[发明专利]一种并联冷机负荷分配优化方法、存储介质及计算设备

权利要求书

1.一种并联冷机负荷分配优化方法，其特征在于，包括以下步骤：

S1、利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化，具体为：

S101、对满足冷机PLR的预定义范围的随机数数组即x_i,j∈{(0.3,1),0}的随机数数组采用蒙特卡洛模拟通过重复随机抽样找到全局最优解的近似解；

S102、对蒙特卡洛模拟得出的全局最优解的近似解采用BaOA选择机制使用基本算数运算符对近似最优解进行处理，乘法和除法运算符分别生成距近似解较近和较远区域的粒子位置；加法和减法运算符生成距近似解中等距离区域的粒子位置；

S103、利用初始化的粒子位置和各冷机内置的冷机部分负荷率-功率的性能参数计算每个粒子的适应度，设置粒子当前位置为个体最优位置，设置初始全局最佳粒子的位置为全局最优位置；

S2、采用动态变化的自适应更新步骤S1初始化后并行种群的惯性权重和学习因子，更新公式分别如下：

其中，t为当前迭代次数，T为设定的总迭代次数，ω为粒子速度更新过程中的惯性权重，c为学习因子；

S3、将步骤S2自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；

异构综合学习具体为：将用于异构综合学习的子群分为两个异质子群，分别专注于全局勘探和局部开发，更新第i个粒子第j维的速度，生成一个随机数，如果小于学习概率P_ci，任选两个粒子，选取适应度值更好的粒子对应维度的值作为f_i(j)；反之粒子i自身的个体最优位置对应维度的值作为f_i(j)；第i个(1≤i≤M)粒子进行学习概率设置，使粒子的全局勘探和局部开发平衡，同时选择f_i(j)进而更新PLR_j后更新所有粒子个体最优位置，然后选择f_i(j+1)更新PLR_j+1；

维度学习具体为：

以5台并联冷机总能耗最低为优化目标；是用于维度学习的子群中粒子i的初始个体最优位置，是全局最优位置，PLR_j更新完毕后会更新和x^gbest用于PLR_j+1的更新；两者各维度的值分别代表对应冷机PLR在更新过程中的个体最优和全局最优，同时设置x^test用于维度学习的过程中更新粒子个体最优位置过程如下：

S301、首先将初始个体最优位置赋给对于第一台冷机，使则因此PLR₁个体最优不更新，粒子个体最优位置

S302、对于第二台冷机，使则因此更新PLR₂个体最优粒子个体最优位置

S303、对于第三台冷机，使则因此更新PLR₃个体最优粒子个体最优位置

S304、对于第四台冷机，使则因此PLR₄个体最优不更新，粒子个体最优位置

S305、对于第五台冷机，使则因此更新PLR₅个体最优粒子个体最优位置

S4、根据步骤S3更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数，具体为：

S401、采用多重优化策略，在一次迭代过程中顺序更新各冷机PLR，在进行迭代选择时，从PLR₁开始更新；首先使除PLR₁外的其余冷机的PLR保持不变，经过两群学习更新PLR₁；然后使除了PLR₂外的其余冷机的PLR保持不变，对PLR₂进行更新；依次完成剩余所有冷机PLR的更新，并依S403的达尔文选择机制进化种群，即一次迭代过程结束，进入下一次迭代过程，直至达到终止迭代的条件；

S402、在多重优化过程中，如果优于当前的个体最优，则更新对应粒子的个体最优位置；如果存在某一粒子的最优值优于当前全局最优位置，则更新种群的全局最优位置；

S403、当各种群搜索趋向于局部最优解时，丢弃对应搜索区域并在另一个区域开始新的搜索；

S5、将步骤S4迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。