CN110852501B - 一种基于遗传算法的矿井降阻优化方法 - Google Patents

一种基于遗传算法的矿井降阻优化方法 Download PDF

Info

Publication number
CN110852501B
CN110852501B CN201911069655.3A CN201911069655A CN110852501B CN 110852501 B CN110852501 B CN 110852501B CN 201911069655 A CN201911069655 A CN 201911069655A CN 110852501 B CN110852501 B CN 110852501B
Authority
CN
China
Prior art keywords
wind
branch
individual
value
adjustment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911069655.3A
Other languages
English (en)
Other versions
CN110852501A (zh
Inventor
刘剑
尹昌胜
孙亚胜男
刘丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201911069655.3A priority Critical patent/CN110852501B/zh
Publication of CN110852501A publication Critical patent/CN110852501A/zh
Application granted granted Critical
Publication of CN110852501B publication Critical patent/CN110852501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Ventilation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明提供一种基于遗传算法的矿井降阻优化方法，涉及矿用通风技术领域。本发明根据拓扑数据和可调分支及调风地点约束，采用遗传算法与通风网络理论、图论和矿井实际密切结合的方法进行降阻调节，得到调节后的分支风量分配值Q'、风阻调节值、调节分支巷道扩断面面积以及最优适应值。可以大大减少计算量、工程量和风机负载，能很好地解决调风地点约束和大规模通风网络的优化问题。

