CN113343380B - 基于多目标粒子群算法的强迫风冷散热器优化方法及系统 - Google Patents

基于多目标粒子群算法的强迫风冷散热器优化方法及系统 Download PDF

Info

Publication number
CN113343380B
CN113343380B CN202110598065.0A CN202110598065A CN113343380B CN 113343380 B CN113343380 B CN 113343380B CN 202110598065 A CN202110598065 A CN 202110598065A CN 113343380 B CN113343380 B CN 113343380B
Authority
CN
China
Prior art keywords
radiator
particle
particles
particle swarm
objective
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
CN202110598065.0A
Other languages
English (en)
Other versions
CN113343380A (zh
Inventor
朱翔鸥
王玲
周杨
张正江
闫正兵
赵升
章纯
王守冬
戴瑜兴
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.)
Zhejiang High And Low Voltage Electric Equipment Quality Inspection Center
Wenzhou University
Original Assignee
Zhejiang High And Low Voltage Electric Equipment Quality Inspection Center
Wenzhou 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 Zhejiang High And Low Voltage Electric Equipment Quality Inspection Center, Wenzhou University filed Critical Zhejiang High And Low Voltage Electric Equipment Quality Inspection Center
Priority to CN202110598065.0A priority Critical patent/CN113343380B/zh
Publication of CN113343380A publication Critical patent/CN113343380A/zh
Application granted granted Critical
Publication of CN113343380B publication Critical patent/CN113343380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Cooling Or The Like Of Electrical Apparatus (AREA)

Abstract

本发明涉及一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统，包括：根据强迫风冷散热器的等效热路图确定所述散热器的基本参数，参数约束条件和多个目标函数；根据所述基本参数，所述目标函数和所述参数约束条件建立散热器多目标优化模型；利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。通过多目标粒子群算法对散热器多目标优化模型进行求解，得到了散热器最优的基本参数组合，即得到了散热器综合最优的设计方案，基于最优的基本参数组合既能够提升散热性能，同时还能降低散热器的压降以及质量。

