CN115659847B - 散热器优化方法、装置、可读存储介质及电子设备 - Google Patents
散热器优化方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN115659847B CN115659847B CN202211577549.8A CN202211577549A CN115659847B CN 115659847 B CN115659847 B CN 115659847B CN 202211577549 A CN202211577549 A CN 202211577549A CN 115659847 B CN115659847 B CN 115659847B
- Authority
- CN
- China
- Prior art keywords
- optimal
- optimization
- value
- particle swarm
- initial
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种散热器优化方法、装置、可读存储介质及电子设备,建立带有散热器的电子产品的最优代理模型;基于所述最优代理模型确定优化设计的目标函数;使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果,相比传统优化设计方法,利用改进粒子群优化算法应用在散热器优化中,无需机械、人工地按照经验进行试验优化,且利用耦合代理模型技术大大减少了优化时间与人力成本,同时,改进粒子群优化算法能够更好地跳出局部最优,进而寻找到真实的最优值,从而提高了散热器的优化效率。
Description
技术领域
本发明涉及微电子封装与组装技术领域,尤其涉及一种散热器优化方法、装置、可读存储介质及电子设备。
背景技术
随着智能化普及以及电子产品市场的持续增长,各种电子产品,如手机、电脑、机顶盒等,已经在日常居家生活和工作中随处可见,对人类的重要性愈发突出。在日常使用中,电子产品也伴随着各类故障,进而影响正常使用。根据美国空军航空电子整体项目研究结果显示,日常使用的电子产品的故障55%是由于温度失控引起的,而且由于温度引发的故障往往是不可修复的,损失成本较高,所以对于电子设备的热设计特别重要。而散热器在电子设备热设计中能有效增加电子元器件与空气的有效接触面积,以进行更充分地换热,所以散热器的设计优化也尤为重要。
发明内容
本发明所要解决的技术问题是:提供一种散热器优化方法、装置、可读存储介质及电子设备,能够提高散热器的优化效率。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种散热器优化方法,包括步骤:
建立带有散热器的电子产品的最优代理模型;
基于所述最优代理模型确定优化设计的目标函数;
使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种散热器优化装置,包括:
模型建立模块,用于建立带有散热器的电子产品的最优代理模型;
计算模块,用于基于所述最优代理模型确定优化设计的目标函数;
优化模块,用于使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果。
本发明的有益效果在于:建立带有散热器的电子产品的最优代理模型,基于最优代理模型确定优化设计的目标函数,使用改进粒子群优化算法根据目标函数对最优代理模型进行优化,相比传统优化设计方法,利用改进粒子群优化算法应用在散热器优化中,无需机械、人工地按照经验进行试验优化,且耦合代理模型技术大大减小了优化时间与人力成本,同时,改进粒子群优化算法能够更好地跳出局部最优,进而寻找到真实的最优值,从而提高了散热器的优化效率。
附图说明
图1为本发明实施例的一种散热器优化方法的步骤流程图;
图2为本发明实施例的一种散热器优化装置的结构示意图;
图3为本发明实施例的一种电子设备的结构示意图;
图4为本发明实施例的散热器优化方法中的改进粒子群优化算法的优化流程图;
图5为本发明实施例的散热器优化方法中的机顶盒几何模型示意图;
图6为本发明实施例的散热器优化方法中的优化前的带有散热器的电子产品几何模型的温度云图;
图7为本发明实施例的散热器优化方法中的优化后的带有散热器的电子产品几何模型的温度云图;
标号说明:
1、散热器;2、插头;3、PCB(printed circuit board,印制线路板);4、CPU(centralprocessing unit,中央处理器);5、eMCP(结合eMMC和MCP封装而成的智慧型手机记忆体标准);6、LPDDR(Low Power Double Data Rate SDRAM,内存);7、BGASSD(嵌入式固态驱动器解决方案)。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种散热器优化方法,包括步骤:
建立带有散热器的电子产品的最优代理模型;
基于所述最优代理模型确定优化设计的目标函数;
使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果。