Description

一种基于遗传算法的矿井降阻优化方法
技术领域
本发明涉及矿用通风技术领域，尤其涉及一种基于遗传算法的矿井降阻优化方法。
背景技术
矿井通风的任务是利用通风动力，以最经济的方式向井下各用风地点提供质优量足的新鲜空气，以保证井下作业人员的生存、生产、安全和良好的工作环境，目前人们将遗传算法引入到通风网络优化中，取得了一定成果，优化过程中，未到达网络风阻最小且调节工程量最小，且单纯依赖遗传算法随机编码操作，会产生诸多不可行解，耗费大量的计算资源。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种一种基于遗传算法的矿井降阻优化方法，本发明解决了通风系统优化的非线性规划问题，将模型作为一个整体进行优化，克服了传统优化方法陷于局部最优解的问题，求得全局最优解且具有广泛适应性。
为解决上述技术问题，本发明所采取的技术方案是：
本发明提供一种基于遗传算法的矿井降阻优化方法，包括如下步骤：
步骤1：准备拓扑数据；
步骤2：根据通路法和矿井的生产实际要求确定可调分支及调风地点约束，并设定每个可调分支的调节风阻上限和调节风阻下限；
步骤3：设置遗传算法相关参数，所述相关参数包括初始种群个体数M、最大迭代次数以及选择、交叉、变异算子；
步骤4：初始化种群；根据遗传算法获取随机产生种群个数为M的种群集合G＝{△R1,△R2,…,△Rm,…,△RM}，其中△Rm为第m个个体，所述△Rm由n个随机生成的染色体构成即其中/> 为个体m中第n个染色体的调节风阻下限，所述染色体/>代表第m个个体中可调分支n的风阻调节值；n为通风网络的分支数；
步骤5：染色体解码，对每个个体中的染色体进行解码，得到调节风阻后的种群集合G′＝{R′1,R′2,…,R′m,…,R′M}；对△Rm中的所有染色体进行染色体解码：
获取个体按照每个风阻调节值对可调分支的风阻进行调节，即将△Rm附加到可调分支原始风阻R＝{r1,r2,…,rn}上，即R′＝R-ΔR，得到调节风阻后个体/>其中/>为个体m中分支n再进行风阻调节后的风阻值；将每个个体分别与原始风阻R＝{r1,r2,…,rn}进行上述计算；得到种群集合G＝{R′1,R′2,…,R′m,…,R′M}；
步骤6：对种群集合G′内的所有个体进行通风网络分风计算；
步骤7：适应值计算；根据通风网络理论，通风系统优化调节必须满足风压平衡和风量平衡，风量分配必须使风量和风速均满足要求；得到满足要求的种群集合G″＝{R′1,R′2,…,R′t}，其中t∈M；
风量适应值：调节后可调分支i的风量q′i，应满足分支需风量qi要求，判断是否成立，若是，则认为该调节风量满足要求，即保留该个体，若否，则舍去该该个体；
风速适应值：风速矿井风速，调节后可调分支i的风速vi'应满足分支i需风速vi要求，判断是否成立，若是，则认为该调节风速满足要求，即保留该个体，若否，则舍去该个体；
步骤8：建立适应度函数，根据适应度函数，计算种群集合G″中的每个个体的适应度值，采用轮盘赌法则将适应值低的个体保留，适应度高的个体淘汰，得到种群集合G″＝{R′1,R′2,…,R′u}，其中u∈M；
所述适应度函数如下：
式中，W为调节工程量；w1、w2为权重系数；N为风机所在分支的集合；Si′为可调分支i调节后断面面积；Si为可调分支i调节前断面面积；Ci(*)为井巷定额拟合多项式，最高为4次；Li为巷道长度；n为分支数；qj为第j分支需风量，hj为第j分支风压，Δhl为风压变化值，Δhl,min为可调分支l允许风压调节下限，K为惩罚因子；
步骤9：对种群集合G″′内的个体进行选择、交叉、变异操作，得到个体数量为M的新的种群集合A；
步骤10：终止条件检验，判断迭代次数是否小于最大迭代次数，若是，则令迭代次数执行步骤6，若否，则终止计算，执行步骤11；
