CN117422003B - 散热片优化设计方法、装置及存储介质 - Google Patents
散热片优化设计方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117422003B CN117422003B CN202311748449.1A CN202311748449A CN117422003B CN 117422003 B CN117422003 B CN 117422003B CN 202311748449 A CN202311748449 A CN 202311748449A CN 117422003 B CN117422003 B CN 117422003B
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- design
- individual
- operator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 95
- 238000013461 design Methods 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000001816 cooling Methods 0.000 claims abstract description 14
- 230000017525 heat dissipation Effects 0.000 claims description 15
- 239000000758 substrate Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000151 anti-reflux effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- 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)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (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
本发明实施例公开了一种散热片的优化设计方法、装置及存储介质，其中方法包括：设置优化散热片的设计参数变量和目标函数；初始化种群、算法参数和上置信界算法UCB模型；基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和交叉算子对应的参数向量集合，直至满足所述迭代终止条件，得到最优散热片设计的设计参数。本发明的方法，极大地提高了散热片优化设计的效能。
Description
技术领域
本发明涉及智能制造技术领域，特别是涉及一种散热片优化设计方法、装置及存储介质。
背景技术
在采取强制对流散热的系统中，散热鳍片的设计直接关系到整体的散热效率。通常会根据经验或者采用试错法对散热片进行热力学仿真或者实地测试来确定最终的散热片设计。但这样的设计流程效率低下且很难确保获得最优设计。对于这类工业设计中的最优化问题，由于不具备梯度信息，无法使用传统的最优化算法来解决。差分演化算法（Differential Evolution，DE）是一种基于群体的全局优化算法，通过群体内个体之间的相互合作与竞争产生的群体智能来指导优化搜索的方向，其原理简单、易于编程实现，已被众多研究证明适合解决此类问题。但是，现有技术中该类算法的控制参数多为固定设置，可能出现参数设置不合理的情况，从而影响解决最优化问题的效能。
发明内容
本发明实施例旨在提供一种散热片优化设计方法、装置及存储介质，以解决现有技术中散热片的优化设计效能较低且很难确保获得最优设计的问题。
为解决上述技术问题，本发明实施例提供以下技术方案：
根据本发明的一方面，提供一种散热片优化设计方法，所述方法包括：
设置优化散热片的设计参数变量和目标函数；
初始化种群、算法参数和上置信界算法UCB模型，所述算法参数包括变异算子池、交叉算子、所述变异算子池中每一变异算子和所述交叉算子对应的参数向量集合和迭代终止条件，所述UCB模型用于记录每一变异算子在种群迭代中的调用次数和奖励值；
基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和所述交叉算子对应的参数向量集合，直至满足所述迭代终止条件，得到最优散热片设计的设计参数。
可选地，所述基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和所述交叉算子对应的参数向量集合的步骤包括：
对上代种群中的每一个体，通过所述UCB模型选取一个变异算子，从所述变异算子和所述交叉算子对应的参数向量集合中获取所述个体对应的参数向量；
基于所述变异算子、所述参数向量和所述交叉算子计算出所述个体的尝试向量；
通过所述目标函数计算出所述尝试向量的适应度，若所述尝试向量的适应度优于所述个体的适应度，则将所述尝试向量加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为一；否则，将所述个体加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为零；
