CN114169098B - 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 - Google Patents
基于捕食者策略和粒子群算法的先进安注箱参数优化方法 Download PDFInfo
- Publication number
- CN114169098B CN114169098B CN202111488902.0A CN202111488902A CN114169098B CN 114169098 B CN114169098 B CN 114169098B CN 202111488902 A CN202111488902 A CN 202111488902A CN 114169098 B CN114169098 B CN 114169098B
- Authority
- CN
- China
- Prior art keywords
- injection box
- safety injection
- advanced
- predator
- strategy
- 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
Links
- 238000002347 injection Methods 0.000 title claims abstract description 96
- 239000007924 injection Substances 0.000 title claims abstract description 96
- 239000002245 particle Substances 0.000 title claims abstract description 91
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 244000062645 predators Species 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000006978 adaptation Effects 0.000 claims description 34
- 238000007667 floating Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000001595 flow curve Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012938 design process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004401 flow injection analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于捕食者策略和粒子群算法的先进安注箱参数优化方法,该方法包括:基于先进安注箱的分析计算模型;基于捕食者策略和粒子群优化算法;结合并行计算技术,实现了满足压水堆核电厂大破口失水事故下安注容量需求的先进安注箱结构参数的快速自动寻优设计。与现有核电厂先进安注箱结构参数设计的“试错法”相比,本发明方法结合优化算法和并行计算技术,实现了先进安注箱结构参数的快速自动寻优设计,能使反应堆在满足安全准则的前提下,获得更小的先进安注箱的体积。
Description
技术领域
本发明属于核电厂安全分析技术领域,具体涉及一种基于捕食者策略和粒子群算法的先进安注箱参数优化方法。
背景技术
为了进一步提升核电的经济性、安全性和可靠性,非能动专设安全设施已被广泛采用与新型核动力装置的设计中。作为非能动安注系统之一的先进安注箱,由于其内阻尼器的特殊结构,不依靠外力可实现大量流量注入到小流量注入的非能动自动切换,从而满足大破口失水事故后再灌水和再淹没阶段的堆芯安注。因此,设计满足大破口失水事故再灌水和再淹没阶段安注流量需求的先进安注箱至关重要。
传统的核电厂关键专设安全设施的设计通常采用“试错法”。该方法主要依靠设计人员的经验通过不断调整设备的结构参数取值,并计算模拟事故工况,寻找满足安全准则且设备体积最小参数组合。当类似于先进安注箱这种结构复杂,参数较多设备时,采用“试错法”不但耗时费力,且安全裕量较大而设备体积大,导致经济性差。因此,开发高效先进安注箱结构参数的优化设计方法是核安全领域的研究重点。
发明内容
本发明的目的在于解决先进安注箱参数优化方法存在的问题,提供了一种基于捕食者策略和粒子群算法的先进安注箱参数优化方法。首先,基于先进安注箱的分析计算模型;基于捕食者策略和粒子群优化算法;结合并行计算技术,实现了满足压水堆核电厂大破口失水事故下安注容量需求的先进安注箱结构参数的快速自动寻优设计。
本发明采用如下技术方案来实现的:
基于捕食者策略和粒子群算法的先进安注箱参数优化方法,包括如下步骤:
步骤一:基于先进安注箱的分析模型,选取影响先进安注箱的安注流量的结构参数;