步骤11：输出最大迭代次数中调节后的分支风量分配值Q'、风阻调节值、调节分支巷道扩断面面积，并选取最大迭代次数中适应度函数值最低的作为最优适应值，并输出最优适应值。
所述步骤1中拓扑数据包括通风网络图、各分支风阻、风机特性曲线。
所述步骤6中通风网络分风计算的具体方法为：
根据种群G′＝{R′1,R′2,…,R′m,…,R′M}中的个体得到与每个个体相对应的通风系统拓扑数据，所述通风系统拓扑数据包括风阻、风量、风压，根据通风系统拓扑数据对通风系统进行网络解算，解算公式为：
并满足：
式中：B＝(bxy)b×n为通风网络的完全关联矩阵，其中b为节点数，bxy代表完全关联矩阵内第x行第y个元素；C＝(crk)s×n为基本回路矩阵，其中，S为基本回路数，crk代表完全关联矩阵内第r行第k个元素；H'为风压矩阵；Hη为回路附加阻力矩阵，hηo为回路附加阻力矩阵的第o行；Z为回路总数；qi'为风阻调节后第i可调分支风量，hi'为风阻调节后第i可调分支风压，Q'为调节后分支风量分配值，H'为调节后分支压力分配值。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于遗传算法的矿井降阻优化方法，本发明通风系统优化模型，以最小功耗和调节工程量最小为模型，不仅将风量平衡作为约束条件，同时还考虑风量、风速是否满足要求，解决了通风系统优化的非线性规划问题，可以大大减少计算量、工程量和风机负载，能很好地解决调风地点约束和大规模通风网络的优化问题。将模型作为一个整体进行优化，克服了传统优化方法陷于局部最优解的问题，求得全局最优解且具有广泛适应性。
附图说明
图1为本发明实施例提供的方法流程图；
图2为本发明实施例提供的通风网络图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图论是一种简单、系统的建模方式，将遗传算法与通风网络理论、图论和矿井实际密切结合进行降阻调节，可以大大减少计算量、工程量和风机负载，能很好地解决调风地点约束和大规模通风网络的优化问题。如图1所示，本实施例的方法如下所述。
本发明提供一种基于遗传算法的矿井降阻优化方法，包括如下步骤：
步骤1：准备拓扑数据；所述步骤1中拓扑数据包括通风网络图、各分支风阻、风机特性曲线；
步骤2：根据通路法和矿井的生产实际要求确定可调分支及调风地点约束，并设定每个可调分支的调节风阻上限和调节风阻下限；
步骤3：设置遗传算法相关参数，所述相关参数包括初始种群个体数M、最大迭代次数以及选择、交叉、变异算子；
步骤4：初始化种群；采用实数编码方式，根据遗传算法获取随机产生种群个数为M的种群集合G＝{△R1,△R2,…,△Rm,…,△RM}，其中△Rm为第m个个体，所述△Rm由n个随机生成的染色体构成即其中/> 为个体m中第n个染色体的调节风阻下限，所述染色体/>代表第m个个体中可调分支n的风阻调节值；即每个个体都包括n个随机生成的风阻调节值，n为通风网络的分支数；
步骤5：染色体解码，对每个个体中的染色体进行解码，得到调节风阻后的种群集合G′＝{R1′,R2′,…,R′m,…,R′M}；对△Rm中的所有染色体进行染色体解码：
获取个体按照每个风阻调节值对可调分支的风阻进行调节，即将△Rm附加到可调分支原始风阻R＝{r1,r2,…,rn}上，即R′＝R-ΔR，得到调节风阻后个体/>其中/>为个体m中分支n再进行风阻调节后的风阻值；将每个个体分别与原始风阻R＝{r1,r2,…,rn}进行上述计算；得到种群集合G＝{R′1,R′2,…,R′m,…,R′M}；
步骤6：对种群集合G′内的所有个体进行通风网络分风计算；
通风网络分风计算的具体方法为：
风阻值调节后，根据种群G′＝{R′1,R′2,…,R′m,…,R′M}中的个体得到与每个个体相对应的通风系统拓扑数据，所述通风系统拓扑数据包括风阻、风量、风压，根据通风系统拓扑数据对通风系统进行网络解算，解算公式为：
