gòu)變化較大易被舍棄，造成長期以固定結(jié)構(gòu)優(yōu)化，連續(xù)變量優(yōu)化充分，但結(jié)構(gòu)更新較慢。此外生成個數(shù)過多，加劇了結(jié)構(gòu)更新遲緩，導(dǎo)致優(yōu)化陷入固定結(jié)構(gòu)下的局部極值，連續(xù)變量優(yōu)化因難以突破局部極值而逐漸減少。

（3）生成參數(shù)動態(tài)調(diào)節(jié)策略根據(jù)個體TAC 變化情況調(diào)整換熱單元生成頻次，使得個體優(yōu)化既保持適當?shù)恼妥兞績?yōu)化能力又滿足充分的連續(xù)變量優(yōu)化。改進后的算法優(yōu)化15SP、10SP 和20SP 算例，均獲得相對文獻更優(yōu)的結(jié)果。結(jié)果表明該策略使得換熱單元生成頻次更符合個體優(yōu)化狀態(tài)，有效地提高了算法的優(yōu)化性能。

圖10 采用IRWCE算法得到的結(jié)構(gòu)圖（TAC為1403139USD·a-1）

表13 算例3結(jié)果對比

符號說明