步骤二:根据已知的反应堆安注流量曲线和核电厂设备布置特点,设置各结构参数的取值域;
步骤三:根据核安全准则,制定限制作为设计准则;
步骤四:依据设计准则,分别选取四个变量构造了适应度函数,即大流量阶段的水装量、大流量阶段的持续时间、小流量阶段的水装量和小流量阶段的持续时间;
步骤五:应用粒子群算法对安注箱体积进行优化设计;
步骤六:考虑到粒子群算法过程中粒子容易陷入局部最优值的局限性,使用捕食者策略增加算法的局部搜索能力;
步骤七:捕食者策略中,通过给定每一个设计参数的浮动范围,组成捕食者策略的局部空间进行集中搜索,直到没有更佳的适应值,从而跳出捕食者策略,更新优化变量;
步骤八:判断最优适应值对应的优化变量组合在算法中是否连续四代未更新,未更新表示最优优化变量组合已经收敛,或者判断是否到达算法设置的最高迭代次数;没有收敛或者未达到最高迭代次数,将返回步骤五操作,并重复步骤五到步骤七操作;收敛或者达到最高迭代次数,将进行下一步操作;
步骤九:最优优化变量组合收敛或到达最高迭代次数,最终找到所有符合约束的设计参数集,在其参数集中找到安注箱体积最小的设计参数组合为最优优化变量组合。
本发明进一步的改进在于,步骤一中,影响先进安注箱的安注流量的结构参数,包括安注箱直径和高度、立管高度和宽度、小管的宽度、阻尼器直径和厚度、大小管夹角以及安注箱汽水比,将其设置为先进安注箱的设计参数。
本发明进一步的改进在于,步骤三中,设计准则包括:
(a)先进安注箱总水容积大于大破口失水事故下堆芯再灌水和再淹没阶段的用水量;
(b)先进安注箱大流量阶段的流量大于堆芯再灌水阶段的流量需求;大流量阶段的持续时间的浮动范围不超过堆芯再灌水时间的5%;
(c)先进安注箱小流量阶段的流量大于堆芯再淹没阶段的流量需求;小流量持续时间的浮动范围不超过堆芯再淹没阶段持续时间的5%。
本发明进一步的改进在于,步骤四中,适应度函数如下:
其中,ΔQL——大流量阶段的水装量与堆芯再灌水阶段水装量的差值,tL——大流量阶段持续时间与再灌水阶段持续时间的差值,ΔQs——小流量阶段水装量与堆芯再淹没阶段水装量的差值,ts——小流量阶段持续时间和堆芯再淹没阶段持续时间的差值。
本发明进一步的改进在于,由适应度函数可知,当适应值f无穷大时,先进安注箱的设计参数正好满足堆芯安注流量的需求,而且此时的安注箱结构体积最小。
本发明进一步的改进在于,步骤五中,设计过程如下:
步骤501、初始化参数:由设计参数的数目确定粒子的维数,在取值域内对所有设计参数进行随机抽样得到粒子当前位置,同时给定粒子的初始飞行速度,得到一群分布于多维空间的随机粒子群;
步骤502、适应度评价:每一个粒子都根据步骤四中建立的适应度函数计算得到适应值;
步骤503、确定个体历史最佳位置和全局最佳位置:利用先进安注箱分析计算程序并行计算具有不同优化变量的分析对象模型,运用粒子群算法在全局空间搜索,寻找出迄今为止所有粒子发现的适应值最大的粒子位置即全局最优值,同时得到每一个粒子到目前为止发现的适应值最大的粒子位置即粒子个体历史最优值;
步骤504、粒子速度和位置更新:在每一次迭代中,用安注箱分析模型并行计算每个粒子的速度、全局适应值最大的粒子位置和个体历史适应值最大的粒子位置,根据公式更新粒子,直到最终找出粒子围绕一个或多个最优点的集合。
本发明进一步的改进在于,步骤六中,首先运用粒子群算法在全局空间搜索,每一次迭代完成后,如果没有满足约束限值的粒子,粒子更新自己的位置,进入下一次迭代;如果粒子群算法过程中有满足约束限值的设计参数组合输出,算法进入捕食者策略进行局部空间的搜索。
本发明进一步的改进在于,步骤七中,先进行全局搜索,找到一个较好的适应值,然后集中搜索该适应值的附近区域,直到没有找到更较好的适应值后放弃局域搜索返回进行全局搜索,如此循环,直到找到最好的适应值。
和现有技术相比较,本发明至少具有如下有益的技术效果:
1、本发明考虑了阻尼器的结构尺寸等关键参数对安注箱流动特性的影响,模拟了先进安注箱的关键部件-阻尼器内的流动特性。
2、本发明中以最小先进安注箱作为优化目标,采取捕食者策略和粒子群算法针对安注流量曲线形式进行自动化寻优,能够使反应堆在满足核安全准则的情况下,降低先进安注箱的体积及建设成本。
3、本发明采取同时调用多个先进安注箱参数计算程序处理粒子群算法中不同的优化变量组合的并行计算方法,提高了计算效率,节省了计算时间。
附图说明
图1为本发明基于捕食者策略和粒子群算法的先进安注箱参数优化方法的流程示意图。
图2为理论安注流量需求曲线。
图3为实施例得到的满足约束条件的98组参数组合示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面结合图1对本发明中提出的基于捕食者策略和粒子群算法的先进安注箱参数优化方法的实现步骤进行详细说明。
步骤一:基于先进安注箱的分析模型,选取影响先进安注箱的安注流量的结构参数,包括安注箱直径和高度、立管高度和宽度、小管的宽度、阻尼器直径和厚度、大小管夹角以及安注箱汽水比,将其设置为先进安注箱的设计参数;