并满足：
式中：B＝(bxy)b×n为通风网络的完全关联矩阵，其中b为节点数，bxy代表完全关联矩阵内第x行第y个元素；C＝(crk)s×n为基本回路矩阵，其中，S为基本回路数，crk代表完全关联矩阵内第r行第k个元素；H'为风压矩阵；Hη为回路附加阻力矩阵，hηo为回路附加阻力矩阵的第o行；Z为回路总数；qi'为风阻调节后第i可调分支风量，hi'为风阻调节后第i可调分支风压，Q'为调节后分支风量分配值，H'为调节后分支压力分配值。
步骤7：适应值计算；根据通风网络理论，通风系统优化调节必须满足风压平衡和风量平衡，风量分配必须使风量和风速均满足要求；得到满足要求的种群集合G″＝{R′1,R′2,…,R′t}，其中t∈M；
风量适应值：调节后可调分支i的风量q′i，应满足分支需风量qi要求，判断是否成立，若是，则认为该调节风量满足要求，即保留该个体，若否，则舍去该该个体；
风速适应值：风速矿井风速，调节后可调分支i的风速vi'应满足分支i需风速vi要求，判断是否成立，若是，则认为该调节风速满足要求，即保留该个体，若否，则舍去该个体；
步骤8：建立适应度函数，根据适应度函数，计算种群集合G″中的每个个体的适应度值，以此作为个体是否保留的判定条件。本申请采用轮盘赌法则，随机的淘汰适应值低的个体，将适应值低的个体被保留，适应度高的个体被淘汰，即个体的适应度越低，被选择的概率越大，得到种群集合G″＝{R′1,R′2,…,R′u}，其中u∈M；
所述适应度函数如下：
式中，W为调节工程量；w1、w2为权重系数；N为风机所在分支的集合；Si′为可调分支i调节后断面面积；Si为可调分支i调节前断面面积；Ci(*)为井巷定额拟合多项式，最高为4次；Li为巷道长度；n为分支数；qj为第j分支需风量，hj为第j分支风压，Δhl为风压变化值，Δhl,min为可调分支l允许风压调节下限，K为惩罚因子；
步骤9：对种群集合G″′内的个体进行选择、交叉、变异操作，得到个体数量为M的新的种群集合A；
步骤10：终止条件检验，判断迭代次数是否小于最大迭代次数，若是，则令迭代次数执行步骤6，若否，则终止计算，执行步骤11；
步骤11：输出最大迭代次数中调节后的分支风量分配值Q'、风阻调节值、调节分支巷道扩断面面积，并选取最大迭代次数中适应度函数值最低的作为最优适应值，并输出最优适应值。
本方法的输入为通风网络图、各分支风阻、风机特性曲线；输出为调节后的分支风量分配值Q'、风阻调节值、调节分支巷道扩断面面积、最优适应值。
如图2所示，为本实施例的通风网络图，该通风网络有1台风机，a、b、c、d、e、f、g、h、i、j、十个节点和e1、e2、e3、e4、e5、e6、e7、e8、e9、e10、e11、e12、e13、e14十四条分支，该十四条分支为大气分支。
所有分支风阻已知，其中用风分支为e6、e7、e8、e11分支，要求的风量分别为38m3/s、44m3/s、19m3/s、19m3/s，可调分支为e2、e5、e11，遗传算法计算相关参数如表1所示，
表1遗传算法计算相关参数
利用程序为对通风网络进行分风计算，对通风系统进行降阻调节，调节前后数据如表2所示；
表2通风网络原始数据和计算结果
将调节后通风网络的数据结果带入网络解算的程序中进行验证，解算结果能满足定流分支的风量，证明该调节方案可行。
进一步的，本方法还可以根据调节工程量得到其翻修费用，可知本方法在保证矿井通风安全性的同时还考虑其经济性；
将调节前后总风量、总风阻、总阻力进行比较，如表3，对通风系统降阻调节后总风量基本没有变化，但总风阻和总阻力都减小了，使矿井总功耗降低了41.18％，此算法在保证翻修费用和功耗最小的前提下降低了通风系统总阻力。
表3调节前后通风数据比较
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (1)