从上述描述可知,本发明的有益效果在于:建立带有散热器的电子产品的最优代理模型,基于最优代理模型确定优化设计的目标函数,使用改进粒子群优化算法根据目标函数对最优代理模型进行优化,相比传统优化设计方法,利用改进粒子群优化算法应用在散热器优化中,无需机械、人工地按照经验进行试验优化,且耦合代理模型技术大大减小了优化时间与人力成本,同时,改进粒子群优化算法能够更好地跳出局部最优,进而寻找到真实的最优值,从而提高了散热器的优化效率。
进一步地,所述建立带有散热器的电子产品的最优代理模型包括:
抽取初始样本点;
基于所述初始样本点构建带有散热器的电子产品的初始代理模型;
确定所述初始代理模型的预测精度;
判断所述预测精度是否达到第一预设值,若是,则将所述初始代理模型确定为最优代理模型,若否,则增加新样本点至所述初始样本点中,得到更新后的样本点,并根据所述更新后的样本点返回执行所述基于所述初始样本点构建带有散热器的电子产品的初始代理模型步骤。
由上述描述可知,使用预测精度作为模型是否达到要求的判别标准,以此得到最优的代理模型,从而提高代理模型的精度,确保了优化的准确度。
进一步地,所述预测精度R2为:
由上述描述可知,根据样本点的真实响应值和在初始代理模型中的预估值计算代理模型的预测精度,能够更准确地判断代理模型的精度是否达到要求。
进一步地,所述基于所述最优代理模型确定优化设计的目标函数包括:
根据所述最优代理模型确定设计变量以及所述设计变量对应的取值范围;
根据所述设计变量和所述取值范围确定优化设计的目标函数。
由上述描述可知,根据设计变量和取值范围确定优化设计的目标函数,后续可根据该目标函数进行优化,进行电子产品的热设计,从而确保散热器的优化效果。
进一步地,所述设计变量包括散热器翅高、散热器翅间距以及基板厚度;
所述目标函数Tmax为:
x1=[5,10];
x2=[0.5,1];
x3=[1,3];
由上述描述可知,设计变量包括散热器翅高、散热器翅间距以及基板厚度,目标函数中包括以上三个设计变量,以此得到的优化结果能够给出散热器的最优的设计方案。
进一步地,所述使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果包括:
初始化粒子群,得到所述粒子群的初始信息;
根据所述初始信息计算所述粒子群中每个粒子对应的适应度;
根据所述适应度更新个体最优值以及全局最优值,得到更新后的个体最优值以及更新后的全局最优值;
根据所述更新后的个体最优值以及更新后的全局最优值采用惯性权重线性递减原则计算每个粒子的速度以及位置;
计算所述更新后的全局最优值与上一步迭代的全局最优值的差值;
判断所述差值是否达到收敛条件,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤,若是,则判断下一步迭代的惯性权重是否小于当前迭代的惯性权重,若小于,则根据第二预设值对所述下一步迭代的惯性权重进行反向增大,得到增大后的惯性权重,并基于所述增大后的惯性权重进行下一步迭代,否则,获取当前迭代次数;
判断所述当前迭代次数是否达到预设最大迭代次数,若是,则输出最优解,得到优化结果,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤。
由上述描述可知,在惯性权重线性递减的粒子群优化算法的基础上进行了进一步改进,即令惯性权重反向增大,保证惯性权重大小阶段性振荡,可进一步平衡全局寻优以及跳出局部最优,可进一步改善算法的全局与局部寻优性能,提高优化效果以及优化效率。
进一步地,所述初始化粒子群,得到所述粒子群的初始信息包括:
使用最优拉丁超立方法对粒子群的初始位置和初始速度进行初始化,得到所述粒子群的初始信息。
由上述描述可知,目前粒子群优化算法中在初始化粒子群时,整体粒子分布均匀性与代表性较差,而且还具有一定的不确定性,这些特性可能导致搜索真实最优解失败,使用最优拉丁超立方法初始化粒子群,其空间填充能力与代表性较强,能够保证更好的初始化效果。
请参照图2,本发明另一实施例提供了一种散热器优化装置,包括:
模型建立模块,用于建立带有散热器的电子产品的最优代理模型;
计算模块,用于基于所述最优代理模型确定优化设计的目标函数;
优化模块,用于使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果。
本发明另一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种散热器优化方法中的各个步骤。
请参照图3,本发明另一实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种散热器优化方法中的各个步骤。
本发明上述的散热器优化方法、装置、可读存储介质及电子设备能够适用于包含散热器的电子产品的设计,比如手机、电脑、机顶盒等,以下通过具体实施方式进行说明:
实施例一
请参照图1、图4-图7,本实施例的一种散热器优化方法,包括步骤:
S1、建立带有散热器的电子产品的最优代理模型,具体包括:
S11、抽取初始样本点;
S12、基于所述初始样本点构建带有散热器的电子产品的初始代理模型;
在一种可选的实施方式中,所述电子产品为机顶盒。
具体的,基于所述初始样本点根据Kriging公式的原理构建带有散热器的电子产品的初始代理(Kriging)模型,其原理为函数插值,调用MATLAB(美国MathWorks公司出品的商业数学软件)的DACE工具箱即可对对应的问题插值成对应的Kriging模型。
S13、确定所述初始代理模型的预测精度;
其中,所述预测精度R2为:
式中,n表示所述初始样本点的数量,yi表示第i个所述初始样本点对应的真实响
应值,表示第i个所述初始样本点在所述初始代理模型中的预估值,表示n个所述初始
样本点对应的响应值的平均值,所述真实响应值是根据真实工程问题或仿真软件计算得到
的,构建代理模型的目的就是让模型的计算值和真实响应值相近。
S14、判断所述预测精度是否达到第一预设值,若是,则将所述初始代理模型确定为最优代理模型,若否,则增加新样本点至所述初始样本点中,得到更新后的样本点,并根据所述更新后的样本点返回执行S12。
其中,所述第一预设值为90%,判断预测精度是否达到90%,若是,则将初始代理模型确定为最优代理模型,若否,则增加新样本点至初始样本点中,得到更新后的样本点,并根据更新后的样本点重新构建代理模型。
S2、基于所述最优代理模型确定优化设计的目标函数,具体包括:
S21、根据所述最优代理模型确定设计变量以及所述设计变量对应的取值范围;
其中,所述设计变量包括散热器翅高、散热器翅间距以及基板厚度,所述取值范围的单位为mm,所述散热器翅高为散热器的基板顶部到散热翅片顶部的距离,所述散热器翅间距相邻两个散热翅片的距离。
在一种可选的实施方式中,获取所述带有散热器的电子产品的几何模型,如图5所示,包括散热器1、插头2、PCB3、CPU4、eMCP(结合eMMC和MCP封装而成的智慧型手机记忆体标准)5、LPDDR(Low Power Double Data Rate SDRAM,内存)6、BGA SSD(嵌入式固态驱动器解决方案)7,并根据所述几何模型和所述最优代理模型确定设计变量以及所述设计变量对应的取值范围。
S22、根据所述设计变量和所述取值范围确定优化设计的目标函数。
其中,所述目标函数Tmax为:
x1=[5,10];
x2=[0.5,1];
x3=[1,3];
所述目标函数Tmax为机顶盒的最高温度。
S3、使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果,即将Tmax函数代入初始的全局最优值,如图4所示,具体包括:
S31、初始化粒子群,得到所述粒子群的初始信息;
具体的,使用最优拉丁超立方法对粒子群的初始位置和初始速度进行初始化,得到所述粒子群的初始信息。
在一种可选的实施方式中,所述粒子群中的粒子数目为100。
S32、根据所述初始信息计算所述粒子群中每个粒子对应的适应度;
具体的,根据所述初始速度和所述初始位置计算所述粒子群中每个粒子对应的适应度,该适应度即表示最高温度。
S33、根据所述适应度更新个体最优值以及全局最优值,得到更新后的个体最优值以及更新后的全局最优值;
与上一步迭代的个体最优值pbest相比较,如果粒子该步迭代的适应度更好,则采用该步迭代的粒子的适应度更新个体最优值pbest,以此方式更新所有粒子的个体最优值pbest,在此基础上进而更新出该步迭代的全局最优值gbest。
S34、根据所述更新后的个体最优值以及更新后的全局最优值采用惯性权重线性递减原则计算每个粒子的速度以及位置;
按照惯性权重线性递减原则初期惯性权重大可以保证初期寻优,使全局探索的能力较强,后期惯性权重小有利于局部寻优,保证在局部区域的精确寻优。
S35、计算所述更新后的全局最优值与上一步迭代的全局最优值的差值;
S36、判断所述差值是否达到收敛条件,若否,则返回执行S32,若是,则执行S361;
具体的,如图4所示,判断f(xn)与f(xn+1)差值的绝对值是否小于预设收敛值,若
否,则返回执行S32,若是,则执行S361,其中,f(xn)表示上一步迭代的全局最优值,f(xn+1)
表示更新后的全局最优值。
收敛条件因具体的工程问题的数值大小不同而有差异,预设收敛值一般设为幅值的0.1,比如某函数最大值为10,两步全局最优值之差绝对值小于1即可,进而保证寻优结果趋近于收敛。
S361、判断下一步迭代的惯性权重是否小于当前迭代的惯性权重,若小于,则执行S3611,否则,执行S3612获取当前迭代次数;
具体的,如图4所示,判断wk+1是否小于wk,若小于,则执行S3611,否则,执行S3612。
S3611、根据第二预设值对所述下一步迭代的惯性权重进行反向增大,得到增大后的惯性权重,并基于所述增大后的惯性权重进行下一步迭代;
其中,所述第二预设值为1.5;
S3612、获取当前迭代次数;
S3613、判断所述当前迭代次数是否达到预设最大迭代次数,若是,则输出最优解,得到优化结果,若否,则返回执行S32。
在一种可选的实施方式中,所述预设最大迭代次数为500。
令惯性权重反向增大可保证惯性权重大小阶段性振荡,该设置可以进一步平衡全局寻优以及跳出局部最优,原因是惯性权重线性递减粒子群优化算法在有些情况下也可能陷入局部最优,此算法的惯性权重整个过程中线性递减,在寻优后期时全局探索能力会相对较弱,此时容易陷入局部最优,所以当寻优过程满足一定的收敛条件时,将惯性权重值由小变大,能够增强此时算法的全局寻优搜索能力,从而提高优化效率。优化前和优化后的结果如图6和图7所示,可以看出Tmax降低了5.38%,可见本发明的优化效果显著。
实施例二
请参照图2,本实施例的一种散热器优化装置,包括:
模型建立模块,用于建立带有散热器的电子产品的最优代理模型;
计算模块,用于基于所述最优代理模型确定优化设计的目标函数;
优化模块,用于使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果。
实施例三
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现实施例一中散热器优化方法的各个步骤。
实施例四
请参照图3,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中散热器优化方法的各个步骤。
综上所述,本发明提供的一种散热器优化方法、装置、可读存储介质及电子设备,建立带有散热器的电子产品的最优代理模型;基于所述最优代理模型确定优化设计的目标函数;使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果,该改进粒子群优化算法在惯性权重线性递减的粒子群优化算法的基础上进行了进一步改进,即令惯性权重反向增大,保证惯性权重大小阶段性振荡,可进一步平衡全局寻优以及跳出局部最优,可进一步改善算法的全局与局部寻优性能,提高优化效果以及优化效率,相比传统优化设计方法,利用改进粒子群优化算法应用在散热器优化中,无需机械、人工地按照经验进行试验优化,且耦合代理模型技术大大减小了优化时间与人力成本,同时,改进粒子群优化算法能够更好地跳出局部最优,进而寻找到真实的最优值,从而提高了散热器的优化效率。
在本申请所提供的上述实施例中,应该理解到,所揭露的方法、装置、计算机可读存储介质以及电子设备,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个组件或模块可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或组件或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的组件可以是或者也可以不是物理上分开的,作为组件显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部组件来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个组件单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种散热器优化方法,其特征在于,包括步骤:
建立带有散热器的电子产品的最优代理模型;
基于所述最优代理模型确定优化设计的目标函数;
使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果;
所述使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果包括:
初始化粒子群,得到所述粒子群的初始信息;
根据所述初始信息计算所述粒子群中每个粒子对应的适应度;
根据所述适应度更新个体最优值以及全局最优值,得到更新后的个体最优值以及更新后的全局最优值;
根据所述更新后的个体最优值以及更新后的全局最优值采用惯性权重线性递减原则计算每个粒子的速度以及位置;
计算所述更新后的全局最优值与上一步迭代的全局最优值的差值;
判断所述差值是否达到收敛条件,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤,若是,则判断下一步迭代的惯性权重是否小于当前迭代的惯性权重,若小于,则根据第二预设值对所述下一步迭代的惯性权重进行反向增大,得到增大后的惯性权重,并基于所述增大后的惯性权重进行下一步迭代,否则,获取当前迭代次数;
判断所述当前迭代次数是否达到预设最大迭代次数,若是,则输出最优解,得到优化结果,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤;
2.根据权利要求1所述的一种散热器优化方法,其特征在于,所述建立带有散热器的电子产品的最优代理模型包括:
抽取初始样本点;
基于所述初始样本点构建带有散热器的电子产品的初始代理模型;
确定所述初始代理模型的预测精度;
判断所述预测精度是否达到第一预设值,若是,则将所述初始代理模型确定为最优代理模型,若否,则增加新样本点至所述初始样本点中,得到更新后的样本点,并根据所述更新后的样本点返回执行所述基于所述初始样本点构建带有散热器的电子产品的初始代理模型步骤。
4.根据权利要求1所述的一种散热器优化方法,其特征在于,所述基于所述最优代理模型确定优化设计的目标函数包括:
根据所述最优代理模型确定设计变量以及所述设计变量对应的取值范围;
根据所述设计变量和所述取值范围确定优化设计的目标函数。
6.根据权利要求1所述的一种散热器优化方法,其特征在于,所述初始化粒子群,得到所述粒子群的初始信息包括:
使用最优拉丁超立方法对粒子群的初始位置和初始速度进行初始化,得到所述粒子群的初始信息。
7.一种散热器优化装置,其特征在于,包括:
模型建立模块,用于建立带有散热器的电子产品的最优代理模型;
计算模块,用于基于所述最优代理模型确定优化设计的目标函数;
优化模块,用于使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果;
所述使用改进粒子群优化算法根据所述目标函数对所述最优代理模型进行优化,得到优化结果包括:
初始化粒子群,得到所述粒子群的初始信息;
根据所述初始信息计算所述粒子群中每个粒子对应的适应度;
根据所述适应度更新个体最优值以及全局最优值,得到更新后的个体最优值以及更新后的全局最优值;
根据所述更新后的个体最优值以及更新后的全局最优值采用惯性权重线性递减原则计算每个粒子的速度以及位置;
计算所述更新后的全局最优值与上一步迭代的全局最优值的差值;
判断所述差值是否达到收敛条件,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤,若是,则判断下一步迭代的惯性权重是否小于当前迭代的惯性权重,若小于,则根据第二预设值对所述下一步迭代的惯性权重进行反向增大,得到增大后的惯性权重,并基于所述增大后的惯性权重进行下一步迭代,否则,获取当前迭代次数;
判断所述当前迭代次数是否达到预设最大迭代次数,若是,则输出最优解,得到优化结果,若否,则返回执行所述根据所述初始信息计算所述粒子群中每个粒子对应的适应度步骤;
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种散热器优化方法中的各个步骤。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的一种散热器优化方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211577549.8A CN115659847B (zh) | 2022-12-09 | 2022-12-09 | 散热器优化方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211577549.8A CN115659847B (zh) | 2022-12-09 | 2022-12-09 | 散热器优化方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659847A CN115659847A (zh) | 2023-01-31 |
CN115659847B true CN115659847B (zh) | 2023-03-28 |
Family
ID=85019484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211577549.8A Active CN115659847B (zh) | 2022-12-09 | 2022-12-09 | 散热器优化方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659847B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444956A (zh) * | 2016-10-31 | 2017-02-22 | 北京信息科技大学 | 一种基于粒子群优化的光伏最大功率点跟踪的控制方法及装置 |
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 |
CN113343380A (zh) * | 2021-05-31 | 2021-09-03 | 温州大学 | 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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9331553B2 (en) * | 2011-09-19 | 2016-05-03 | Georgia Tech Research Corporation | Systems and methods for direct winding cooling of electric machines |
US11416739B2 (en) * | 2018-01-29 | 2022-08-16 | Lawrence Livermore National Security, Llc | Optimization control technology for building energy conservation |
CN111444953B (zh) * | 2020-03-24 | 2022-04-29 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
CN114741961B (zh) * | 2022-03-30 | 2024-07-02 | 华中科技大学 | 印刷电路板式换热器的翼型翅片排列结构优化方法和系统 |
CN115034122B (zh) * | 2022-08-12 | 2022-11-15 | 成都佰维存储科技有限公司 | 3c产品结构的优化方法、装置、可读存储介质及电子设备 |
-
2022
- 2022-12-09 CN CN202211577549.8A patent/CN115659847B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444956A (zh) * | 2016-10-31 | 2017-02-22 | 北京信息科技大学 | 一种基于粒子群优化的光伏最大功率点跟踪的控制方法及装置 |
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 |
CN113343380A (zh) * | 2021-05-31 | 2021-09-03 | 温州大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN115659847A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8713489B2 (en) | Simulation parameter correction technique | |
CN110319845B (zh) | 用于确定两点之间的可达路径的方法、装置和系统 | |
CN115034122B (zh) | 3c产品结构的优化方法、装置、可读存储介质及电子设备 | |
JP2010244528A (ja) | サーバの負荷容量を決定する方法、コンピュータ・プログラム、およびシステム | |
US9160280B1 (en) | Memory polynomial based digital predistorter | |
US20160055124A1 (en) | Systems and methods for low-rank matrix approximation | |
WO2012018694A1 (en) | Predicting a user behavior number of a word | |
CN111476718B (zh) | 一种图像放大方法、装置、存储介质及终端设备 | |
KR20200037592A (ko) | 전기화학 모델에 기반하여 최적화된 충전 방법 및 장치 | |
CN104980462A (zh) | 分布式计算方法、装置和系统 | |
CN115659847B (zh) | 散热器优化方法、装置、可读存储介质及电子设备 | |
EP2203856A1 (en) | Method and device for generating a model of a multiparameter system | |
US20170091356A1 (en) | Subtractive Design for Heat Sink Improvement | |
US20100014569A1 (en) | Identifying An Optimized Test Bit Pattern For Analyzing Electrical Communications Channel Topologies | |
CN115659895B (zh) | 减小封装芯片翘曲度的方法、装置、存储介质及电子设备 | |
CN112100877A (zh) | 一种结构刚度高效拓扑优化方法及其应用 | |
KR20210023641A (ko) | 기계 학습 모델 및 규칙 기반 모델을 포함하는 혼성 모델을 위한 방법 및 시스템 | |
Lencse et al. | Benchmarking further single board computers for building a mini supercomputer for simulation of telecommunication systems | |
CN115684938A (zh) | 基于并行打靶法的电化学模型的电场解耦方法及装置 | |
Deng et al. | Second‐order quasi‐likelihood for spatial point processes | |
CN115700577A (zh) | 载流子输运仿真方法、装置、介质及电子设备 | |
JP6492779B2 (ja) | マッピング情報生成プログラム、マッピング情報生成方法、及びマッピング情報生成装置 | |
KR20200140061A (ko) | 전자기 수치 해석 방법 | |
CN118313332B (zh) | 芯片设计性能参数的相关性分析方法、装置、终端及介质 | |
US12101913B2 (en) | Variable topography heat sink fins |
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 |