步骤二:根据已知的反应堆安注流量曲线和和电厂设备分布特点,设置各结构参数的取值域;
步骤三:根据核安全准则,使用以下限制作为设计准则;
(a)先进安注箱总水容积大于大破口失水事故下堆芯再灌水和再淹没阶段的用水量;
(b)先进安注箱大流量阶段的流量大于堆芯再灌水阶段的流量需求;大流量阶段持续时间的浮动范围不超过堆芯再灌水时间的5%;
(c)先进安注箱小流量阶段的流量大于堆芯再淹没阶段的流量需求;小流量持续时间的浮动范围不超过堆芯再淹没阶段持续时间的5%;
步骤四:依据设计准则,分别选取四个变量构造了适应度函数,即大流量阶段的水装量、大流量阶段的持续时间、小流量阶段的水装量和小流量阶段的持续时间。适应度函数如下:
其中,ΔQL——大流量阶段的水装量与堆芯再灌水阶段水装量的差值,tL——大流量阶段持续时间与再灌水阶段持续时间的差值,ΔQs——小流量阶段水装量与堆芯再淹没阶段水装量的差值,ts——小流量阶段持续时间和堆芯再淹没阶段持续时间的差值。由适应度函数可知,当适应值f无穷大时,先进安注箱的设计参数正好满足堆芯安注流量的需求,而且此时的安注箱结构体积最小;
步骤五:应用粒子群算法对安注箱体积进行优化设计,设计过程如下:
步骤501、初始化:由设计参数的数目确定粒子的维数,在取值域内对所有设计参数进行随机抽样得到粒子当前位置,同时给定粒子的初始飞行速度,得到一群分布于多维空间的随机粒子群;
步骤502、适应度评价:每一个粒子都根据步骤四中建立的适应度函数计算得到适应值;
步骤503、确定个体历史最佳位置和全局最佳位置:利用先进安注箱分析计算程序并行计算具有不同优化变量的分析对象模型,运用粒子群算法在全局空间搜索,寻找出迄今为止所有粒子发现的适应值最大的粒子位置(全局最优值),同时也知道每一个粒子到目前为止发现的适应值最大的粒子位置(粒子个体历史最优值);
步骤504、粒子速度和位置更新:在每一次迭代中,用安注箱分析模型并行计算每个粒子的速度、全局适应值最大的粒子位置和个体历史适应值最大的粒子位置,根据公式更新粒子,直到最终找出粒子围绕一个或多个最优点的集合。
步骤六:考虑到粒子群算法过程中粒子容易陷入局部最优值的局限性,使用捕食者策略增加算法的局部搜索能力。具体而言,首先运用粒子群算法在全局空间搜索,每一次迭代完成后,如果没有满足约束限值的粒子,粒子更新自己的位置,进入下一次迭代。如果粒子群算法过程中有满足约束限值的设计参数组合输出,算法进入捕食者策略进行局部空间的搜索;
步骤七:捕食者策略中,通过给定每一个设计参数的浮动范围,组成捕食者策略的局部空间进行集中搜索,直到没有更佳的适应值,从而跳出捕食者策略,更新优化变量。即,先进行全局搜索,找到一个较好的适应值。然后集中搜索该适应值的附近区域,直到没有找到更较好的适应值后放弃局域搜索返回进行全局搜索。如此循环,直到找到最好的适应值;
步骤八:判断最优适应值对应的优化变量组合在算法中是否连续四代未更新,未更新表示最优优化变量组合已经收敛,或者判断是否到达算法设置的最高迭代次数;没有收敛或者未达到最高迭代次数,将返回步骤六操作,并重复步骤五到步骤七操作;收敛或者达到最高迭代次数,将进行下一步操作;
步骤九:最优优化变量组合收敛或到达最高迭代次数,最终找到所有符合约束的设计参数集,在其参数集中找到安注箱最小的设计参数组合为最优优化变量组合。
实施例
实施例根据图2提供的理论安注流量需求曲线,对安注流量随时间积分得到堆芯需要的水装量,根据水装量设置先进安注箱的设计参数的取值域,见表1。设置优化算法的迭代次数为9次,对设计参数进行随机抽样,得到初始粒子群的种群数量3000,将其平均分配给并行20个计算程序计算,计算结束后利用约束条件进行筛选。
表1:
实施例中,如果有满足要求的结果输出,进入捕食者策略进行局部搜索。如果没有则更新设计参数进入下一次迭代。重复上述过程直到达到设定的迭代次数,进而得到所有满足要求的设计参数组合。在所有满足约束条件的设计组合中,根据安注箱体积对比筛选,最后输出满足大破口失水事故下堆芯安注流量需求的最小安注箱体积的结构参数。
实施例使用20个并行计算程序,最后得到了满足约束条件的98组参数组合。其中第一次迭代输出34组结果,第二次迭代输出39组结果,第三次输出21组结果,第四次输出4组结果。如图3,在对这98组参数组合进一步对比后,输出最后满足安注流量需求的最小安注箱体积的结构尺寸。结构尺寸见表2。
表2:
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,包括如下步骤:
步骤一:基于先进安注箱的分析模型,选取影响先进安注箱的安注流量的结构参数;
步骤二:根据已知的反应堆安注流量曲线和核电厂设备布置特点,设置各结构参数的取值域;
步骤三:根据核安全准则,制定限制作为设计准则;设计准则包括:
(a)先进安注箱总水容积大于大破口失水事故下堆芯再灌水和再淹没阶段的用水量;
(b)先进安注箱大流量阶段的流量大于堆芯再灌水阶段的流量需求;大流量阶段的持续时间的浮动范围不超过堆芯再灌水时间的5%;
