針對(duì)礦井通風(fēng)網(wǎng)絡(luò)分支風(fēng)量?jī)?yōu)化問題,以礦井通風(fēng)網(wǎng)絡(luò)的總功率最小為目標(biāo),結(jié)合礦井模型中風(fēng)量平衡方程、風(fēng)壓平衡方程、分支阻力方程以及風(fēng)機(jī)特性曲線方程等約束條件,提出一種多種群自適應(yīng)粒子群優(yōu)化算法（MA-PSO）對(duì)礦井通風(fēng)網(wǎng)絡(luò)實(shí)現(xiàn)尋優(yōu)。首先對(duì)隨機(jī)生成的種群進(jìn)行初始化預(yù)處理,將適應(yīng)值從高到低排序,然后以預(yù)處理后的局部最優(yōu)解為圓心,以局部最優(yōu)解與其他粒子的歐式距離的平均值為半徑,將種群劃分成五個(gè)子種群,接著在速度更新公式中引入拓?fù)漤?xiàng)和種群交流因子,以種群為單位在求解空間中搜索,保障種群的多樣性,從而加快種群進(jìn)化和算法收斂速度;最后采用自適應(yīng)權(quán)重和冗余粒子初始化淘汰策略,提高算法搜索能力和學(xué)習(xí)能力。仿真結(jié)果表明:該算法具有較好的多模態(tài)尋優(yōu)率、更快的收斂速度和更高的收斂精度,優(yōu)化后通風(fēng)系統(tǒng)消耗的總功率較之前相比下降26. 78%,節(jié)能效果顯著。 

【文章來源】：煤炭工程. 2019,51(02)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

多風(fēng)機(jī)通風(fēng)網(wǎng)絡(luò)圖

斜湟煲圓???判愕母鎏�。�?i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異的操作方法為:aij=aij+(aij－amax)×f(g)，r≥0.5aij+(amin－aij)×f(g)，r＜0.5{(22)f(g)=r2(1－g/Gmax)2式中，amax為基因aij的上界;amin為基因的aij的下界;r2為一個(gè)隨機(jī)數(shù);g為當(dāng)前迭代次數(shù);Gmax是最大進(jìn)化次數(shù);r為［0，1］區(qū)間的隨機(jī)數(shù)。3.2.4仿真結(jié)果與分析利用matlab軟件［12］計(jì)算，迭代進(jìn)化100次后，其迭代進(jìn)化結(jié)果如圖2所示。圖2表明:利用遺傳算法優(yōu)化井下通風(fēng)網(wǎng)絡(luò)，算法過早成熟收斂，陷入局部最優(yōu)，造成優(yōu)化效果不佳，原因是種群多樣性單一，遺傳算法的交叉算子和選擇算子不能再產(chǎn)生更有生命力的個(gè)體，個(gè)體結(jié)構(gòu)的多樣性急劇減少，迭代過程中一些優(yōu)秀的基因并不能保留下來。圖2遺傳算法迭代進(jìn)化結(jié)果3.3粒子群算法迭代進(jìn)化設(shè)初始種群為100，種群規(guī)模為5，迭代100次，其迭代進(jìn)化結(jié)果如圖3所示。圖3表明:利用改進(jìn)的快速多種群自適應(yīng)粒子群優(yōu)化算法，尋找過程中沒有出現(xiàn)早熟，而是迭代了30多次才收斂，MA－PSO算法由于引入了種群間交流和淘汰策略，大大提高了全局尋優(yōu)能力，收斂性較好，且用時(shí)短，優(yōu)化效果也顯著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度較遺傳算法更高。從優(yōu)化結(jié)果可以看出，利用改進(jìn)的快速多種群自適應(yīng)粒子群優(yōu)化算法對(duì)通風(fēng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行優(yōu)化，其優(yōu)化效果遠(yuǎn)好于遺傳算法，收斂精度更高，基于圖3粒子群算法傳迭代進(jìn)化結(jié)果粒子群算法通風(fēng)網(wǎng)絡(luò)參數(shù)解算結(jié)果見表3。將優(yōu)化之后的風(fēng)阻、風(fēng)量、風(fēng)壓等帶入約束函數(shù)中進(jìn)行檢驗(yàn)，經(jīng)檢驗(yàn)符合風(fēng)量平衡方程、回

