[发明专利]一种基于改进遗传算法的煤粉炉炉膛辐射反问题求解方法

说明书

本发明涉及一种基于改进遗传算法的煤粉炉炉膛辐射反问题求解方法，包括以下步骤：建立煤粉炉炉膛中的水冷壁管传热过程对流辐射换热量的模型，并设置相关参数；根据搭建的煤粉炉炉膛中的水冷壁管传热过程对流辐射换热量的模型和相关参数，用正向求解出换热量和估计换热量设置目标函数，并确定约束条件；对目标函数、约束条件进行实数编码，确定相关变量；采用改进的遗传算法对煤粉炉炉膛中的水冷壁管对流辐射传热过程中换热量进行反演；改进的遗传算法所寻得的最优值即为辐射反问题的解。本发明改善了在原有算法中丢掉较优解的缺点，提高了全局搜索能力和收敛速度，在求解煤粉炉炉膛中的水冷壁管对流辐射传热过程的逆问题求解有很广泛的实用意义。

技术领域

本发明涉及一种基于改进遗传算法的辐射反问题求解方法。

背景技术

遗传算法的基本思想是维护一个代表问题潜在解的群体，该群体会通过运行选择、交叉、变异算子进行进化。在遗传算法中，所求解问题的每个有效解被称为一个“染色体”，其具体形式是一个使用特定编码方式生成的编码串。编码串中的每一个编码单元称为“基因”。以孟德尔学说为基础的现代遗传学提出了遗传信息的重组模式。在生物体的遗传过程中，染色体是遗传信息—基因的载体，基因在染色体上按照一定的次序组合。来源于生物科学的这两个重要理论，为Holland寻求有效地研究人工自适应系统的方法提供了宝贵的思想源泉。在千人运用计算机进行生物模拟的基础上，Holland发现了自然界的生物遗传进化系统同人工自适应系统的相似性，成功地建立了遗传算法的模型，并对遗传算法搜索的有效性进行了理论证明。遗传算法利用N条染色体组成的群体在D维问题空间中搜寻最优解，在寻优过程中，算法会进行迭代循环，每次迭代都的初始值影响大，丢掉较优解，会在寻优过程中易陷入局部最优、搜索能力差、收敛速度慢，影响了寻优精度和速度。

对于辐射反问题，在早期研究中，主要通过高斯—牛顿法、共轭梯度法等传统优化方法进行求解，但是此类算法所得结果受初始值的干扰较大，易陷入局部最优，且在计算过程中需要大量基于梯度的信息。近年来，越来越多的学者开始尝试将智能算法应用于辐射反问题的求解研究中。智能优化算法是对通过模仿自然界的群体智能原理来设计各种寻优算法的一种统称，其主要包括遗传算法、蚁群算法、模拟退火算法、粒子群算法等。它们具有概念简明，易于实现，无需梯度信息，计算相对简单等优点。

煤粉炉是以煤粉为燃料的锅炉设备。它具有燃烧迅速、完全、容量大、效率高、适应煤种广，便于控制调节等优点。煤粉炉的燃烧特点是燃料随空气一起进入燃烧室，并在悬浮状态下燃烧。

根据已知的煤粉炉炉膛中的水冷壁管对流辐射传热的模型尺寸参数、系统热流密度等工况，反演煤粉炉炉膛中的水冷壁管对流辐射传热的模型各部分的物性参数、温度分布、边界条件等未知参数。对应用于工程建设问题中具有很强的实用意义。而目前采用以目标函数的梯度信息为基础的经典算法进行反演，会遇到计算困难、问题误解、或者获得不可行解等问题；采用一些智能算法虽然无需梯度信息，计算相对简单，但也会遇到陷入局部最优、收敛速度慢、精度低等问题，无法达到精确的反演解。

发明内容

针对现有技术中煤粉炉炉膛辐射反问题求解时，遗传算法初始值影响大、易陷入局部最优等不足，本发明要解决的技术问题是提供一种可提高了全局搜索能力和收敛速度、改善在原有算法中丢掉较优解缺陷的基于改进遗传算法的煤粉炉炉膛辐射反问题求解方法。

为解决上述技术问题，本发明采用的技术方案如下：

本发明种基于改进遗传算法的煤粉炉炉膛辐射反问题求解方法，包括以下步骤：

1)建立煤粉炉炉膛中的水冷壁管传热过程对流辐射换热量的模型，并设置相关参数；

2)根据搭建的煤粉炉炉膛中的水冷壁管传热过程对流辐射换热量的模型和相关参数，用正向求解出换热量和估计换热量设置目标函数，并确定约束条件；

3)对目标函数、约束条件进行实数编码，确定相关变量；