当代种群生成后，更新所述UCB模型中各变异算子的调用次数和奖励值，并重新随机生成各变异算子和所述交叉算子对应的参数向量集合。
可选地，所述方法还包括：
确定优化散热片的约束条件，
所述通过所述目标函数计算出所述尝试向量的适应度的步骤之前还包括：
判断所述尝试向量是否满足所述约束条件；
若满足，则通过所述目标函数计算出所述尝试向量的适应度；
若不满足，则重新选择一个变异算子和重新生成随机参数向量，再基于重新选择的变异算子、重新生成的随机参数向量和所述交叉算子计算出个体的下一个尝试向量，再回到判断所述尝试向量是否满足所述约束条件的步骤。
可选地，所述方法以散热片质量为优化目标，所述设计参数变量包括基板厚度、齿厚和齿间距离。
可选地，所述约束条件为：新设计中与散热片直接接触的元器件的最高温度不能超过原始设计中所述元器件的最高温度的预设百分比。
可选地，所述方法以散热片的散热效能为优化目标，所述设计参数变量包括基板材料的密度、热传导率和比热容。
可选地，所述约束条件为：新设计的散热片质量优于原始设计。
可选地，所述算法参数还包括用于置换的局部最优解数量k和置换频率h，所述方法还包括：
从每代种群中选取满足预设的局部最优原则的个体加入到局部最优解集合中；
每间隔h次迭代，从所述局部最优解集合中选取k个局部最优个体，将选取的所述k个局部最优个体随机替换掉当代种群中除当代最优个体以外的k个个体。
可选地，所述从每代种群中选取满足预设的局部最优原则的个体加入到局部最优解集合中的步骤包括：
根据每代种群中每一个体的适应度确定出当代最优个体；
计算每代种群中其他个体到当代最优个体的欧几里得距离，按照所述欧几里得距离由高到低的顺序将所有个体降序排列；
对于降序排列后的当代种群中的每一个体，若所述个体的适应度分别优于其前一个体的适应度和其后一个体的适应度，则将所述个体加入到所述局部最优解集合中。
可选地，所述从所述局部最优解集合中选取k个局部最优个体的步骤包括：
计算所述局部最优解集合中每一局部最优个体到当代种群中当代最优个体的欧几里得距离；
按照所述欧几里得距离由高到低的顺序选取k个局部最优个体。
根据本发明的另一方面，提供一种散热片优化设计装置，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的散热片优化设计方法的步骤。
根据本发明的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行上述任一项所述的散热片优化设计方法的步骤。
本发明实施例的有益效果是：区别于现有技术的情况，本发明实施例中，一方面，采用差分演化算法来对散热片进行优化设计，相比于传统采用经验或试错法进行设计，能获得更优地设计，且极大地提高了散热片设计的开发效率；另一方面，在算法的执行过程中，使用上置信界算法UCB模型来记录各变异算子在种群迭代中的表现，并在迭代中不断更新UCB模型、各变异算子和交叉算子对应的参数向量集合，提供一种参数自适应的差分演化算法来对散热片进行优化设计，进一步提高了散热片优化设计的效能。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的一种针对结构的散热片优化设计方法的流程图；
图2是本发明实施例提供的散热片结构示意图；
图3是本发明实施例提供的一种种群迭代方法流程图；
图4是本发明实施例提供的一种基于局部最优解集合对种群进行置换的方法流程图；
图5是本发明实施例提供的一种散热片优化设计装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
请参阅图1，为本发明实施例提供的一种针对结构的散热片优化设计方法的流程图，所述方法包括：
步骤S101，设置优化散热片的设计参数变量和目标函数。
在家庭储能设备中，散热片设计对于储能设备散热能力起到至关重要的作用。其设计优劣将直接影响到热管理系统的效率。
为了尽可能地减轻散热器以及储能系统整机重量，可以将散热片质量设为优化目标，该优化问题可归纳为：
其中，，是散热片优化设计中涉及到的所有设计参数，是维度为/>的决策变量，/>是散热片设计参数数量，/>为优化目标函数，/>表示产生最小/>时的x。
如图2所示，为本发明实施例提供的散热片结构示意图。在不考虑改变材料性质的前提下，可以通过调整散热片基板厚度、齿厚和齿间距离三个参数来实现。此时，x分别指代散热片基板厚度（/>）、齿厚（/>）和齿间距离（/>）。
在一示例中，目标函数通过数值仿真软件实现。具体的，将设计参数变量输入到数值仿真软件，通过数值仿真软件计算出散热器的质量。
步骤S102，初始化种群、算法参数和上置信界算法UCB模型。
其中，算法参数包括变异算子池、交叉算子、变异算子池中每一变异算子以及交叉算子对应的参数向量集合和迭代终止条件；UCB模型用于记录每一变异算子在种群迭代中的调用次数和奖励值。初始化的过程如下：
1、初始化种群
根据优化散热片的各设计参数变量的边界值（即的取值范围/>）随机初始化种群/>：
其中，是维度为/>的决策变量，/>为种群代数，初始值为0，/>为种群中个体的数量。
2、初始化算法参数
（1）初始化变异算子池
从以下变异算子中选取M（M≤3）个变异算子组成变异算子池：
1）DE/rand/1：
2）DE/best/1：
3）DE/current-to-best/1：
其中，为第/>代种群中个体/>的变异向量，/>为第/>代种群中个体/>的决策变量（即设计参数变量），/>为第/>代种群中除个体/>以外随机选择的互斥个体，为第/>代种群中的最优个体，/>为变异系数，是在/>范围内的连续均匀分布中随机抽取的一个实数。
在一示例中，选取和/>组成变异算子池MUT M，即：/>；/>。
（2）初始化交叉算子
在一示例中，以二项式交叉算子作为本发明的交叉算子：
其中，为第/>代种群中个体/>的尝试向量，/>为第/>代种群中个体/>的变异向量中第/>个维度，/>为第/>代种群中个体/>的决策变量中第/>个维度，/>为从/>范围内的连续均匀分布中为维度/>随机抽取的一个实数，/>是从/>范围内的连续均匀分布中随机抽选的一个整数，/>为交叉系数，是取值范围在/>之间的实数。
（3）建立参数向量并初始化
对于（1）中变异算子池内的每一个变异算子以及（2）中交叉算子均建立一个参数向量集，记为：
其中，，代表变异算子池/>中的第m个变异算子；/>为种群代数；对应种群中的个体；/>。/>用表格的形式可表示如下：
需要说明的是，对于每一代种群中的每一个体，变异算子池中每一个变异算子以及交叉算子均对应一个专属的参数向量δ，即参数向量在每次迭代中不断调整。
（4）设置迭代终止条件
本发明实施例中，在循环迭代过程中若满足以下任意一个条件则停止迭代：
a)设置最大迭代次数，当累计迭代次数大于等于/>时，停止迭代；
b)设置两代最优解之间差距的绝对值，当本代最优解与上代最优解之间的差值小于等于/>时，则停止迭代，即/>时，停止迭代。
3、初始化UCB模型
使用变异算子池中的各变异算子来初始化UCB模型（Upper ConfidenceBound，上置信界算法）。将变异算子池/>中每一个变异算子，作为UCB模型中的一个变量，即UCB m记录MUT m变异算子在实际优化过程中的调用次数和奖励值，m=1,2...M。在初代种群（/>）中，各变异算子的选取概率相同，即：选取/>个/>变异算子，/>个/>变异算子..../>个MUTm变异算子初始化UCB模型。
步骤S103，基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和交叉算子对应的参数向量集合，直至满足迭代终止条件，得到最优散热片设计的设计参数。
如图3所示，为本发明实施例提供的一种种群迭代方法流程图，所述方法包括：
步骤S1031，对上代种群中的每一个体，通过UCB模型选取一个变异算子，从所述变异算子和交叉算子对应的参数向量集合中获取所述个体对应的参数向量。
首先，对于上代种群中的每个个体，从构成UCB模型的所有M个变异算子中，选择能使下式最大化的第m个变异算子MUT m来进行变异：
其中，是第m个变异算子的平均奖励值，/>，/>为第m个变异算子在第j次调用时的奖励值（/>），数值为0或1；/>是迄今为止所有M个变异算子的调用总次数，/>是迄今为止第m个变异算子的调用次数。
然后，从变异算子MUTm对应的参数向量集合ARAm中找到该个体对应的参数向量，基于前述描述可知，参数向量是由变异系数/>与交叉系数/>构成，对应到当前所选个体与变异算子来说，可表达为：
步骤S1032，基于所述变异算子、所述参数向量和交叉算子计算出所述个体的尝试向量。
对于种群中的每个个体，先使用选取的变异算子MUT m与变异系数/>计算其变异向量/>，再使用二项式交叉算子和交叉系数/>计算其尝试向量/>。
步骤S1033，通过所述目标函数计算出所述尝试向量的适应度。
在一示例中，对于上代种群中的每个个体，通过数值仿真软件计算其尝试向量的适应度/>。
步骤S1034，判断所述尝试向量的适应度是否优于所述个体的适应度，若是，则进入步骤S1035，否则，进入步骤S1036。步骤S1035，将所述尝试向量加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为一。
步骤S1036，将所述个体加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为零。
本实施例中的优化目标是设计质量最轻的散热片，故判断所述尝试向量的适应度是否优于所述个体的适应度，即为判断所述尝试向量的适应度是否小于所述个体的适应度。步骤S1034至S1036中，如果，则/>，该个体所使用的变异算子/>在本次变异中的奖励值记为一；否则/>，该个体所使用的变异算子/>在本次变异中的奖励值记为零。
步骤S1037，当代种群生成后，更新所述UCB模型中各变异算子的调用次数和奖励值，并重新随机生成各变异算子对应的参数向量集合。
上代种群中所有个体均完成变异、交叉和选择之后生成当代种群。然后根据各变异算子在本轮迭代中的调用次数和奖励值更新所述UCB模型。同时，重新生成各变异算子对应的参数向量集合，参数向量集合中各参数向量在取值范围内随机生成。
在本发明实施例中，在散热片优化设计中还可以评估每个散热片设计的散热效率，并将其作为约束条件：
其中，为约束函数；/>为对应的约束条件，q表示与散热片直接接触的元器件的总数量。在一示例中，约束条件为：新设计中与散热片直接接触的元器件的最高温度不能超过原始设计中所述元器件的最高温度的预设百分比。例如，新设计中与散热片直接接触的6个元器件的最高温度不能超过原始设计中该元器件的最高温度的1%。即：
其中，可在数值仿真软件中计算出的器件1至6上的最高温度。
增加约束条件后，在步骤S1032之后且步骤S1033之前还包括：
判断所述尝试向量是否满足所述约束条件，若满足，则进入步骤S1033；若不满足，则重新选择一个变异算子和重新生成随机参数向量，再基于重新选择的变异算子、重新生成的随机参数向量和交叉算子计算出个体的下一个尝试向量，然后回到判断所述尝试向量是否满足所述约束条件的步骤，直至所述尝试向量满足所述约束条件。
虽然UCB算法保障了对当前最优设计的挖掘能力，但是对整个搜索空间的探索能力还存在不足。为解决该问题，本发明还通过记录迭代过程中找寻到的局部最优解信息，并基于局部最优解按频率置换种群中的部分个体，来提升对整个空间的探索能力。
请参阅图4，为本发明实施例提供的一种基于局部最优解集合对种群进行置换的方法流程图，所述方法包括：
步骤S401，从每代种群中选取满足预设的局部最优原则的个体加入到局部最优解集合中。
在一示例中，选取满足局部最优原则的个体加入到局部最优解集合中的方法为：根据每代种群中每一个体的适应度确定出当代最优个体；再计算每代种群中其他个体到所述当代最优个体的欧几里得距离，按照所述欧几里得距离由高到低的顺序将所有个体降序排列；然后，对于降序排列后的当代种群中的每一个体，若所述个体的适应度分别优于其前一个体的适应度和其后一个体的适应度，则将所述个体加入到局部最优解集合中。
步骤S402，每间隔h次迭代，从所述局部最优解集合中选取k个局部最优个体，将选取的所述k个局部最优个体随机替换掉当代种群中除当代最优个体以外的k个个体。
其中，h为置换频率，k为用于置换的局部最优解数量，可在初始化算法参数时进行初始化。在一示例中，从局部最优解集合中选取k个局部最优个体具体为：计算局部最优解集合中每一局部最优个体到当代种群中当代最优个体的欧几里得距离，按照所述欧几里得距离由高到低的顺序选取k个局部最优个体。
如下表1所示，为采用本发明方法优化后的散热片新设计与原设计的前后对比情况。
表1散热片优化前后对比
从表1可知，新设计比原设计减重37.38%，并且在所有元件上的散热效率略有提升或持平，优化结果显著。
本发明实施例提供的散热片优化设计方法，在传统散热片的设计方法上，引入差分演化算法并在迭代过程中动态调整算法参数，实现了对散热片设计的最优化。一方面，结合UCB算法保障了对当前最优设计的挖掘能力；另一方面，通过记录迭代过程中找寻到的局部最优解信息，保障了对整个搜索空间的探索能力，平衡了在最优化问题上的探索与挖掘。最后，通过将差分演化算法与数值仿真方法的结合，实现了在满足各类约束条件下对散热片设计的最优化。
实施例二
区别于实施例一，本实施例提供的是一种针对散热效能的散热片优化设计方法，其方法步骤过程和实施例一基本一致，仅有少量细微差别，具体区别如下：
步骤S101中，其优化问题归纳为：
其中，，是散热片散热效能优化设计中涉及到的所有设计参数，是维度为/>的决策变量，/>是散热片设计参数数量，/>为优化目标函数，ArgMax(f(x))表示产生最大/>时的x。可以通过调整基板材料的密度、热传导率和比热容三个参数来实现。此时，x/>分别指代基板材料的密度（/>）、热传导率（/>）和比热容（/>）。
本实施例中的优化目标是设计具有最优散热效能的散热片，故判断所述尝试向量的适应度是否优于所述个体的适应度，即为判断所述尝试向量的适应度是否大于所述个体的适应度。步骤S1034至S1036中，如果>/>，则/>，该个体所使用的变异算子/>在本次变异中的奖励值记为一；否则/>，该个体所使用的变异算子/>在本次变异中的奖励值记为零。
散热片的优化设计中还可以评估每个散热片的质量，并将其作为约束条件。具体为：新设计的散热片质量优于原始设计。
实施例三
根据本发明实施例，提供一种散热片优化设计装置，如图5所示，本发明实施例提供的一种散热片优化设计装置的结构示意图，该装置可包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501、通信接口502、存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行实施例一中的防逆流控制方法，该方法包括：设置优化散热片的设计参数变量和目标函数；初始化种群、算法参数和上置信界算法UCB模型，所述算法参数包括变异算子池、交叉算子、所述变异算子池中每一变异算子和所述交叉算子对应的参数向量集合和迭代终止条件，所述UCB模型用于记录每一变异算子在种群迭代中的调用次数和奖励值；基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和所述交叉算子对应的参数向量集合，直至满足所述迭代终止条件，得到最优散热片设计的设计参数。
此外，上述存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在几个计算机可读存储介质中。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部分可以以软件产品的形式体现出来，计算机软件产品存储于一个存储介质中，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）执行本发明实施例一中任一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-Only Memory）、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。
上述产品可执行实施例一中任一所述的散热片优化设计方法，具备方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本发明实施例一提供的散热片优化设计方法。
实施例四
根据本发明实施例，提供一种计算机可读存储介质，其类型如实施例三中所述，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行实施例一中所述的散热片优化设计方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用直至得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
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；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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申请各实施例技术方案的范围。
Claims (11)
1.一种散热片的优化设计方法，其特征在于，所述方法包括：
设置优化散热片的设计参数变量和目标函数；
初始化种群、算法参数和上置信界算法UCB模型，所述算法参数包括变异算子池、交叉算子、所述变异算子池中每一变异算子和所述交叉算子对应的参数向量集合和迭代终止条件，所述UCB模型用于记录每一变异算子在种群迭代中的调用次数和奖励值；
基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和所述交叉算子对应的参数向量集合，直至满足所述迭代终止条件，得到最优散热片设计的设计参数；
所述基于所述算法参数和所述UCB模型采用差分演化算法对种群中的个体进行迭代优化，并在迭代中更新所述UCB模型、每一变异算子和所述交叉算子对应的参数向量集合的步骤包括：
对上代种群中的每一个体，通过所述UCB模型选取一个变异算子，从所述变异算子和所述交叉算子对应的参数向量集合中获取所述个体对应的参数向量；
基于所述变异算子、所述参数向量和所述交叉算子计算出所述个体的尝试向量；
通过所述目标函数计算出所述尝试向量的适应度，若所述尝试向量的适应度优于所述个体的适应度，则将所述尝试向量加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为一；否则，将所述个体加入到当代种群中，并将所述变异算子在本次变异中的奖励值记为零；
当代种群生成后，更新所述UCB模型中各变异算子的调用次数和奖励值，并重新随机生成各变异算子和所述交叉算子对应的参数向量集合。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定优化散热片的约束条件，
所述通过所述目标函数计算出所述尝试向量的适应度的步骤之前还包括：
判断所述尝试向量是否满足所述约束条件；
若满足，则通过所述目标函数计算出所述尝试向量的适应度；
若不满足，则重新选择一个变异算子和重新生成随机参数向量，基于重新选择的变异算子、重新生成的随机参数向量和所述交叉算子计算出个体的下一个尝试向量，再回到判断所述尝试向量是否满足所述约束条件的步骤。
3.根据权利要求2所述的方法，其特征在于，所述方法以散热片质量为优化目标，所述设计参数变量包括基板厚度、齿厚和齿间距离。
4.根据权利要求3所述的方法，其特征在于，所述约束条件为：新设计中与散热片直接接触的元器件的最高温度不能超过原始设计中所述元器件的最高温度的预设百分比。
5.根据权利要求2所述的方法，其特征在于，所述方法以散热片的散热效能为优化目标，所述设计参数变量包括基板材料的密度、热传导率和比热容。
6.根据权利要求5所述的方法，其特征在于，所述约束条件为：新设计的散热片质量优于原始设计。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述算法参数还包括用于置换的局部最优解数量k和置换频率h，所述方法还包括：
从每代种群中选取满足预设的局部最优原则的个体加入到局部最优解集合中；
每间隔h次迭代，从所述局部最优解集合中选取k个局部最优个体，将选取的所述k个局部最优个体随机替换掉当代种群中除当代最优个体以外的k个个体。
8.根据权利要求7所述的方法，其特征在于，所述从每代种群中选取满足预设的局部最优原则的个体加入到局部最优解集合中的步骤包括：
根据每代种群中每一个体的适应度确定出当代最优个体；
计算每代种群中其他个体到当代最优个体的欧几里得距离，按照所述欧几里得距离由高到低的顺序将所有个体降序排列；
对于降序排列后的当代种群中的每一个体，若所述个体的适应度分别优于其前一个体的适应度和其后一个体的适应度，则将所述个体加入到所述局部最优解集合中。
9.根据权利要求8所述的方法，其特征在于，所述从所述局部最优解集合中选取k个局部最优个体的步骤包括：
计算所述局部最优解集合中每一局部最优个体到当代种群中当代最优个体的欧几里得距离；
按照所述欧几里得距离由高到低的顺序选取k个局部最优个体。
10.一种散热片优化设计装置，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9任一项所述的散热片优化设计方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行如权利要求1-9任一项所述的散热片优化设计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311748449.1A CN117422003B (zh) | 2023-12-19 | 2023-12-19 | 散热片优化设计方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311748449.1A CN117422003B (zh) | 2023-12-19 | 2023-12-19 | 散热片优化设计方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422003A CN117422003A (zh) | 2024-01-19 |
| CN117422003B true CN117422003B (zh) | 2024-05-17 |
Family
ID=89527042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311748449.1A Active CN117422003B (zh) | 2023-12-19 | 2023-12-19 | 散热片优化设计方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422003B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740724A (zh) * | 2019-01-04 | 2019-05-10 | 西安理工大学 | 基于参考方向的代理差分演化算法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
| CN113392566A (zh) * | 2021-07-13 | 2021-09-14 | 柳培忠 | 一种基于差分的仿真优化设计方法 |
| CN114647967A (zh) * | 2022-04-08 | 2022-06-21 | 中国科学院电工研究所 | 一种超高效均温板设计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022061871A1 (zh) * | 2020-09-28 | 2022-03-31 | 大连理工大学 | 一种基于混合自适应差分进化的航空发动机模型迭代算法 |
| US20220117109A1 (en) * | 2020-10-09 | 2022-04-14 | Ut-Battelle, Llc | Heat sink system |
-
2023
- 2023-12-19 CN CN202311748449.1A patent/CN117422003B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740724A (zh) * | 2019-01-04 | 2019-05-10 | 西安理工大学 | 基于参考方向的代理差分演化算法 |
| CN110119558A (zh) * | 2019-04-30 | 2019-08-13 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
| CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
| CN113392566A (zh) * | 2021-07-13 | 2021-09-14 | 柳培忠 | 一种基于差分的仿真优化设计方法 |
| CN114647967A (zh) * | 2022-04-08 | 2022-06-21 | 中国科学院电工研究所 | 一种超高效均温板设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Hyper-Heuristic in MOEA/D-DRA Using the Upper Confidence Bound Technique;Lucas Prestes et al.;2017 Brazilian Conference on Intelligent Systems》;20171230;第396-401页 * |
| OPTIMUM DESIGN OF HEAT SINK BY USING DIFFERENTIAL EVOLUTION AND SIMPLEX METH;Ali Meer Ali Jasim et al.;《The Iraqi Journal For Mechanical And Material Engineering》;20091230;第9卷(第3期);第329-347页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422003A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Noman et al. | Accelerating differential evolution using an adaptive local search | |
| JP2003108972A (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
| CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
| Sinha et al. | Evolving neural architecture using one shot model | |
| CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
| CN113222165A (zh) | 一种基于遗传算法的量子线路优化方法 | |
| Wang et al. | Hybrid feature selection algorithm mRMR-ICA for cancer classification from microarray gene expression data | |
| CN113935235A (zh) | 基于遗传算法和代理模型的工程设计优化方法及装置 | |
| CN116112563A (zh) | 一种基于流行度预测的双策略自适应缓存替换方法 | |
| JP7137074B2 (ja) | 最適化計算方法、最適化計算装置及び最適化計算プログラム | |
| CN117422003B (zh) | 散热片优化设计方法、装置及存储介质 | |
| Brunato et al. | R-EVO: A reactive evolutionary algorithm for the maximum clique problem | |
| CN114819728A (zh) | 一种自适应局部搜索的柔性车间生产调度方法 | |
| JP2003288579A (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
| Zhou et al. | Adaptive multiobjective optimization of process conditions for injection molding using a Gaussian process approach | |
| Teng et al. | An Improved Whale Optimization Algorithm Based on Aggregation Potential Energy for QoS‐Driven Web Service Composition | |
| Xu et al. | A robust adaptive hybrid genetic simulated annealing algorithm for the global optimization of multimodal functions | |
| CN116127121A (zh) | 一种图像检索模型的训练方法及基于此的图像检索算法 | |
| Consoli et al. | Heuristic approaches for the quartet method of hierarchical clustering | |
| CN110263906B (zh) | 非对称负相关搜索方法 | |
| Zhang et al. | Small files storing and computing optimization in Hadoop parallel rendering | |
| CN113656153A (zh) | 一种面向云计算任务调度的改进人工蜂群算法 | |
| Wisittipanich et al. | Mutation strategies toward Pareto front for multi-objective differential evolution algorithm | |
| Yang et al. | A novel pso-de co-evolutionary algorithm based on decomposition framework | |
| CN113191534A (zh) | 物流资源分配方法、装置、设备及存储介质 |
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 |