00，種群規(guī)模為5，迭代100次，其迭代進(jìn)化結(jié)果如圖3所示。圖3表明:利用改進(jìn)的快速多種群自適應(yīng)粒子群優(yōu)化算法，尋找過程中沒有出現(xiàn)早熟，而是迭代了30多次才收斂，MA－PSO算法由于引入了種群間交流和淘汰策略，大大提高了全局尋優(yōu)能力，收斂性較好，且用時(shí)短，優(yōu)化效果也顯著提升，降低能耗近26.8%，MA－PSO算法具有更好的搜索能力，精度較遺傳算法更高。從優(yōu)化結(jié)果可以看出，利用改進(jìn)的快速多種群自適應(yīng)粒子群優(yōu)化算法對(duì)通風(fēng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行優(yōu)化，其優(yōu)化效果遠(yuǎn)好于遺傳算法，收斂精度更高，基于圖3粒子群算法傳迭代進(jìn)化結(jié)果粒子群算法通風(fēng)網(wǎng)絡(luò)參數(shù)解算結(jié)果見表3。將優(yōu)化之后的風(fēng)阻、風(fēng)量、風(fēng)壓等帶入約束函數(shù)中進(jìn)行檢驗(yàn)，經(jīng)檢驗(yàn)符合風(fēng)量平衡方程、回路風(fēng)壓平衡方程、風(fēng)阻、風(fēng)量、風(fēng)壓上下限、風(fēng)阻特性約束函數(shù)的要求。最終結(jié)果表明，風(fēng)機(jī)總功率從優(yōu)化前的2234.66kW降到1636.16kW，節(jié)能率達(dá)26.78%，相比遺傳算法的最優(yōu)功率1726.06kW，減少能耗88.9kW。利用改進(jìn)的快速多種群自適應(yīng)粒子群優(yōu)化算法進(jìn)行優(yōu)化，既保證了用風(fēng)分支的需風(fēng)量，又滿足了風(fēng)機(jī)經(jīng)濟(jì)方面的要求。優(yōu)化前后風(fēng)機(jī)總能耗比較見表4。表3基于粒子群算法通風(fēng)網(wǎng)絡(luò)參數(shù)解算結(jié)果分支優(yōu)化后風(fēng)阻/(N·s2·m－8)優(yōu)化后風(fēng)量/(m3·s－1)優(yōu)化后風(fēng)壓/Pa10.8879.935616.7920.12180.153894.6330.10171.803013.6541.4998.4614464.2650.85113.5011023.6561.6197.7515398.1970.6519.44245.6480.07231.403958.3390.20132.943534.68100.2718.5394.07110.09132.031628.09120.78122.1811641.83130.3348.12764.27140.14200.495627.54150.20102.742111.10160.3074.051645.26170431.89

【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法的通風(fēng)網(wǎng)絡(luò)兩步法風(fēng)流調(diào)節(jié)優(yōu)化算法[J]. 厙向陽(yáng),常新坦,孫藝珍.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(09)
[2]基于粒子群算法與混合罰函數(shù)法的有限元優(yōu)化反演模型及應(yīng)用[J]. 賈善坡,伍國(guó)軍,陳衛(wèi)忠.  巖土力學(xué). 2011(S2)
[3]軸流通風(fēng)機(jī)喘振現(xiàn)象分析及預(yù)防措施[J]. 董明洪,李俊.  風(fēng)機(jī)技術(shù). 2008(04)
[4]遺傳算法在礦井通風(fēng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用[J]. 李江,陳開巖,林柏泉.  中國(guó)礦業(yè)大學(xué)學(xué)報(bào). 2007(06)
[5]免疫遺傳算法在MATLAB環(huán)境中的實(shí)現(xiàn)[J]. 陳麗安,張培銘.  福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(05)

博士論文
[1]礦井通風(fēng)系統(tǒng)風(fēng)流參數(shù)動(dòng)態(tài)監(jiān)測(cè)及風(fēng)量調(diào)節(jié)優(yōu)化[D]. 司俊鴻.中國(guó)礦業(yè)大學(xué) 2012



本文編號(hào)：3014277