(c)先进安注箱小流量阶段的流量大于堆芯再淹没阶段的流量需求;小流量持续时间的浮动范围不超过堆芯再淹没阶段持续时间的5%;
步骤四:依据设计准则,分别选取四个变量构造了适应度函数,即大流量阶段的水装量、大流量阶段的持续时间、小流量阶段的水装量和小流量阶段的持续时间;适应度函数如下:
其中,ΔQL——大流量阶段的水装量与堆芯再灌水阶段水装量的差值,tL——大流量阶段持续时间与再灌水阶段持续时间的差值,ΔQs——小流量阶段水装量与堆芯再淹没阶段水装量的差值,ts——小流量阶段持续时间和堆芯再淹没阶段持续时间的差值;
步骤五:应用粒子群算法对安注箱体积进行优化设计;
步骤六:考虑到粒子群算法过程中粒子容易陷入局部最优值的局限性,使用捕食者策略增加算法的局部搜索能力;
步骤七:捕食者策略中,通过给定每一个设计参数的浮动范围,组成捕食者策略的局部空间进行集中搜索,直到没有更佳的适应值,从而跳出捕食者策略,更新优化变量;
步骤八:判断最优适应值对应的优化变量组合在算法中是否连续四代未更新,未更新表示最优优化变量组合已经收敛,或者判断是否到达算法设置的最高迭代次数;没有收敛或者未达到最高迭代次数,将返回步骤五操作,并重复步骤五到步骤七操作;收敛或者达到最高迭代次数,将进行下一步操作;
步骤九:最优优化变量组合收敛或到达最高迭代次数,最终找到所有符合约束的设计参数集,在其参数集中找到安注箱体积最小的设计参数组合为最优优化变量组合。
2.根据权利要求1所述的基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,步骤一中,影响先进安注箱的安注流量的结构参数,包括安注箱直径和高度、立管高度和宽度、小管的宽度、阻尼器直径和厚度、大小管夹角以及安注箱汽水比,将其设置为先进安注箱的设计参数。
3.根据权利要求1所述的基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,由适应度函数可知,当适应值f无穷大时,先进安注箱的设计参数正好满足堆芯安注流量的需求,而且此时的安注箱结构体积最小。
4.根据权利要求1所述的基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,步骤五中,设计过程如下:
步骤501、初始化参数:由设计参数的数目确定粒子的维数,在取值域内对所有设计参数进行随机抽样得到粒子当前位置,同时给定粒子的初始飞行速度,得到一群分布于多维空间的随机粒子群;
步骤502、适应度评价:每一个粒子都根据步骤四中建立的适应度函数计算得到适应值;
步骤503、确定个体历史最佳位置和全局最佳位置:利用先进安注箱分析计算程序并行计算具有不同优化变量的分析对象模型,运用粒子群算法在全局空间搜索,寻找出迄今为止所有粒子发现的适应值最大的粒子位置即全局最优值,同时得到每一个粒子到目前为止发现的适应值最大的粒子位置即粒子个体历史最优值;
步骤504、粒子速度和位置更新:在每一次迭代中,用安注箱分析模型并行计算每个粒子的速度、全局适应值最大的粒子位置和个体历史适应值最大的粒子位置,根据公式更新粒子,直到最终找出粒子围绕一个或多个最优点的集合。
5.根据权利要求4所述的基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,步骤六中,首先运用粒子群算法在全局空间搜索,每一次迭代完成后,如果没有满足约束限值的粒子,粒子更新自己的位置,进入下一次迭代;如果粒子群算法过程中有满足约束限值的设计参数组合输出,算法进入捕食者策略进行局部空间的搜索。
6.根据权利要求5所述的基于捕食者策略和粒子群算法的先进安注箱参数优化方法,其特征在于,步骤七中,先进行全局搜索,找到一个较好的适应值,然后集中搜索该适应值的附近区域,直到没有找到更较好的适应值后放弃局域搜索返回进行全局搜索,如此循环,直到找到最好的适应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488902.0A CN114169098B (zh) | 2021-12-07 | 2021-12-07 | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488902.0A CN114169098B (zh) | 2021-12-07 | 2021-12-07 | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169098A CN114169098A (zh) | 2022-03-11 |
CN114169098B true CN114169098B (zh) | 2024-01-19 |
Family