1.一种基于遗传算法的矿井降阻优化方法，其特征在于：包括如下步骤：
步骤1：准备拓扑数据；
步骤2：根据通路法和矿井的生产实际要求确定可调分支及调风地点约束，并设定每个可调分支的调节风阻上限和调节风阻下限；
步骤3：设置遗传算法相关参数，所述相关参数包括初始种群个体数M、最大迭代次数以及选择、交叉、变异算子；
步骤4：初始化种群；根据遗传算法获取随机产生种群个数为M的种群集合G＝{ΔR1,ΔR2,…,ΔRm,…,ΔRM}，其中ΔRm为第m个个体，所述ΔRm由n个随机生成的染色体构成即其中/> 为个体m中第n个染色体的调节风阻下限，所述染色体/>代表第m个个体中可调分支n的风阻调节值；n为通风网络的分支数；
步骤5：染色体解码，对每个个体中的染色体进行解码，得到调节风阻后的种群集合G′＝{R′1,R′2,…,R′m,…,R′M}；对ΔRm中的所有染色体进行染色体解码：
获取个体按照每个风阻调节值对可调分支的风阻进行调节，即将ΔRm附加到可调分支原始风阻R＝{r1,r2,…,rn}上，即R′＝R-ΔR，得到调节风阻后个体/>其中/>为个体m中分支n再进行风阻调节后的风阻值；将每个个体分别与原始风阻R＝{r1,r2,…,rn}进行上述计算；得到种群集合G＝{R′1,R′2,…,R′m,…,R′M}；
步骤6：对种群集合G′内的所有个体进行通风网络分风计算；
步骤7：适应值计算；根据通风网络理论，通风系统优化调节必须满足风压平衡和风量平衡，风量分配必须使风量和风速均满足要求；得到满足要求的种群集合G″＝{R′1,R′2,…,R′t}，其中t∈M；
风量适应值：调节后可调分支i的风量q′i，应满足分支需风量qi要求，判断是否成立，若是，则认为该调节风量满足要求，即保留该个体，若否，则舍去该个体；
风速适应值：风速矿井风速，调节后可调分支i的风速vi'应满足分支i需风速vi要求，判断否成立，若是，则认为该调节风速满足要求，即保留该个体，若否，则舍去该个体；
步骤8：建立适应度函数，根据适应度函数，计算种群集合G″中的每个个体的适应度值，采用轮盘赌法则将适应值低的个体保留，适应度高的个体淘汰，得到种群集合G″＝{R′1,R′2,…,R′u}，其中u∈M；
所述适应度函数如下：
式中，W为调节工程量；w1、w2为权重系数；N为风机所在分支的集合；Si′为可调分支i调节后断面面积；Si为可调分支i调节前断面面积；Ci(*)为井巷定额拟合多项式，最高为4次；Li为巷道长度；n为分支数；qj为第j分支需风量，hj为第j分支风压，Vhl为风压变化值，Vhl,min为可调分支l允许风压调节下限，K为惩罚因子；
步骤9：对种群集合G″′内的个体进行选择、交叉、变异操作，得到个体数量为M的新的种群集合A；
步骤10：终止条件检验，判断迭代次数是否小于最大迭代次数，若是，则令迭代次数执行步骤6，若否，则终止计算，执行步骤11；
步骤11：输出最大迭代次数中调节后的分支风量分配值Q'、风阻调节值、调节分支巷道扩断面面积，并选取最大迭代次数中适应度函数值最低的作为最优适应值，并输出最优适应值；
所述步骤1中拓扑数据包括通风网络图、各分支风阻、风机特性曲线；
所述步骤6中通风网络分风计算的具体方法为：
根据种群G′＝{R′1,R′2,…,R′m,…,R′M}中的个体得到与每个个体相对应的通风系统拓扑数据，所述通风系统拓扑数据包括风阻、风量、风压，根据通风系统拓扑数据对通风系统进行网络解算，解算公式为：
并满足：
式中：B＝(bxy)b×n为通风网络的完全关联矩阵，其中b为节点数，bxy代表完全关联矩阵内第x行第y个元素；C＝(crk)s×n为基本回路矩阵，其中，S为基本回路数，crk代表基本回路矩阵内第r行第k个元素；Hη为回路附加阻力矩阵，hηo为回路附加阻力矩阵的第o行；Z为回路总数；qi'为风阻调节后第i可调分支风量，hi'为风阻调节后第i可调分支风压，Q'为调节后分支风量分配值，H'为调节后分支压力分配值，R'为调节后各分支风阻分配值。
CN201911069655.3A 2019-11-05 2019-11-05 一种基于遗传算法的矿井降阻优化方法 Active CN110852501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911069655.3A CN110852501B (zh) 2019-11-05 2019-11-05 一种基于遗传算法的矿井降阻优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911069655.3A CN110852501B (zh) 2019-11-05 2019-11-05 一种基于遗传算法的矿井降阻优化方法