Description

基于多目标粒子群算法的强迫风冷散热器优化方法及系统
技术领域
本发明涉及散热器结构优化领域，特别是涉及一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统。
背景技术
随着微电子技术的发展，集成度高、功率大、体积小的功率器件(如IGBT功率器件)在各领域得到了广泛的应用，同时器件的体积功率密度也在不断增加，器件的热失效和热退化现象更为突出。功率器件的散热问题逐渐成为了制约其发展的重要因素，作为功率器件散热的重要部件，散热器结构参数的选取和设计显得十分重要。强迫风冷散热器因其散热效果好、结构简单、工作稳定、成本较低等优势被广泛应用在大功率电子器件的散热中，电力电子系统也对强迫风冷散热器提出了低热阻、体积小、重量轻、低成本等多项性能指标要求。
传统的强迫风冷散热器设计优化一般采用试验法或经验公式法，前者的不足主要是其成本高昂且研发周期长，后者在计算精度方面还有待提高。并且在工程实际中，往往仅关注散热器的散热效果，通常以增加散热器的外表面积作为首选方案，结果导致散热器的重量、体积增加，系统压降变大。针对上述问题，本发明提出了一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统。
发明内容
本发明的目的是提供一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统，建立散热器多目标优化模型，并引入多目标粒子群算法进行求解，得到了散热器最优的基本参数组合，即得到了散热器综合最优的设计方案，基于最优的基本参数组合既能够提升散热性能，同时还能降低散热器的压降以及质量。
为实现上述目的，本发明提供了如下方案：
一种基于多目标粒子群算法的强迫风冷散热器优化方法，包括：
根据强迫风冷散热器的等效热路图确定所述散热器的基本参数，参数约束条件和多个目标函数；所述基本参数包括：散热器基板长，散热器基板宽，散热器的高度，散热器基板厚度，散热器冷却通道数，散热器的翅片间距和冷却通道空气平均流速；所述目标函数包括散热器热阻目标函数，散热器的质量目标函数和散热器的压降目标函数；
根据所述基本参数，所述目标函数和所述约束条件建立散热器多目标优化模型；
利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；
根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
一种基于多目标粒子群算法的强迫风冷散热器优化系统，包括：
散热器多目标优化模型建立模块，用于根据强迫风冷散热器的等效电路图确定所述散热器的基本参数，目标函数和参数约束条件；根据所述基本参数，所述目标函数和所述约束条件建立散热器多目标优化模型；
散热器多目标优化模型求解模块，用于利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统，其中方法具体包括：根据强迫风冷散热器的等效电路图确定所述散热器的基本参数，参数约束条件和和目标函数；根据所述基本参数，所述目标函数和所述约束条件建立散热器多目标优化模型；利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。可见，本发明从散热器传热机理出发，结合热阻网络模型，推导建立了综合优化目标与待优化基本参数之间的连续性函数关系。并利用多目标粒子群算法对散热器的基本参数在解空间内完成全局寻优，获得包含提升散热性能、降低散热器压降、降低散热器质量在内的三目标综合优化的帕累托最优解，快速的确定各基本参数值的最优组合，准确的得出散热器最优的设计方案，提高了散热器的综合性能，满足了电力电子系统对强迫风冷散热器提出了低热阻、体积小、重量轻的多项性能指标要求，同时也大幅缩短了散热器的研发周期，节省了散热器在设计、制造和测试等环节中的成本，应用价值大。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种基于多目标粒子群算法的强迫风冷散热器优化方法流程图；
图2为本发明实施例1提供的强迫风冷散热器结构示意图；
图3为本发明实施例1提供的利用多目标粒子群算法求解所述散热器多目标优化模型得到优化后的基本参数的方法流程图；
图4为本发明实施例2提供的一种基于多目标粒子群算法的强迫风冷散热器优化系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于多目标粒子群算法的强迫风冷散热器优化方法及系统，建立散热器多目标优化模型，并引入多目标粒子群算法进行求解，得到了散热器最优的基本参数组合，即得到了散热器综合最优的设计方案，基于最优的基本参数组合既能够提升散热性能，同时还能降低散热器的压降以及质量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
请参阅图1，本实施例提供了一种基于多目标粒子群算法的强迫风冷散热器优化方法，包括：
步骤S1：根据强迫风冷散热器的等效电路图确定所述散热器的基本参数，参数约束条件和多个目标函数；
图2示出了强迫风冷散热器的结构，基于散热器结构示意图可以构建强迫风冷散热器的等效热路图。图2中L为散热器的基板长度，W为散热器的基板宽度，H为散热器的高度，b为散热器基板厚度，其包括散热器上下基板厚度(分别表示为b1和b2)，δ为散热器翅片厚度，s为散热器的翅片间距。
所述基本参数包括：散热器基板长，散热器基板宽，散热器的高度，散热器基板厚度，散热器冷却通道数，散热器的翅片间距和冷却通道空气平均流速；
考虑到散热器属于结构装置，其结构上的参数必然需要存在一定约束条件，下面给出了具体的参数约束条件为：
Figure BDA0003091904690000041
其中，lc—散热器长的上限；lk—散热器宽的上限；h—散热器高的上限；n—散热器通道数目上限；d—散热器翅片间距上限。
对于散热器的优化目标的研究，本实施例主要从散热器的散热效果、散热器的质量和散热器的压降三个方面综合考虑散热器的最优的设计方案，所以得出了目标函数包括散热器热阻目标函数，散热器的质量目标函数和散热器的压降目标函数；
其中，散热器热阻目标函数为：
Figure BDA0003091904690000042
其中，x1—散热器基板长L；x2—散热器基板宽W；x3—散热器高H；x4—散热器基板厚度b；x5—散热器冷却通道数N；x6—散热器翅片间距s；x7—冷却通道空气平均流速v；k—散热器材料的导热系数；δ—翅片厚度；
Figure BDA0003091904690000051
—散热器基板传导热阻；
Figure BDA0003091904690000052
—散热器翅片传导热阻；
Figure BDA0003091904690000053
—散热器翅片间的对流热阻；
散热器的质量目标函数为：
minf2(x)＝[x1x2x3-x5·(x3-x4)·x1x6]·ρm；ρm为散热器材料密度；
散热器的压降目标函数为：
Figure BDA0003091904690000054
λ表示冷却通道的摩擦阻力系数，ρ表示空气密度。
步骤S2：根据所述基本参数，所述目标函数和所述约束条件建立散热器多目标优化模型；散热器多目标优化模型可表示为：
Figure BDA0003091904690000055
步骤S3：利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；
如图3所示，步骤S3具体包括：
步骤S301：根据所述散热器的所述基本参数随机产生一个满足所述参数约束条件的初始粒子种群
Figure BDA0003091904690000056
i为粒子的编号，i＝1,2,...,NP，NP表示种群规模大小；其中，
Figure BDA0003091904690000057
分别对应散热器的基本参数；所述初始粒子种群中的每个粒子的位置向量表示一种所述散热器的优化方案；
设置初始化种群速度为
Figure BDA0003091904690000061
步骤S302：获取粒子个体最优位置：设置所述初始粒子种群中每个所述粒子的当前位置为每个所述粒子个体最优位置；
步骤S303：计算所述初始粒子种群中各个所述粒子的目标函数值，并结合粒子间的支配关系计算所述初始粒子种群的非支配解集，所述非支配解集即为所述初始粒子种群的帕累托解集；令所述初始粒子种群为当前粒子群；
需要说明的是所述初始粒子种群的帕累托解集为空；
步骤S304：计算所述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离，并结合轮盘赌选择算法得到全局最优粒子，即得到全局最优位置；
其中，获取全局最优粒子具体包括：
(1)将所述当前粒子群的所述帕累托解集中所有粒子分别带入不同的目标函数中(热阻目标函数、质量目标函数和压降目标函数)，得到多组目标函数值；
这里可以依据优化目标来选择目标函数，例如，选择了热阻这一优化目标则将当前粒子群的帕累托解集中所有粒子热阻目标函数中，得出一组关于热阻的目标函数值；再选择质量这一优化目标，帕累托解集中所有粒子质量目标函数中，得出一组关于质量的目标函数值；同理选择压降这一优化目标，得到一组关于压降的目标函数值。
(2)依据每一组目标函数值对当前粒子群的帕累托解集中所有粒子进行升序排列，得到多组升序排列后的粒子集；(一组关于热阻的粒子集，一组关于质量的粒子集，一组关于压降的粒子集)；
(3)对每组升序排列后的粒子集的每个粒子，计算与该粒子距离最近的粒子，得到距离选取粒子；
(4)基于距离选取粒子的不同目标函数值计算所述拥挤距离；
拥挤距离的公式为：
Figure BDA0003091904690000062
其中，
Figure BDA0003091904690000063
—距离粒子
Figure BDA0003091904690000064
最近的两个粒子(距离选取粒子)；t表示迭代的次数，t＝0，1，2，...，Tmax；Tmax表示最大迭代次数；
Figure BDA0003091904690000065
—粒子
Figure BDA0003091904690000066
的第m个目标函数的值；m＝1,2,3。
(5)根据所述拥挤距离结合所述轮盘赌选择算法得到全局最优粒子；拥挤距离越大，被选择概率也就越大。
步骤S305：根据所述粒子个体最优位置和所述全局最优位置更新每个所述粒子的位置和速度，得到更新后的粒子群，即下一代粒子群；这里迭代次数发生了加1的变化。
其中，粒子的速度更新公式为：
Figure BDA0003091904690000071
粒子的位置更新公式为：
Figure BDA0003091904690000072
Figure BDA0003091904690000073
Figure BDA0003091904690000074
Figure BDA0003091904690000075
ω—惯性权重；ωmax—最大惯性权重，一般取值0.9；ωmin—最小惯性权重，一般取值0.4；c1,c2—学习因子；cmax,cmin—学习因子的最大值和最小值；r1,r2—介于0-1的随机数；
Figure BDA0003091904690000076
—第i个粒子在第t代时的速度；
Figure BDA0003091904690000077
—第i个粒子在第t代时的位置；pbesti t—第i个粒子在第t代时的个体最优位置；gbest t—粒子群在第t代时的全局最优位置。
步骤S306：判断所述更新后的粒子群中的每个所述粒子对应的优化方案是否满足所述参数约束条件，得到第一判断结果；根据所述第一判断结果更新所述粒子个体最优位置；
根据所述第一判断结果更新所述粒子个体最优位置，具体包括：
当所述第一判断结果为否时，则调整所述更新后的粒子群中的每个所述粒子对应的优化方案直至满足所述参数约束条件；
具体的调整过程为：将粒子的位置更新公式的惯性权重ω的值减小为原值的1/5；然后重新计算更新后粒子的位置，如果新的位置仍然越界，则直接将更新后粒子的第j维粒子位置直接设置为边界值。j＝1，2，3，...，7；
当所述第一判断结果为是时，则判断所述更新后的粒子群中的每个所述粒子的当前位置是否支配更新前的粒子群中的所述粒子个体最优位置，得到第三判断结果；
当所述第三判断结果为是时，所述粒子个体最优位置更新为所述更新后的粒子群中的每个所述粒子的当前位置；
当所述第三判断结果为否时，则所述粒子个体最优位置不更新。
步骤S307：计算所述更新后的粒子群中各个粒子对应的目标函数值，并结合所述粒子间的支配关系计算所述更新后的粒子群的非支配解集，即得到所述更新后的粒子群的帕累托解集；
由于粒子更新的过程中，粒子的数量可能会超出帕累托解集的容量，所以在该步骤之后可以判断更新后的粒子群的帕累托解集的解个数是否超出预设容量，得到第四判断结果；
若所述第四判断结果为是，则删除所述更新后的粒子群的帕累托解集中的多余粒子；
其中，删除所述更新后的粒子群的帕累托解集中的多余粒子，具体包括：
计算所述更新后的粒子群的帕累托解集中每个粒子的拥挤距离；(需要说明的是，这里计算拥挤距离所采用的方法与“获取全局最优粒子”具体步骤中的计算拥挤距离的方法相同，即依然采用的是步骤(1)至步骤(4))。
按所述拥挤距离对所有粒子进行排序；
去除排序后的所有粒子中所述拥挤距离最小的粒子；当最小的拥挤距离值有两个或两个以上时，则随机选择其中的一个最优粒子移出；
对剩余后的所有粒子重新计算每个粒子的所述拥挤距离；
返回步骤“按所述拥挤距离对所有粒子进行排序”，直至所述更新后的粒子群的帕累托解集中解个数等于所述预设容量；
若所述第四判断结果为否，则执行步骤S308；
步骤S308：判断当前迭代次数是否等于最大迭代次数，得到第二判断结果；
若第二判断结果为否，则令所述更新后的粒子群为所述当前粒子群，返回步骤“计算所述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离，并结合轮盘赌选择算法得到全局最优粒子”，即返回步骤S304；
若第二判断结果为是，则将所述更新后的粒子群的帕累托解集作为最优的帕累托解集，从所述最优的帕累托解集中随机选取一个解作为所述优化后的基本参数，即获得最优的散热器基板长，散热器基板宽，散热器高，基板厚度，冷却通道数，翅片间距，平均风速，并获得最优的强迫风冷散热器热阻、压降、和质量。
步骤S4：根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
本实施例中，以增加散热器散热效果为设计目标的同时，还将散热器的重量、压降纳入到散热设计的综合指标范畴，基于多个设计目标，利用粒子群算法得优化的基本参数，从而实现了散热器设计方案的最优。基于最优的散热器设计方案也能够减小散热器的体积以及设计成本。
实施例2
请参阅图4，本实施例提供了一种基于多目标粒子群算法的强迫风冷散热器优化系统，包括：
散热器多目标优化模型建立模块M1，用于根据强迫风冷散热器的等效电路图确定所述散热器的基本参数，目标函数和参数约束条件；根据所述基本参数，所述目标函数和所述约束条件建立散热器多目标优化模型；
散热器多目标优化模型求解模块M2，用于利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于多目标粒子群算法的强迫风冷散热器优化方法，其特征在于，包括：
根据强迫风冷散热器的等效热路图确定所述散热器的基本参数，参数约束条件和多个目标函数；所述基本参数包括：散热器基板长，散热器基板宽，散热器的高度，散热器基板厚度，散热器冷却通道数，散热器的翅片间距和冷却通道空气平均流速；所述目标函数包括散热器热阻目标函数，散热器的质量目标函数和散热器的压降目标函数；
根据所述基本参数，所述目标函数和所述参数约束条件建立散热器多目标优化模型；
利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数，具体包括：
根据所述散热器的所述基本参数随机产生一个满足所述参数约束条件的初始粒子种群；所述初始粒子种群中的每个粒子的位置向量表示一种所述散热器的优化方案；
设置所述初始粒子种群中每个所述粒子的当前位置为每个所述粒子个体最优位置；
计算所述初始粒子种群中各个所述粒子的目标函数值，并结合粒子间的支配关系计算所述初始粒子种群的非支配解集，所述非支配解集即为所述初始粒子种群的帕累托解集；令所述初始粒子种群为当前粒子群；
计算所述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离，并结合轮盘赌选择算法得到全局最优粒子，即得到全局最优位置，具体包括：
将所述当前粒子群的所述帕累托解集中所有粒子分别带入不同的所述目标函数中，得到多组目标函数值；
依据每一组所述目标函数值对所述当前粒子群的所述帕累托解集中所有粒子进行升序排列，得到多组升序排列后的粒子集；
对每组升序排列后的粒子集的每个所述粒子，计算与所述粒子距离最近的粒子，得到距离选取粒子；
基于所述距离选取粒子的不同目标函数值计算所述拥挤距离；
根据所述拥挤距离结合所述轮盘赌选择算法得到全局最优粒子；
根据所述粒子个体最优位置和所述全局最优位置更新每个所述粒子的位置和速度，得到更新后的粒子群，即下一代粒子群；
判断所述更新后的粒子群中的每个所述粒子对应的优化方案是否满足所述参数约束条件，得到第一判断结果；根据所述第一判断结果更新所述粒子个体最优位置；
计算所述更新后的粒子群中各个粒子对应的目标函数值，并结合所述粒子间的支配关系计算所述更新后的粒子群的非支配解集，即得到所述更新后的粒子群的帕累托解集；
判断当前迭代次数是否等于最大迭代次数，得到第二判断结果；
若第二判断结果为否，则令所述更新后的粒子群为所述当前粒子群，返回步骤“计算所述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离，并结合轮盘赌选择算法得到全局最优粒子”；
若第二判断结果为是，则将所述更新后的粒子群的帕累托解集作为最优的帕累托解集，从所述最优的帕累托解集中随机选取一个解作为所述优化后的基本参数；
根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
2.根据权利要求1所述的方法，其特征在于，所述散热器热阻目标函数为：
Figure FDA0003569855910000021
其中，x1—散热器基板长；x2—散热器基板宽；x3—散热器高；x4—散热器基板厚度；x5—散热器冷却通道数；x6—散热器翅片间距；x7—冷却通道空气平均流速；k—散热器材料的导热系数；δ—翅片厚度；
Figure FDA0003569855910000022
—散热器基板传导热阻；
Figure FDA0003569855910000023
—散热器翅片传导热阻；
Figure FDA0003569855910000024
—散热器翅片间的对流热阻；
所述散热器的质量目标函数为：
min f2(x)＝[x1x2x3-x5·(x3-x4)·x1x6]·ρm；ρm为散热器材料密度；
所述散热器的压降目标函数为：
Figure FDA0003569855910000031
λ表示冷却通道的摩擦阻力系数，ρ表示空气密度。
3.根据权利要求2所述的方法，其特征在于，所述参数约束条件为：
Figure FDA0003569855910000032
其中，lc—散热器长的上限；lk—散热器宽的上限；h—散热器高的上限；n—散热器通道数目上限；d—散热器翅片间距上限。
4.根据权利要求1所述的方法，其特征在于，所述拥挤距离的公式为：
Figure FDA0003569855910000033
其中，
Figure FDA0003569855910000034
—距离粒子
Figure FDA0003569855910000035
最近的两个距离选取粒子；i表示粒子编号；t表示迭代的次数，t＝0，1，2，...，Tmax,Tmax表示最大迭代次数；
Figure FDA0003569855910000036
—粒子
Figure FDA0003569855910000037
的第m个目标函数的值；m＝1,2,3。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一判断结果更新所述粒子个体最优位置，具体包括：
当所述第一判断结果为否时，则调整所述更新后的粒子群中的每个所述粒子对应的优化方案直至满足所述参数约束条件；
当所述第一判断结果为是时，则判断所述更新后的粒子群中的每个所述粒子的当前位置是否支配更新前的粒子群中的所述粒子个体最优位置，得到第三判断结果；
当所述第三判断结果为是时，所述粒子个体最优位置更新为所述更新后的粒子群中的每个所述粒子的当前位置；
当所述第三判断结果为否时，则所述粒子个体最优位置不更新。
6.根据权利要求1所述的方法，其特征在于，所述得到所述更新后的粒子群的帕累托解集之后还包括：
判断所述更新后的粒子群的帕累托解集的解个数是否超出预设容量，得到第四判断结果；
若所述第四判断结果为是，则删除所述更新后的粒子群的帕累托解集中的多余粒子；
若所述第四判断结果为否，则判断当前迭代次数是否等于最大迭代次数。
7.根据权利要求6所述的方法，其特征在于，所述删除所述更新后的粒子群的帕累托解集中的多余粒子，具体包括：
计算所述更新后的粒子群的帕累托解集中每个粒子的拥挤距离；
按所述拥挤距离对所有粒子进行排序；
去除排序后的所有粒子中所述拥挤距离最小的粒子；
对剩余的所有粒子重新计算每个粒子的所述拥挤距离；
返回步骤“按所述拥挤距离对所有粒子进行排序”，直至所述更新后的粒子群的帕累托解集中解个数等于所述预设容量。
8.一种基于权利要求1至7任一项所述的基于多目标粒子群算法的强迫风冷散热器优化方法的优化系统，其特征在于，包括：
散热器多目标优化模型建立模块，用于根据强迫风冷散热器的等效电路图确定所述散热器的基本参数，目标函数和参数约束条件；根据所述基本参数，所述目标函数和所述参数约束条件建立散热器多目标优化模型；
散热器多目标优化模型求解模块，用于利用多目标粒子群算法求解所述散热器多目标优化模型，得到优化后的基本参数；根据所述优化后的基本参数得到所述强迫风冷散热器的优化方案。
CN202110598065.0A 2021-05-31 2021-05-31 基于多目标粒子群算法的强迫风冷散热器优化方法及系统 Active CN113343380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110598065.0A CN113343380B (zh) 2021-05-31 2021-05-31 基于多目标粒子群算法的强迫风冷散热器优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110598065.0A CN113343380B (zh) 2021-05-31 2021-05-31 基于多目标粒子群算法的强迫风冷散热器优化方法及系统

Publications (2)

Publication Number Publication Date
CN113343380A CN113343380A (zh) 2021-09-03
CN113343380B true CN113343380B (zh) 2022-09-09

Family

ID=77472285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110598065.0A Active CN113343380B (zh) 2021-05-31 2021-05-31 基于多目标粒子群算法的强迫风冷散热器优化方法及系统

Country Status (1)

Country Link
CN (1) CN113343380B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943113B (zh) * 2022-07-26 2022-11-01 江西少科智能建造科技有限公司 多边形房间内布置散流器方法、系统、存储介质及设备
CN115659847B (zh) * 2022-12-09 2023-03-28 成都佰维存储科技有限公司 散热器优化方法、装置、可读存储介质及电子设备
CN117709168B (zh) * 2024-02-02 2024-04-30 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717488A (zh) * 2018-05-17 2018-10-30 温州大学 一种强迫风冷散热系统热结构的多目标优化设计方法
CN111124762A (zh) * 2019-12-30 2020-05-08 航天科工网络信息发展有限公司 一种基于改进粒子群算法的动态副本放置方法
CN111814251A (zh) * 2020-07-08 2020-10-23 北京航空航天大学 基于贝叶斯自适应共振的多目标多模态粒子群优化方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504689B (zh) * 2009-03-26 2010-04-21 北京航空航天大学 散热器优化参数确定方法
EP2616975A1 (en) * 2010-09-15 2013-07-24 DockOn AG Automated antenna builder and antenna repository
US10217692B2 (en) * 2012-07-18 2019-02-26 University Of Virginia Patent Foundation Heat transfer device for high heat flux applications and related methods thereof
CN103036467B (zh) * 2012-11-23 2016-04-27 武汉大学 基于免疫算法的逆变器多目标Pareto最优控制方法
US20200265178A1 (en) * 2016-01-05 2020-08-20 Trustees Of Tufts College Hybrid flow evaluation and optimization of thermal systems
US10474953B2 (en) * 2016-09-19 2019-11-12 The Aerospace Corporation Systems and methods for multi-objective optimizations with decision variable perturbations
CN106845701B (zh) * 2017-01-11 2019-11-08 东南大学 一种基于热网和房屋热惯性的综合能源系统优化方法
CN109347346A (zh) * 2018-11-30 2019-02-15 华南理工大学 一种基于多目标优化的电动汽车用变流器的设计方法
CN110046471A (zh) * 2019-05-14 2019-07-23 云南电网有限责任公司电力科学研究院 基于改进粒子群神经网络算法的散热器优化方法
CN111582428B (zh) * 2020-04-01 2024-01-05 长江大学 一种基于灰色预测演化算法的多模态多目标优化方法
CN112084591B (zh) * 2020-09-03 2022-09-13 西安电子科技大学 一种基于三维拓扑优化的散热器冷却通道设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717488A (zh) * 2018-05-17 2018-10-30 温州大学 一种强迫风冷散热系统热结构的多目标优化设计方法
CN111124762A (zh) * 2019-12-30 2020-05-08 航天科工网络信息发展有限公司 一种基于改进粒子群算法的动态副本放置方法
CN111814251A (zh) * 2020-07-08 2020-10-23 北京航空航天大学 基于贝叶斯自适应共振的多目标多模态粒子群优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Thermal Sturcutre Design of Air-Cooled Heat Sinks for Power Electronic Equipments by Constrained Population Extremal Optimization;Lin Wang等;《IEEE》;20171231;2467-2472 *