ID=80484159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488902.0A Active CN114169098B (zh) | 2021-12-07 | 2021-12-07 | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169098B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111144752A (zh) * | 2019-12-26 | 2020-05-12 | 西安交通大学 | 基于遗传算法的核电厂失水事故安注流量需求分析方法 |
CN111539511A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于多策略融合的粒子群优化算法 |
-
2021
- 2021-12-07 CN CN202111488902.0A patent/CN114169098B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111144752A (zh) * | 2019-12-26 | 2020-05-12 | 西安交通大学 | 基于遗传算法的核电厂失水事故安注流量需求分析方法 |
CN111539511A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于多策略融合的粒子群优化算法 |
Non-Patent Citations (2)
Title |
---|
改进粒子群算法在矩形渡槽结构优化中的应用;乔一帆;;人民黄河(03);全文 * |
秦山核电厂应急操作规程的分析验证和优化建议;杨萍;周全福;陈松;王喆;方立凯;刘鑫;胡承香;郑尧瑶;柯晓;詹文辉;;核技术(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114169098A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN106502092B (zh) | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 | |
CN107391804B (zh) | 基于综合造价法的高层建筑结构抗震性能优化方法 | |
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN106972504B (zh) | 基于遗传算法的区间无功优化方法 | |
CN104035438A (zh) | 一种基于种群多样性的自适应多目标机器人避障算法 | |
CN107992645B (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
CN108710970B (zh) | 一种巨型梯级水电系统的多目标调度并行降维方法 | |
CN111144641A (zh) | 一种基于改进粒子群算法的微电网优化调度方法 | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
CN109948847A (zh) | 一种应用于水库群调度的多目标进化算法 | |
CN108847663A (zh) | 一种基于随机最优潮流的风电穿透功率极限分析方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN114400712A (zh) | 一种基于改进二阶粒子群算法的微电网群优化调度方法 | |
CN113468792A (zh) | 电磁暂态仿真模型的参数校正方法、装置和电子设备 | |
CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
CN114169098B (zh) | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 | |
CN109193820B (zh) | 用于对光伏发电站进行无功优化的方法、系统及存储介质 | |
CN108964099B (zh) | 一种分布式储能系统布局方法及系统 | |
CN118211502A (zh) | 一种基于神经网络的航空燃油离心泵多目标优化设计方法 | |
CN107315903B (zh) | 一种智能的电场分析系统 | |
CN104408531B (zh) | 一种多维多阶段复杂决策问题的均匀动态规划方法 | |
CN109635999B (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN111725804A (zh) | 一种综合负荷模型参数辨识方法和计算机可读存储介质 | |
Lin et al. | Hybrid differential evolution and particle swarm optimization algorithm based on random inertia weight |
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 |