Publications (2)

Publication Number Publication Date
CN110852501A CN110852501A (zh) 2020-02-28
CN110852501B true CN110852501B (zh) 2023-09-22

Family

ID=69598319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911069655.3A Active CN110852501B (zh) 2019-11-05 2019-11-05 一种基于遗传算法的矿井降阻优化方法

Country Status (1)

Country Link
CN (1) CN110852501B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539098A (zh) * 2020-04-17 2020-08-14 辽宁工程技术大学 一种一体化通风网络优化模型解算方法
CN112049685B (zh) * 2020-08-27 2021-04-30 中南大学 矿井通风系统的风量调节方法、装置、设备及存储介质
CN114417539B (zh) * 2022-01-19 2024-09-06 辽宁工程技术大学 一种基于改进差分进化算法的矿井通风网络图自动绘制方法
CN118296860B (zh) * 2024-06-06 2024-08-13 华夏天信物联科技有限公司 一种矿井通风系统优化调节方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103266906A (zh) * 2013-05-03 2013-08-28 中国矿业大学 一种巷道风阻参数自调整的验证矿井通风系统状态的方法
CN104564120A (zh) * 2014-11-11 2015-04-29 中国矿业大学 一种矿井通风系统运行状态控制决策方法
CN104732065A (zh) * 2015-02-13 2015-06-24 中南大学 矿井通风网络解算算法及矿井通风网络预测系统
WO2016197781A1 (zh) * 2016-01-19 2016-12-15 中兴通讯股份有限公司 风道风阻的无极可调式方法及装置
CN108518238A (zh) * 2018-02-08 2018-09-11 山东科技大学 矿井通风网路优化最优解的判断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103266906A (zh) * 2013-05-03 2013-08-28 中国矿业大学 一种巷道风阻参数自调整的验证矿井通风系统状态的方法
CN104564120A (zh) * 2014-11-11 2015-04-29 中国矿业大学 一种矿井通风系统运行状态控制决策方法
CN104732065A (zh) * 2015-02-13 2015-06-24 中南大学 矿井通风网络解算算法及矿井通风网络预测系统
WO2016197781A1 (zh) * 2016-01-19 2016-12-15 中兴通讯股份有限公司 风道风阻的无极可调式方法及装置
CN108518238A (zh) * 2018-02-08 2018-09-11 山东科技大学 矿井通风网路优化最优解的判断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘增全 ; .基于遗传算法的矿井通风网络优化模型建立与求解.机械管理开发.2017,(第11期),第11-14页. *
厍向阳 ; 常新坦 ; .基于遗传算法的一体化通风网络优化算法.中南大学学报(自然科学版).2011,(第06期),第1676-1684页. *
厍向阳 ; 常新坦 ; 孙艺珍 ; .基于遗传算法的通风网络两步法风流调节优化算法.中南大学学报(自然科学版).2011,(第09期),第2729-2736页. *

Also Published As

Publication number Publication date
CN110852501A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852501B (zh) 一种基于遗传算法的矿井降阻优化方法
CN106874554B (zh) 一种天然气系统能流计算的改进方法
CN106779071A (zh) 一种用于矿井通风机的神经网络自适应调速方法
CN111598225B (zh) 一种基于自适应深度置信网络的空调冷负荷预测方法
CN110030843B (zh) 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111080483A (zh) 基于图划分的供水管网dma自动分区方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN110426953B (zh) 基于火电机组发电模型的agc性能评价方法
CN114254571B (zh) 一种抽水蓄能电站极端工况下机组控制规律优化决策方法
CN108518238B (zh) 矿井通风网路优化最优解的判断方法
CN112330487A (zh) 一种光伏发电短期功率预测方法
CN115983489A (zh) 一种随机模糊环境下的热泵与集中供热互补优化运行方法
CN109492878A (zh) 一种超低能耗公共建筑节能技术方案的评价方法
CN104682392A (zh) 计及线路安全约束的省网agc机组动态优化调度方法
CN114861437B (zh) 一种基于随机工况夹点优化的间歇过程换热网络重构方法
CN105719081A (zh) 一种基于改进人工蜂群算法的电力系统动态经济调度方法
CN104281917A (zh) 基于自适应遗传和克隆选择算法的模糊作业车间调度方法
CN114662423A (zh) 一种风机排布优化方法
CN105511270B (zh) 一种基于协同进化的pid控制器参数优化方法和系统
CN111667138B (zh) 基于多目标离散二进制粒子群算法的客服排班方法及装置
CN117592657A (zh) 一种多台冷水机组负荷分配优化方法及系统
CN111780350A (zh) 一种基于融合遗传算法的空调节能方法
CN116860027A (zh) 一种数字能源鼓风站的压力控制系统及其方法
CN116777027A (zh) 一种非正常日的负荷预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant