[发明专利]基于多目标量子遗传的高磁纳米节能控制方法及相关装置

说明书

基于多目标量子遗传的高磁纳米节能控制方法及相关装置，包括：建立多目标优化问题模型；基于多目标优化问题模型，对父代种群个体初始化，测量出种群每个个体的目标函数，并计算虚拟适应度；生成子代种群，并测出该种群个体的目标函数和虚拟适应度，将父代与子代合并，并采用精英保留策略，获得新种群；将新种群与存档合并，并采用精英保留策略，获得外部存档；对新种群执行快速非支配排序，获取个体Pareto等级，计算相同等级的拥挤距离，进而获得新种群，开始迭代；迭代完成输出外部存档内的Pareto最优解集。该方法简单方便，优化性能好，计算量小，不需要耗费很多时间，以较少的时间成本实现更好的节能减排效果。

技术领域

本发明属于工控技术领域，具体涉及基于多目标量子遗传的高磁纳米节能控制方法及相关装置。

背景技术

近年来，我国城镇燃气、工业燃气消耗总量巨大，增长的趋势明显，碳减排和碳交易活动将日趋频繁。但是目前的燃气锅炉存在燃烧效率不高、污染物排放量大、热能利用率不高等问题。国内外研究机构及学者对磁处理在燃烧方面(燃油、燃煤)的应用进行大量实验研究，取得理想的节能降耗的社会和经济效益，一般节油效率在1％～8％。这为燃气节能减排提供了一条新思路。

现有的多目标优化算法一是基于Pareto支配的多目标进化算法，该算法的思路是利用基于Pareto的适应度支配策略，从当前进化群体中找出所有非支配个体。该类个体往往性能优异，带给算法性能的提升，但在处理一些复杂的问题时，会出现一些效率下降、解的分布不均的情况。二是基于分解的多目标进化算法，它是将一个多元的研究对象拆解为多个问题对象来进行优化，这样个体就不会再被不同的冲突目标所混淆，而是被相应的目标规划搜索不同的区域所要求。但分解的目标会将个体推向边缘或只响应一个目标，导致整个群体的低效逼近。因此需要大量的函数评估才能获得较好的性能，增加了计算负担。第三是基于指标的多目标进化算法。该算法使用解集的收敛性、多样性及综合性三类指标来引导种群搜索过程和对解的选择过程。但是该方法计算复杂度高，程序运行效率低，耗费时间很长，快速性较差。

发明内容

本发明的目的在于提供基于多目标量子遗传的高磁纳米节能控制方法及相关装置，以解决在处理一些复杂的问题时，会出现一些效率下降、解的分布不均的情况，以及计算负担大，运行效率低，耗费时间很长，快速性较差的问题。

为实现上述目的，本发明采用以下技术方案：

基于多目标量子遗传的高磁纳米节能控制方法，包括：

获取高磁纳米节能控制的优化变量，以碳排放量f₁和经济成本f₂为目标，建立多目标优化问题模型；

f₁＝V_CO2γ_CO2+V_COγ_CO

f₂＝N_mC_m+P_fV_fη_m

V_CO2和V_CO是燃烧时产生的二氧化碳和一氧化碳的体积，γ_CO2和γ_CO是每立方米二氧化碳和一氧化碳的含碳量；N_m和C_m是装配高磁纳米管的数量和单价成本，P_f和V_f是天然气的单价和燃烧体积，η_m是装配高磁纳米管后天然气的燃烧效率；

基于多目标优化问题模型，对父代种群个体初始化，测量出种群每个个体的目标函数，并计算虚拟适应度；

生成子代种群，并测出该种群个体的目标函数和虚拟适应度，将父代与子代合并，并采用精英保留策略，获得新种群；

将新种群与存档合并，并采用精英保留策略，获得外部存档；