Also Published As

Publication number Publication date
CN113343380A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113343380B (zh) 基于多目标粒子群算法的强迫风冷散热器优化方法及系统
CN108717488A (zh) 一种强迫风冷散热系统热结构的多目标优化设计方法
CN110046471A (zh) 基于改进粒子群神经网络算法的散热器优化方法
Copiello et al. Multi-objective genetic optimization of the heat transfer from longitudinal wavy fins
CN106209618A (zh) 一种提高智能配用电能效的通信混合组网方法及系统
CN113591299B (zh) 判定不同类型微通道散热器综合性能优劣的方法和系统
CN117172160B (zh) 一种基于反距离加权均值的翅片散热器热阻值获取方法
CN114647967A (zh) 一种超高效均温板设计方法
CN117709168B (zh) 一种强制风冷散热系统的优化设计方法及其装置
CN110750861B (zh) 一种相变储热单元的结构优化方法
CN117278578A (zh) 一种片上网络高速数据采集系统数据传输路径优化的方法
CN110113815B (zh) 一种改进的基于iwo的无线传感器网络定位方法
CN116681178A (zh) 一种分布式能源选址方法
CN113868916B (zh) 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法
CN108289301B (zh) 一种定位网元布局的智能优化方法和装置
CN104393595B (zh) 配电网潮流调度方法
CN114997400A (zh) 一种神经网络加速推理方法
CN104918412B (zh) 一种电路板的布局方法及装置
CN112543588A (zh) 一种改善超薄散热膜性能的方法及系统
Elbreki et al. A novel passive cooling for photovoltaic module temperature reduction using truncated fins: simulation study
Lu et al. Artificial neural network prediction and multi-objective genetic algorithm optimization of the microchannel heat sink with trapezoidal ribs
Phan et al. Improving cooling efficiency by using mixed tiles to control airflow uniformity of perforated tiles in a data center model
CN118036211A (zh) 一种翅片散热器的设计方法
CN113705089B (zh) 一种基于人工鱼群-牛顿迭代的架空光缆应力计算方法
CN117709033B (zh) 降低网损的电力系统耦合网络布局优化方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220812

Address after: 325000 Wenzhou City National University Science Park incubator, No. 38 Dongfang South Road, Ouhai District, Wenzhou, Zhejiang

Applicant after: Wenzhou University

Applicant after: ZHEJIANG HIGH AND LOW VOLTAGE ELECTRIC EQUIPMENT QUALITY INSPECTION CENTER

Address before: 325000 Wenzhou City National University Science Park incubator, No. 38 Dongfang South Road, Ouhai District, Wenzhou, Zhejiang

Applicant before: Wenzhou University

GR01 Patent grant
GR01 Patent grant